L’automatisation de la R&D en IA pourrait décupler les progrès en 17 mois

Nous avons pris l’habitude de parler de l’IA comme d’un assistant pour les développeurs : elle écrit une fonction, trouve un bug ou assemble un prototype. Une nouvelle étude pose la question à un niveau supérieur. Que se passera-t-il si les modèles commencent à automatiser non seulement la programmation ordinaire, mais aussi le processus même de création des prochaines générations de modèles — les expériences, l’analyse des résultats, la préparation des systèmes d’entraînement et la recherche de nouvelles méthodes ?

Les auteurs qualifient ce scénario d’explosion logicielle de l’intelligence. Il ne nécessite pas forcément d’attendre une nouvelle génération d’accélérateurs. L’accélération peut naître au sein de l’infrastructure de calcul déjà disponible : l’IA aide les chercheurs à réaliser davantage d’expériences, ces expériences améliorent l’IA, puis la nouvelle version accélère encore plus la recherche.

Comment une boucle d’accélération pourrait apparaître

Imaginons un laboratoire de cent ingénieurs. Au départ, l’IA se contente de compléter le code et de préparer les tests. Ensuite, un agent reçoit une mission du type « teste trois variantes d’architecture », modifie seul les configurations, lance les expériences et synthétise les résultats. L’humain continue d’approuver les décisions, mais examine en une journée un travail qui prenait auparavant une semaine.

L’étape suivante consiste à automatiser une part importante du cycle de recherche. Si le modèle sait non seulement exécuter l’expérience demandée, mais aussi choisir une piste prometteuse, tester des hypothèses et tirer les leçons des échecs, la productivité du laboratoire commence à croître avec ses capacités. C’est ainsi que se crée une boucle de rétroaction positive.

Comme signal précoce, les auteurs citent des indicateurs internes d’Anthropic. La part du code accepté écrit par l’IA est passée de quelques pourcents en janvier 2025 à plus de 80 % en mai 2026. La part des tâches de R&D autonomes réalisées sous la supervision étroite de spécialistes est passée de 1 % en mars à 26 % en août 2026. Ces chiffres ne prouvent pas qu’une explosion approche, mais ils montrent à quelle vitesse l’organisation du développement évolue.

Le modèle des auteurs relie ces indicateurs au rendement économique des efforts de recherche. Avec des estimations centrales du paramètre de rendement comprises entre 1,2 et 1,9 selon les domaines de l’IA, l’automatisation complète de la recherche pourrait décupler le rythme des progrès en environ 17 mois. Dans ce régime, un volume de travail qui prenait auparavant un an serait réalisé en cinq semaines environ.

Pourquoi ce n’est pas encore une prévision

Le calcul comporte une large zone d’incertitude. Les bornes inférieures des intervalles de confiance à 90 % descendent sous le seuil auquel apparaît une accélération autoentretenue. Autrement dit, les données disponibles sont compatibles aussi bien avec une croissance fulgurante qu’avec un scénario beaucoup plus modéré.

Il existe aussi un problème de mesure. Une hausse de la part du code produit par l’IA ne signifie pas nécessairement une hausse de la productivité scientifique. Un agent peut rapidement écrire l’infrastructure d’une expérience sans pour autant proposer une bonne hypothèse. Les métriques confondent également l’amélioration des méthodes logicielles avec l’augmentation des ressources de calcul. Enfin, la recherche se heurte aux limites du matériel, des données, de l’énergie, de la vérification des résultats et de la capacité humaine à prendre des décisions.

Le chiffre « 10 fois en 17 mois » doit donc être lu comme le résultat d’un modèle fondé sur certaines hypothèses, et non comme une promesse calendaire. L’intérêt principal de l’étude est de transformer un débat flou sur l’explosion de l’intelligence en un ensemble de grandeurs mesurables : la part des tâches autonomes, la qualité des résultats, le temps de supervision humaine et le rendement des efforts de recherche supplémentaires.

Ce que les équipes doivent faire dès maintenant

Les concepteurs de systèmes d’IA devraient mesurer séparément la génération de code et l’autonomie réelle. La métrique utile n’est pas le nombre de lignes, mais la part des tâches qu’un agent mène jusqu’à un résultat vérifiable sans intervention humaine. Il faut aussi suivre le coût des erreurs, le temps de revue et le nombre d’actions annulées.

Les équipes produit ont besoin de journaux retraçant les actions des agents, de droits limités, d’environnements isolés et d’un moyen d’interrompre instantanément l’exécution. Plus la chaîne d’actions autonomes est longue, plus il est dangereux de se fier uniquement à la réponse finale du modèle.

Pour les fondateurs, la conclusion est également pratique : la vitesse de développement pourrait évoluer plus vite que les cycles habituels de planification et de recrutement. Mais il est encore trop tôt pour fonder une stratégie sur une « explosion » inévitable. Il est plus raisonnable de préparer les processus à une progression rapide de l’autonomie, tout en maintenant le contrôle, la reproductibilité des expériences et une intervention humaine aux points où l’erreur coûte particulièrement cher.