Les auteurs d'AI 2027 révisent leurs prévisions : l'IA devance leur scénario d'environ cinq mois

Quand l'IA écrit du code plus vite, la tâche suivante de l'équipe consiste à vérifier si un produit fonctionnel sort réellement plus vite. Le développement des modèles eux-mêmes ajoute un effet supplémentaire : un modèle amélioré peut aider à créer le suivant. C'est précisément cette boucle qui a poussé les auteurs d'AI 2027 à revoir les échéances de leur prévision. Pour les développeurs et les fondateurs, la question pratique est la suivante : quels processus faut-il repenser dès maintenant si les outils s'améliorent plus vite que prévu ?

Ce qui a changé dans la prévision

Le 10 novembre, l'AI Futures Project a publié une mise à jour : tous les membres de l'équipe jugent désormais probable l'apparition d'un chercheur en IA surhumain, le SAR, en 2027, en l'absence de ralentissement délibéré et significatif du développement. Auparavant, Daniel Kokotajlo donnait 50 % de probabilité à l'apparition d'un SAR avant 2029.

Par SAR, les auteurs entendent un système capable d'automatiser entièrement la programmation au sein d'un projet d'IA et de choisir les axes de recherche au niveau du meilleur chercheur humain. C'est un seuil nettement plus élevé qu'un agent qui résout seul des tâches isolées dans un dépôt de code.

L'équipe estime également à 35–65 % la probabilité de voir apparaître une IA surpassant les meilleurs experts dans pratiquement toutes les tâches avant début 2028. Le récit d'origine parlait de « 2028 », mais la source primaire indique une échéance plus précoce. Les auteurs plaident pour une pause, ou pour une limitation significative du rythme des développements de pointe. C'est leur proposition pour gérer le risque. Mise à jour de l'AI Futures Project.

Ce qu'a observé METR

Le point de départ est le rapport de METR du 5 novembre sur les travaux de recherche menés au sein d'Anthropic. Ses auteurs estiment que les capacités des modèles sur des tâches aux conditions bien définies progressent actuellement environ deux fois plus vite que le rythme historique. L'incertitude est grande : les chercheurs ne seraient surpris ni par une accélération de 1,3 fois, ni par une accélération de trois fois.

METR attribue vraisemblablement l'essentiel de l'accélération actuelle à l'usage de l'IA. Par ailleurs, Anthropic a classifié la plupart des éléments que les évaluateurs jugeaient les plus informatifs. Un lecteur extérieur ne peut donc pas vérifier lui-même une part importante de l'argumentation. METR avertit aussi que les métriques internes peuvent refléter de manière incomplète le travail dans des conditions plus floues. Rapport de METR.

Sur la base de ces estimations, l'AI Futures Project obtient une accélération du progrès grâce à l'IA d'environ 1,7 fois. C'est à partir de cette valeur que l'équipe a calculé environ cinq mois d'avance sur son scénario. Appliquer cette correction à chaque événement prévu serait une erreur : c'est un indicateur précis qui est comparé, et les délais des étapes suivantes dépendent d'hypothèses supplémentaires.

Comment l'appliquer à votre équipe

Imaginons un laboratoire où un agent prépare le code d'une expérience en une heure au lieu d'une journée de travail. Ensuite, l'expérience attend un GPU libre, l'entraînement dure plusieurs jours, et le chercheur doit encore comprendre le résultat. Raccourcir la première étape est utile, mais le cycle global n'accélère que dans la mesure où les autres étapes le permettent. Si l'agent aide à choisir de meilleures expériences, l'effet peut être nettement plus marqué.

En développement produit, la logique est comparable. On peut produire davantage de code tout en attendant la mise en production aussi longtemps, à cause de la validation des exigences, de la revue ou de la recette. Une étape suivante raisonnable consiste donc à prendre une catégorie récurrente de tâches et à mesurer le délai entre la formulation de la demande et le résultat accepté, en tenant compte séparément des corrections, du coût d'exécution et des heures de vérification humaine. Cela permet de voir où l'automatisation libère réellement des ressources.

Pour un fondateur, une telle mesure éclaire les décisions d'embauche et de budget. Si le goulot d'étranglement reste la vérification des résultats, générer davantage de code ne l'éliminera pas. Pour un responsable produit, il est utile de vérifier si l'équipe sait formuler les tâches et accepter les changements assez rapidement : sinon, l'amélioration des modèles passera à côté du produit.

La prévision révisée donne une raison de réexaminer plus souvent ces processus. En soi, elle ne prouve pas encore qu'une équipe de recherche autonome verra le jour l'année annoncée. La décision pratique aujourd'hui est d'accumuler ses propres données sur l'efficacité des agents et de conserver la possibilité de changer d'outils à mesure que des résultats vérifiables apparaissent.