METR explique comment l'IA s'approche de l'exécution autonome de tâches complexes de près de 12 heures
Sur Bloomberg, METR a expliqué pourquoi le marché de l'IA s'intéresse de moins en moins aux belles réponses et de plus en plus à la capacité des modèles à mener à bien des tâches complexes sans humain. Selon l'organisation, Claude Opus 4.6 s'approche d'un niveau où un agent peut venir à bout de tâches qui demanderaient près de 12 heures à un spécialiste qualifié. C'est un changement important pour les systèmes agentiques et pour l'évaluation de leurs risques.
Traité par IA depuis Bloomberg Tech ; édité par Hamidun News
Dans une vidéo de Bloomberg Tech tirée de l'épisode du podcast Odd Lots du 25 avril 2026, des représentants de l'organisation de recherche METR ont expliqué que la question centrale autour de l'IA n'est plus de savoir si un modèle peut répondre à une requête, mais combien de temps il peut mener seul une tâche complexe en plusieurs étapes. Selon leur estimation, Claude Opus 4.6 s'approche d'un niveau où un agent peut, avec une probabilité notable, achever un travail qui prendrait près de 12 heures à un humain.
METR, pour Model Evaluation and Threat Research, mesure jusqu'où les modèles de pointe ont progressé dans le travail autonome. Le président de l'organisation, Chris Painter, et le chercheur Joel Becker n'ont pas parlé des benchmarks habituels de connaissances factuelles, mais de tâches où le modèle doit planifier, utiliser des outils, écrire et vérifier du code, corriger des erreurs et aboutir à un résultat sans indications constantes d'un humain. C'est ce mode qui compte pour évaluer l'utilité réelle des systèmes agentiques et les risques associés.
La métrique clé de METR est le time horizon (horizon temporel). Ce n'est pas le temps que l'IA passe sur une tâche, mais la difficulté de la tâche, mesurée par le temps qu'un humain qualifié mettrait à l'accomplir. Sur le tableau de bord officiel de METR, cette estimation repose sur plus d'une centaine de tâches de développement, d'apprentissage automatique et de cybersécurité. Pour chaque modèle, les chercheurs lancent plusieurs exécutions indépendantes, comparent le résultat à des références humaines, puis tracent une courbe de probabilité de réussite.
Le processus lui-même ne prend pas des heures, mais au moins une à deux semaines de calendrier, car l'équipe doit mettre au point un environnement d'exécution fonctionnel, examiner les échecs, écarter les tentatives de contourner l'évaluation et revérifier à la main les exécutions litigieuses.
Si un modèle a un horizon à 50 % de plusieurs heures, cela signifie qu'il réussit les tâches de cette difficulté environ une fois sur deux. C'est pourquoi les presque 12 heures de Claude Opus 4.6 sonnent bien plus sérieusement qu'un énième record aux tests. Il ne s'agit pas d'une belle réponse dans un chat, mais de la capacité à garder le contexte, à découper le travail en étapes et à ne pas s'effondrer après un premier échec.
Dans sa mise à jour de janvier, Time Horizon 1.1, METR écrivait aussi que, historiquement, l'horizon des capacités des modèles de pointe doublait environ tous les sept mois, et que, dans les mesures des modèles postérieurs à 2023, le rythme paraissait encore plus rapide.
METR prévient toutefois elle-même que ces chiffres ne peuvent pas être traduits directement en capacité à remplacer un humain dans n'importe quel travail intellectuel. Son jeu de tâches se compose surtout de cas d'ingénierie et de recherche bien spécifiés, avec une vérification claire du résultat. Dans le travail réel, il y a bien plus de contexte implicite, de communication et de critères de réussite ambigus.
La discussion mène à une autre conclusion. Quand on dit que les IA commencent à travailler ensemble, cela désigne de plus en plus, en pratique, une combinaison de modèle, d'outils et de boucle de contrôle, et non un simple second chatbot dans la fenêtre voisine. Les systèmes agentiques actuels savent déjà appeler des éditeurs de code, lancer des tests, chercher de l'information et transmettre des résultats intermédiaires à l'étape suivante. Plus l'horizon de travail autonome du modèle de base est long, plus ces chaînes deviennent utiles et plus il est difficile pour un humain de garder le contrôle complet de chaque action.
C'est pourquoi METR voit dans la croissance de l'horizon non seulement un progrès produit, mais aussi un signal pour évaluer les risques, y compris les scénarios où les systèmes obtiennent trop d'autonomie.
La portée pratique de cette discussion est que le marché de l'IA passe peu à peu de la comparaison des réponses à la comparaison de l'autonomie de travail. Pour les entreprises, la question est de savoir quels processus peuvent déjà être confiés à des agents. Pour les développeurs de modèles, c'est la vitesse à laquelle croît la capacité réelle des systèmes à mener à terme des tâches longues. Et pour les régulateurs et les chercheurs en sécurité, c'est un indicateur précoce du moment où le discours sur les IA autonomes cessera d'être théorique pour devenir une réalité opérationnelle.
- 20 nov. 2026Google rend l'agent Gemini Spark gratuit et le rebaptise Tasks
- 20 nov. 2026Mistral lance Vibe Desktop, une application de bureau pour son agent avec tâches parallèles
- 20 nov. 2026Un client de GitLab active des agents IA de correction de vulnérabilités sur 136 projets en une semaine
- 20 nov. 2026Suno ouvre un serveur MCP public : on peut désormais générer de la musique depuis Claude et Cursor
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.