Depuis trois ans, on répète aux entreprises que l'IA avance vite. Ce n'est plus assez précis. Elle n'avance pas seulement vite. Elle commence à participer à sa propre accélération.
Quand un modèle écrit du code, corrige des bugs, optimise des systèmes et contribue aux outils qui serviront à entraîner le modèle suivant, on ne parle plus d'une simple amélioration produit. On parle d'une boucle. Pas encore complètement fermée. Mais déjà assez refermée pour que l'argument « on verra quand ce sera stabilisé » devienne un mauvais pari.
L'IA ne va pas se stabiliser pour vous laisser le temps de faire un comité.
La boucle n'est pas complète. C'est justement le sujet.
L'auto-amélioration récursive, dans sa version de science-fiction propre, c'est un système qui choisit ses hypothèses, conçoit ses expériences, écrit son code, lance son entraînement, évalue son successeur, puis recommence. Seul. À chaque tour, il devient meilleur pour produire le tour suivant.
Nous n'en sommes pas là.
Ce qui existe aujourd'hui, c'est une boucle partiellement fermée. Et le segment qui se referme en premier n'est pas anodin : le code.
Le code, c'est l'atelier de fabrication de l'IA. C'est là qu'on construit les pipelines, les tests, les outils d'entraînement, les optimisations, les interfaces, les évaluations, les garde-fous. Si l'IA écrit une part croissante de ce code, alors elle ne se contente plus d'être utilisée. Elle devient un ouvrier dans sa propre usine.
Ce n'est pas encore le robot qui se reconstruit entièrement. C'est déjà le robot qui fabrique les pièces de l'atelier.
Le vrai signal : l'horizon de tâche s'allonge
Le chiffre important n'est pas seulement la qualité des réponses. C'est la durée pendant laquelle un agent peut travailler sans sortir de la route.
Il y a peu, les modèles étaient utiles quelques minutes avant de se perdre. Ils complétaient une fonction, proposaient un bout de code, résumaient un document. Puis il fallait reprendre la main.
Aujourd'hui, l'horizon s'allonge. Des tâches qui demandaient une supervision constante peuvent être confiées plus longtemps. Le modèle ne fait pas seulement « une réponse ». Il enchaîne, teste, corrige, recommence. Il devient moins perroquet de luxe, plus apprenti tenace avec un casque de chantier.
Ce glissement change tout.
Une IA qui aide pendant deux minutes est un assistant. Une IA qui travaille plusieurs heures devient un agent. Une IA qui travaille plusieurs heures sur le code qui améliore l'IA suivante devient une pièce d'une boucle d'accélération.
Attention au piège des chiffres
Il faut garder la tête froide. Quand un laboratoire affirme qu'une grande partie de son code est générée par ses propres modèles, ce n'est pas la même chose que dire que l'IA produit toute la valeur d'ingénierie.
Le code généré peut être plus verbeux. Il peut contenir plusieurs essais. Il peut nécessiter des tests, des revues, des corrections. Le volume n'est pas la valeur. Et les chiffres publiés par les laboratoires sont aussi des messages de marché, surtout quand ils préparent investisseurs, clients et États à la suite.
Mais le signal reste massif : les modèles participent déjà à l'amélioration de leur environnement technique. Même si la moitié du discours est enjolivée, l'autre moitié suffit à changer la conversation.
Le sujet n'est plus : « est-ce que l'IA peut coder ? »
Le sujet devient : « que se passe-t-il quand l'IA code l'infrastructure qui accélère l'IA ? »
Les deux freins qui peuvent ralentir la boucle
Il y a encore deux gros murs devant la boucle complète.
Le premier, c'est le jugement. Écrire du code est un terrain favorable à l'IA : un test passe ou ne passe pas. Le retour est rapide. Le feedback est clair. Le modèle peut essayer, échouer, corriger.
La recherche scientifique, elle, est plus sale. Choisir la bonne hypothèse, sentir quelle piste mérite trois semaines de calcul, décider quel problème compte vraiment : ce n'est pas un test unitaire. C'est du goût, de l'expérience, de l'intuition, du contexte. C'est précisément ce que les modèles maîtrisent moins bien.
Le second frein, c'est la physique. Entraîner un grand modèle coûte du calcul, de l'énergie, des machines, du temps. Même une IA très intelligente ne peut pas contourner totalement les data centers, les GPU et les mégawatts. La boucle peut s'accélérer, mais elle reste attachée à la prise électrique.
Le contre-argument qui dérange
Le jugement humain pourrait pourtant perdre son monopole.
Peut-être que le « bon goût scientifique » n'est pas une qualité magique. Peut-être que c'est simplement une méthode de rationnement. Les humains choisissent soigneusement leurs hypothèses parce que tester coûte cher. Si tester devient beaucoup moins cher, alors le système peut explorer cent pistes moyennes au lieu d'attendre une idée brillante.
C'est moins élégant. Mais l'histoire de l'informatique adore les solutions peu élégantes qui gagnent.
Quand la recherche devient moins chère, la sélection brute remplace une partie de l'intuition. On ne devine plus le bon chemin. On lance plus de chemins, et on regarde lesquels tiennent debout.
Si l'IA réduit le coût de chaque expérience, alors elle affaiblit l'un des freins censés ralentir la boucle.
Ce que ça change pour les entreprises
Une PME n'a pas besoin de trancher le débat sur l'auto-amélioration récursive. Elle n'a pas besoin de savoir si la boucle se fermera en 2028, en 2032 ou jamais complètement.
Elle doit simplement comprendre ceci : attendre que l'IA devienne stable revient à attendre que la mer arrête de bouger avant d'apprendre à naviguer.
Les outils vont changer. Les modèles vont changer. Les prix vont changer. Les capacités vont changer. Le bon réflexe n'est donc pas de chercher « la bonne technologie définitive ». Elle n'existe pas.
Le bon réflexe, c'est de rendre l'entreprise capable d'absorber l'IA : identifier les tâches répétitives, brancher les bons outils, cadrer les usages, tester avec les équipes, mettre en production, apprendre vite.
Pas une feuille de route à trois ans. Un dispositif qui tourne.
La vraie urgence : apprendre à superviser
Plus l'IA avance, plus la supervision devient le sujet central.
Si vos équipes utilisent l'IA sans cadre, vous aurez de la vitesse sans contrôle. Si vous l'interdisez, vous aurez du retard sans contrôle non plus. La bonne voie est moins spectaculaire : choisir des cas utiles, définir ce que l'IA peut faire, ce qu'elle ne doit pas faire, qui valide, où passent les données, comment on mesure le gain.
L'IA ne demande pas seulement de nouveaux outils. Elle demande de nouveaux réflexes opérationnels.
Par où commencer
Pas par la grande question : « jusqu'où ira l'IA ? »
Par une question beaucoup plus rentable :
« Quelle tâche répétitive pouvons-nous retirer du quotidien de nos équipes dès maintenant ? »
Si la réponse ne vous saute pas aux yeux, la bibliothèque de 70 cas d'usage IA en recense de très concrets, métier par métier — et 30 minutes de conversation, gratuites et sans engagement, suffisent souvent à la trouver.
Parce que la boucle, elle, continue. Les modèles s'améliorent, les agents s'allongent, le code s'automatise, les coûts baissent, les usages se diffusent.
Le train n'attend pas que votre PowerPoint soit validé.
L'IA commence à écrire l'IA. Très bien.
Votre entreprise peut déjà commencer par lui confier une tâche utile.
Un irritant identifié. Un dispositif adapté. Ça tourne.