Jack Clark, cofondateur d’Anthropic et auteur de la newsletter Import AI, a avancé d’un an son calendrier : l’auto-amélioration récursive (RSI, pour recursive self-improvement), soit des systèmes d’IA qui conçoivent leurs propres successeurs, pourrait devenir possible dès 2027. Il tablait auparavant sur 2028.
Le déclencheur est un benchmark du laboratoire P-Zero Research, TasteVal, qui mesure ce que les modèles savent faire quand il s’agit de mener des expériences de recherche en IA. Une échéance aussi proche se vérifie contre la mesure : que dit exactement TasteVal, et que faudrait-il de plus pour que 2027 tienne ?
Un benchmark qui teste deux compétences sur trois
P-Zero Research découpe le « goût de la recherche » en trois capacités : repérer les questions qui valent d’être posées, concevoir les expériences qui y répondent, interpréter correctement les résultats. TasteVal ne teste que les deux dernières. Le choix de la direction, souvent considéré comme le cœur de l’intuition scientifique, est déjà fait pour le modèle.
Le protocole compte huit tâches, chacune avec un objectif fixe issu du développement de modèles et un score mesurable : sélection de données d’entraînement, pré-entraînement et fine-tuning de modèles de langage, entraînement sur préférences humaines, défense contre des prompts adverses. Le modèle décide de l’expérience suivante en fonction des résultats précédents. Pour que le niveau en programmation ne fausse pas la mesure, un même agent IA exécute tous les essais sur un seul GPU (processeur graphique) Nvidia H100, avec un arrêt à 40 heures de calcul ou 120 heures d’horloge.
La référence humaine vient de 24 experts passés récemment par OpenAI, Google DeepMind, Nvidia ou Microsoft Research, au moins deux par tâche. La meilleure tentative humaine de chaque tâche sert de barre.
Les experts égalés avec moitié moins de calcul
Pour chiffrer ce goût, P-Zero le convertit en efficacité de calcul. Dans la recherche en IA, les ressources d’expérimentation sont rares : bien choisir ses essais et bien lire leurs résultats revient à atteindre le même score avec moins d’exécutions. Le laboratoire s’appuie sur son « AI Futures Model », qui prévoit que le calcul d’expérimentation devient le principal goulot dès que la programmation est automatisée. Un modèle qui égale les experts avec moitié moins de calcul affiche donc un multiplicateur de 2.
Le meilleur score revient à Opus 5.5, d’Anthropic, avec 2,3 : le niveau des experts, atteint avec moins de la moitié du calcul. L’intervalle statistique court cependant de 1,15 à 4,37, et au plancher l’avance est mince. Une exécution coûte en moyenne environ un trentième d’une tentative d’expert.
La dynamique est plus frappante que le niveau : ce multiplicateur aurait doublé environ tous les trois mois depuis décembre 2025, avec une incertitude large (de 1,7 à 5,0 mois). Les années précédentes, la progression était nettement plus lente, et la courbe ne se redresse qu’autour du passage de 2025 à 2026. Un seul benchmark ne permet pas de dire si la tendance durera, et les auteurs reconnaissent eux-mêmes que leurs résultats peuvent surestimer la rapidité du progrès.
Trois trajectoires jusqu’en octobre 2027
Prolongeons la courbe, par simple arithmétique et sans y voir une prévision. Depuis 2,3 en octobre 2026, un doublement tous les trois mois donne environ 4,6 en janvier, 9 en avril, 18 en juillet et 37 en octobre 2027. Avec le rythme lent de la fourchette, un doublement tous les cinq mois, le multiplicateur atteint encore près de 12 à cette date. Même en partant du plancher de 1,15 avec ce rythme lent, on dépasse 6.
Dans les trois cas, les modèles battraient largement les experts sur ce périmètre avant la fin de 2027, ce qui rend la date de Clark cohérente avec la mesure. Encore faut-il regarder ce que ce périmètre recouvre : huit tâches, un seul GPU, des objectifs fixés d’avance. Un multiplicateur de 18 sur ce terrain ne dit rien d’un laboratoire qui entraîne un modèle de frontière sur des milliers de puces. OpenAI, qui s’est fixé mars 2028 pour disposer d’un « chercheur IA automatisé », revendique d’ailleurs depuis septembre l’étape intermédiaire d’un « stagiaire de recherche automatisé », cantonné à des tâches bien définies et encadrées par des humains.
Deux conditions doivent donc se vérifier pour que 2027 tienne. Le gain doit survivre au changement d’échelle, et le choix de la question de recherche doit lui aussi tomber dans le champ des modèles. Si le calcul reste le goulot, comme le suppose P-Zero, un modèle brillant mais gourmand en essais plafonne vite.
Les cadres d’agents modifient déjà leurs propres outils
L’autre moitié du tableau se joue du côté des agents. RSIHub, un cadre open source présenté le 23 octobre dans un papier de recherche, standardise l’étude de l’évolution d’agents : des méthodes qui utilisent le retour d’exécution pour améliorer prompts, compétences, outils et orchestration. Ses auteurs y ont instancié quatre méthodes (AHE, Hyperagents, A-Evolve et GEPA) et les ont évaluées avec MiniSWE et Codex sur Terminal Bench 2 et τ³ Banking.
Le plus gros gain atteint 13,5 points de pass@1 (taux de réussite au premier essai). Mais le classement des méthodes change selon les configurations, et les gains d’optimisation ne se transfèrent pas toujours aux tâches mises de côté. Un cadre qui progresse sur ses propres tests sans progresser ailleurs n’apporte aucune preuve d’amélioration générale.
Harness², publié sous licence Apache 2.0 par Google Research quelques jours plus tôt, suit la même logique : ajuster prompts, outils et mémoire d’un agent sans toucher aux poids du modèle, avec des gains rapportés allant jusqu’à 11,8 points. Dans les deux cas, ce qui s’auto-modifie est l’échafaudage autour du modèle, pas le modèle lui-même.
2027 se jouera sur le choix de la question
La RSI telle que l’entend Clark demande que ces deux niveaux se rejoignent : des modèles qui conçoivent de bonnes expériences, dans des cadres qui capitalisent leurs enseignements sans se tromper de cible. Aujourd’hui, l’un est mesuré sur huit tâches fermées, l’autre se heurte au problème du transfert.
Le pari le plus défendable : un multiplicateur supérieur à 10 sur TasteVal avant la fin de 2027, sans que cela suffise à déclarer la RSI atteinte. Le test décisif viendra d’un benchmark qui retire à l’humain le choix de la question de départ. Il faudra alors des modèles qui s’en sortent encore, et des cadres d’agents dont les gains tiennent hors de leur échantillon d’entraînement.
Sources
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 22 évaluations
Faire appel à mes services →
