Les idées les plus importantes en IA en ce moment (avril 2026)

• Cinq idées se renforcent mutuellement comme transformations clés de l’ère de l’IA — optimisation autonome des composants, ingénierie basée sur l’intention, passage à la transparence, prise de conscience du scaffolding et diffusion de l’expertise — et sont en train de refondre en profondeur le mode de fonctionnement de toutes les organisations
• Inspiré par le projet Autoresearch de Karpathy, un cycle qui définit un état cible puis l’évalue et l’améliore automatiquement peut s’étendre bien au-delà de la recherche en ML, vers la sécurité, le conseil, le recrutement et tous les autres domaines
• Plus que le code ou le prompting, la nouvelle compétence d’ingénierie clé devient la capacité à exprimer clairement le résultat souhaité sous forme de critères vérifiables
• À mesure que l’IA rend visibles les coûts réels, la qualité et les processus internes des organisations, elle révèle que 75 à 99 % du travail intellectuel relevait du scaffolding (travail annexe)
• Lorsque les connaissances qui n’existaient que dans la tête des experts sont extraites sous forme de skills, de SOP et de fichiers de contexte, cela produit un effet de cliquet irréversible où toutes les instances d’IA apprennent simultanément

---

1. Optimisation autonome des composants (Autonomous Component Optimization)

• Le projet Autoresearch de Karpathy est un cas emblématique qui concrétise cette idée : lorsqu’on saisit une idée dans le fichier PROGRAM.md, le système prend automatiquement en charge les tâches fastidieuses comme l’ajustement des paramètres du modèle ou la configuration de l’environnement, et obtient de meilleurs résultats qu’auparavant grâce à l’optimisation ML
• Autoresearch dépasse désormais le cadre d’un projet unique pour se diffuser comme un paradigme de type "Autoresearch for X", et des personnes de nombreux secteurs explorent la possibilité d’appliquer la même approche à leurs propres projets
• Combiné aux notions de general verifiability ou de generalized hill-climbing, cela crée une structure où chaque livrable est décomposé selon des critères d’état idéal puis amélioré automatiquement
• Le concept Evals for everything s’y rattache également : l’essentiel n’est pas seulement que toute activité devienne mesurable, mais aussi améliorable
  • Le socle qui rend cela possible est la transparence

Cycle universel d’amélioration (Universal Improvement Cycle)

• Un cycle appelé à devenir le modèle opérationnel standard des entreprises, organisations, gouvernements et individus :
  • structurer les objectifs en mission, objectifs, workflows et SOP
  • des agents exécutent les workflows
  • les sorties, conversations, résultats et niveaux de qualité sont journalisés à grande échelle
  • les erreurs, échecs et problèmes de qualité alimentent le point de collecte des problèmes de l’organisation concernée
  • des algorithmes d’auto-amélioration récupèrent les données depuis ce point de collecte pour résoudre les problèmes, expérimenter, valider et optimiser selon une approche autoresearch
  • après vérification des modifications, les SOP sont mises à jour et le cycle recommence
• Le cœur de ce cycle : cartographie des objectifs → exécution par les agents → journalisation exhaustive → collecte des échecs → amélioration autonome → mise à jour des SOP → répétition, avec une accélération à chaque itération

2. Passage à l’ingénierie basée sur l’intention (Intent-Based Engineering)

• La véritable force de l’IA réside dans sa capacité à passer de l’état actuel à l’état idéal, mais cela suppose d’abord de savoir exprimer clairement (articulate) ce que l’on veut réellement
• Le problème de l’articulation gap est grave : si l’on demande à un CEO à quoi ressemble un programme de sécurité idéal, il se contente de gestes vagues ; si l’on demande à un responsable d’équipe ce que signifie « terminé », on obtient un paragraphe que trois personnes interprètent de trois façons différentes
  • Cet écart n’existe pas seulement entre les experts et l’IA, mais aussi entre les dirigeants et leur propre organisation
• Méthodologie concrète : rétro-décomposer chaque demande en 8 à 12 mots de critères d’état idéal discrets et testables, puis appliquer une évaluation binaire (pass/fail)
  • Une fois ces critères établis, le hill-climbing, l’évaluation et l’amélioration automatique deviennent tous possibles
• La nouvelle compétence centrale de l’ingénierie n’est ni le code ni le prompting, mais la capacité à exprimer clairement une intention à un niveau vérifiable

3. Passage de l’opacité à la transparence (Opacity to Transparency)

• Jusqu’à présent, les entreprises ont mal compris ce qui se passait réellement en interne : coût réel des processus, temps nécessaire, qualité des livrables, distinction entre ceux qui réalisent le vrai travail et ceux qui effectuent les tâches annexes
• La plupart des organisations ont fonctionné avec des « impressions vagues et des tableurs », mais l’IA transforme désormais le travail réel, les coûts et la qualité en éléments mesurables d’une manière auparavant impossible
• Une fois la transparence acquise, l’amélioration devient possible, et cela s’applique à toutes les organisations, qu’il s’agisse d’entreprises, d’administrations ou de petites équipes
• La première chose que la transparence met en lumière, c’est que la majeure partie du travail n’était pas du vrai travail

4. La plupart des tâches ne sont que du scaffolding (Most Work is Scaffolding)

• Ce que l’IA révèle, c’est que 75 à 99 % du travail intellectuel correspond à un surcoût de scaffolding
  • Dans les tests de sécurité, le développement, le conseil et d’autres domaines, la majorité du temps est consacrée à la maintenance des outils, aux workflows, aux templates et à la gestion des bases de connaissances
  • La réflexion réellement difficile (hard thinking) n’est assurée que par un tout petit nombre de personnes pendant un temps très limité
• L’IA traite la partie scaffolding de manière écrasante d’efficacité : si l’on encapsule le contexte, la méthodologie et les outils dans des Agent Skills, l’IA peut exécuter la plupart des tâches à un niveau égal ou supérieur à celui des experts
• Ce n’est pas le travail lui-même qui était difficile, c’est le maintien du scaffolding

5. La diffusion de l’expertise dans le domaine public (Expertise Diffusion)

• Articulation gap : il existe un fossé majeur entre ce que les experts savent et ce qui est documenté
  • Exemple : si « Cliff », un employé de 62 ans qui sait tout mais n’a rien documenté, part à la retraite, cette connaissance disparaît
• L’expertise est en train d’être stockée de manière distribuée dans des skills, SOP, fichiers de contexte et projets open source, et une fois extraite, cette connaissance ne peut plus être retirée
  • Comparaison avec « uriner dans une piscine » : les skills rendus publics, les processus documentés et les debriefings d’experts entrent durablement dans la base de connaissances collective
• Effet de cliquet irréversible (one-way ratchet) : là où un humain met 20 à 30 ans à développer une expertise profonde dans un domaine, puis oublie et part à la retraite, l’IA absorbe immédiatement l’expertise capturée, ne l’oublie jamais et peut être dupliquée à l’infini
• L’écart entre la vitesse d’accumulation de l’expertise humaine et celle de l’expertise par l’IA se creuse chaque jour

Implications

L’auto-amélioration change le rythme dans tous les domaines

• Dès lors qu’on peut définir un état idéal, le mesurer et l’itérer automatiquement, des mois de réglages manuels peuvent être bouclés en une nuit
• Cela s’applique non seulement à la recherche en ML, mais aussi aux programmes de sécurité, aux livrables de conseil, aux pipelines de contenu, aux processus de recrutement et à tout ce qui possède un état idéal définissable
• Toutes les organisations finiront par faire tourner le même cycle (cartographie des objectifs → exécution par les agents → journalisation → collecte des échecs → amélioration autonome → mise à jour des SOP), et celles qui l’adopteront en premier créeront, par effet composé, un écart impossible à rattraper

L’intention devient le goulet d’étranglement

• La nouvelle compétence rare n’est ni le code ni le prompting, mais la capacité à dire clairement ce que l’on veut
• La qualité des idées reste toujours le facteur le plus important, et le deuxième plus important est la capacité à exprimer, définir et aligner toute l’organisation autour de ces idées
• La plupart des dirigeants et des entreprises n’y parviennent pas encore, et les organisations qui résoudront cela en premier pourront concentrer tous les outils d’optimisation sur leurs véritables objectifs

Tout devient transparent

• On passe d’impressions opaques à des composants transparents et optimisables, ce qui laisse de moins en moins d’endroits où les imposteurs et les gatekeepers peuvent se cacher
• Même dans la concurrence entre produits et services, les agents demanderont non plus du copy marketing ou des recommandations clients, mais des données de performance réellement vérifiables ; sans cela, on sera éliminé de la compétition

Commoditisation du scaffolding (Commoditization)

• Ce qui était perçu comme une expertise sectorielle spécifique se révèle en réalité être, pour une grande part, du scaffolding que la plupart des gens ne comprenaient pas
  • Exemple : la configuration et la maintenance d’environnements de développement spécifiques, ainsi que les tâches annexes des professions bien rémunérées du droit ou du conseil

Le savoir expert devient une infrastructure publique

• Les connaissances autrefois détenues uniquement par des experts vont bientôt être possédées par tout le monde, et surtout par l’IA
• Dans un domaine donné, l’avantage de 50 ans d’expérience ne durera pas longtemps ; cette connaissance sera extraite par la personne elle-même ou par ses homologues à travers le monde

Résumé essentiel et conclusion

• Les cinq idées interagissent toutes et s’amplifient mutuellement
• Non seulement il devient possible d’améliorer différents composants, mais la vitesse même de l’amélioration s’améliore
• Toutes les entreprises, administrations et organisations convergeront vers le même cycle (définition des objectifs → exécution par les agents → journalisation exhaustive → collecte des échecs → amélioration du système lui-même), et les premières à y parvenir créeront, par effet composé, un écart que les autres ne pourront plus combler