- ▸ Ce que révèle l'édition du 19 août
- ▸ Le verrou n'est pas la puissance de calcul, c'est le jugement
- ▸ Optimiser une tâche, ce n'est pas formuler un problème
- ▸ Le meilleur contre-argument : additionner les progrès jusqu'au basculement
On nous l’avait promise autonome. Capable de se corriger, de s’augmenter, de courir plus vite que ceux qui l’ont conçue. En août 2026, une enquête de MIT Technology Review vient doucher la promesse : livrés à eux-mêmes, les meilleurs agents d’intelligence artificielle ne savent pas mener une recherche libre. Ils exécutent. Ils n’inventent pas.
Ce que révèle l’édition du 19 août
Le 19 août, l’édition quotidienne de MIT Technology Review, The Download, a mis le doigt sur une gêne que le secteur préfère taire. Des chercheurs ont observé une limite têtue : confrontés à une recherche ouverte — une investigation sans cadre, sans consigne, sans réponse attendue —, les agents d’IA actuels échouent. Ils savent traduire, résumer, classer, coder ce qu’on leur demande. Ils ne savent pas décider quelle question mérite d’être posée.
La nuance paraît mince. Elle est décisive. L’auto-amélioration récursive, ce scénario où une machine perfectionnerait sa propre conception jusqu’à s’affranchir de nous, suppose précisément cette faculté : explorer un territoire que personne n’a cartographié.
L’idée n’est pas neuve. Dès les années 1960, des pionniers de l’informatique imaginaient une machine assez habile pour améliorer sa propre conception, puis recommencer, encore et encore, jusqu’à distancer l’esprit humain. Soixante ans plus tard, le fantasme a changé de nom, pas de promesse. Ce que l’édition d’août rappelle, c’est que le premier maillon de cette chaîne — la capacité à chercher pour de vrai — n’est toujours pas en place.
La même livraison offre une image cruelle du fossé qui reste. Une réplique, rapportée par MIT Technology Review : « Arizona is Arizone. Illinois starts with a V. I mean, it’s crazy. » Un système qui trébuche sur une carte des États-Unis n’est pas près de réécrire son architecture. Voilà où nous en sommes, en 2026, malgré les discours.
Le verrou n’est pas la puissance de calcul, c’est le jugement
Ma conviction est simple. Le progrès de l’IA ne bute pas sur un manque de puissance : il bute sur un manque de jugement.
Nous avons empilé les paramètres, les données, les processeurs. Nous avons obtenu des systèmes prodigieux dans l’exécution. Mais l’exécution n’est pas l’invention. Une machine qui optimise fait mieux ce qu’on lui a appris à faire ; elle ne choisit pas un but que personne ne lui a fixé. Ce choix — cette capacité à formuler un problème neuf — sépare l’outil de l’inventeur. Tant qu’il manque, l’auto-amélioration reste un récit, pas une trajectoire.
On a confondu la vitesse avec la direction. Un moteur plus rapide ne trouve pas tout seul la route ; il parcourt plus vite celle qu’on lui a tracée. Une bonne part de l’histoire récente de l’IA tient dans ce malentendu.
Optimiser une tâche, ce n’est pas formuler un problème
Regardons la mécanique de près. Un modèle apprend en réduisant un écart : entre sa réponse et la bonne réponse, entre sa prédiction et le réel. Ce mécanisme est redoutable quand la cible existe déjà. Traduire un texte, repérer une anomalie sur une image, prévoir le mot suivant : autant de tâches où le « bon » résultat est défini d’avance.
La recherche libre n’offre aucune cible. Personne ne connaît la bonne réponse — c’est justement ce qu’on cherche. Formuler l’hypothèse, sentir qu’une piste est féconde avant toute preuve, abandonner une voie sans échec mesurable : ces gestes n’ont pas de fonction à minimiser. Ils relèvent du jugement, pas de l’ajustement.
Un moteur d’échecs écrase le champion du monde. Il ne se demandera jamais si les règles du jeu pourraient être plus belles. Un système de recommandation connaît vos goûts mieux que vous. Il n’inventera pas un genre musical. La différence n’est pas d’échelle, elle est de nature. Et c’est cette nature-là que l’enquête de MIT Technology Review remet au centre : améliorer sans fin des tâches circonscrites ne conduit pas mécaniquement vers l’intelligence qui invente. Tout notre débat public sur la course aux modèles de raisonnement élude cette frontière.
Le meilleur contre-argument : additionner les progrès jusqu’au basculement
Je dois à l’honnêteté de présenter l’objection la plus solide. Elle mérite mieux qu’un revers de main.
Et si le saut n’existait pas ? Et si l’invention n’était qu’une accumulation de petits pas, chacun réductible à une tâche mesurable ? L’histoire des sciences se lit parfois ainsi : des milliers d’ajustements minuscules qui, mis bout à bout, dessinent une percée. Dans cette lecture, un système qui s’améliore tâche après tâche finirait, par la seule force du nombre, par franchir le seuil de la découverte. La créativité ne serait pas un don séparé, mais l’ombre portée d’un très grand nombre d’optimisations. C’est l’hypothèse de la convergence, et elle est défendable.
Je ne la balaie pas. Je la trouve incomplète. Additionner des réponses justes suppose que quelqu’un ait posé les bonnes questions en amont — et ce quelqu’un, aujourd’hui, reste humain. Les travaux relayés par MIT Technology Review ne disent pas que la machine ne progressera jamais ; ils disent que, sans la faculté d’ouvrir un problème, l’accumulation tourne en rond dans un espace déjà borné. La convergence peut affiner. Elle ne garantit pas de sortir du cadre. Tant qu’on n’a pas montré le contraire, parier dessus relève de la foi, pas de la démonstration.
Pourquoi cette limite nous concerne tous
Pourquoi cette querelle d’apparence technique devrait-elle occuper ceux qui ne conçoivent aucun modèle ?
Parce que des décisions très concrètes reposent sur la promesse inverse. Des investissements, des politiques publiques, des choix d’entreprise se justifient par l’idée qu’une IA capable de se perfectionner seule arrive, et bientôt. Si cette idée est prématurée, alors nous surdimensionnons certaines peurs et nous sous-estimons la seule variable qui compte encore : nous. Le jugement humain n’est pas un vestige en sursis. Il demeure le moteur du progrès, celui qui décide où chercher.
Sur le terrain, cela se traduit déjà. Une équipe qui déploie un agent autonome pour « automatiser la recherche » découvre vite qu’il faut, à chaque étape, une personne pour cadrer, trier, réorienter. L’outil accélère l’exécution ; il ne remplace pas celui qui sait ce qu’il cherche.
Il y a une leçon presque politique là-dedans. Aussi longtemps que la machine exécute et que l’humain oriente, la responsabilité reste de notre côté. On ne peut pas déléguer à un système autonome ce qu’aucun système ne sait faire. Se raconter le contraire, c’est se préparer à confier les commandes à un pilote qui n’existe pas.
On nous l’avait promise autonome. Elle ne l’est pas. En 2026, la meilleure IA du monde exécute magnifiquement les questions qu’on lui pose, et reste muette devant celles qu’il faudrait inventer. « Arizona is Arizone » : la formule prête à sourire, mais elle dit la vérité de l’instant mieux que bien des prospectives. Je ne prétends pas que ce mur soit éternel. Je dis qu’il est là, aujourd’hui, et qu’il déplace le vrai débat. La question n’est pas de savoir quand la machine se passera de nous. C’est de savoir ce que nous voulons chercher — et si nous saurons encore poser la question.
Cet article est une tribune et reflète l’opinion de son auteur.
