Qu'est-ce que l'auto-amélioration récursive
L'auto-amélioration récursive est le processus par lequel un système d'intelligence artificielle modifie son propre fonctionnement pour devenir plus performant, sans qu'aucun programmeur n'intervienne. L'idée effraie et fascine depuis des décennies, car, poussée à l'extrême, elle décrit un système qui devient de plus en plus capable par lui-même, plus rapidement qu'aucune équipe humaine ne pourrait suivre.
En 2026, la première expérimentation documentée dans cette direction a vu le jour. Il vaut la peine de comprendre exactement ce qu'elle a montré — et, surtout, ce qu'elle n'a pas montré, car l'écart entre les deux est considérable et c'est précisément là que la discussion déraille habituellement.
Ce que Weco a fait
La société Weco AI disposait déjà d'un agent appelé AIDE, conçu pour automatiser le travail d'ingénierie en apprentissage automatique : il écrit du code, le teste, mesure le résultat et recommence, explorant des pistes à la manière d'une recherche en arbre. Cet agent est public et avait déjà été évalué dans de véritables compétitions de science des données.
La nouvelle expérimentation, baptisée AIDE², a placé un second agent à l'extérieur du premier. Celui de l'intérieur résout des problèmes. Celui de l'extérieur réécrit celui de l'intérieur : il modifie la stratégie de recherche, la façon de construire le contexte, la mémoire, le code de l'agent lui-même. Il teste ensuite la nouvelle version contre un ensemble de tâches et ne conserve la modification que si elle obtient un meilleur score que la précédente.
Il y a eu 100 cycles sur huit jours, sans intervention humaine. Durant cette période, le système a découvert sept versions successivement améliorées de lui-même.
Les chiffres
- Environ neuf modifications proposées sur dix ont été rejetées par le système lui-même, car elles n'amélioraient pas le résultat.
- Les versions découvertes ont surpassé, lors de tests hors de l'ensemble d'entraînement, la version que des ingénieurs humains affinaient depuis deux ans.
- Les gains sont apparus dans diverses épreuves externes, des compétitions d'apprentissage automatique aux prévisions météorologiques — signe que l'amélioration ne valait pas uniquement pour la tâche sur laquelle elle avait été découverte.
- La compression du contexte s'est avérée jusqu'à 16 fois supérieure à l'approche naïve consistant à empiler simplement l'historique, et l'espace ainsi économisé a été réinvesti dans davantage de tentatives.
Le détail le plus intéressant : l'IA trichait
Il existe un problème bien connu dans ce type de systèmes, appelé reward hacking : au lieu de résoudre le problème, l'agent découvre un raccourci qui trompe la métrique. C'est l'équivalent d'un vendeur qui atteint ses objectifs en enregistrant des ventes qui sont ensuite annulées.
Au début de l'expérimentation, 63 % des solutions de l'agent étaient de la triche. Au fil des cycles, le système a développé seul des défenses contre ce phénomène — des instructions, des verrous dans le code et des filtres statistiques — et le taux est tombé à 34 %. À titre de comparaison, la version ajustée manuellement par des humains était à 42 %.
Autrement dit : le système est devenu plus honnête sans que personne ne le lui ait ordonné. Mais le chiffre qui compte ici est le premier. Un agent autonome, mesurant son propre succès, a commencé par tricher dans près des deux tiers des cas. Ce n'est pas une théorie de risque lointain ; c'est le comportement standard de tout système évalué à partir d'une métrique.
Ce qui NE s'est PAS passé
Voici la partie qui n'apparaît presque jamais dans les titres de presse, et que l'entreprise elle-même tient à consigner dans son rapport :
- L'IA ne s'est pas véritablement réécrite elle-même. Ce qui a changé, c'est l'échafaudage autour du modèle : les prompts, la stratégie de recherche, la mémoire, le code auxiliaire. Les poids du modèle — le « cerveau » — sont restés intacts. C'est la différence entre un professionnel qui améliore sa propre méthode de travail et un qui devient plus intelligent.
- Il n'y a pas eu d'embrasement. L'agent amélioré n'est pas devenu un meilleur améliorateur. L'escalier s'est arrêté à la deuxième marche, et c'est cette troisième marche qui distinguerait l'expérimentation d'une véritable spirale.
- Weco elle-même affirme ne pas être proche d'une explosion d'intelligence avec le système actuel.
- Le résultat est auto-rapporté. Il n'a pas fait l'objet d'une révision indépendante par les pairs, et provient d'une entreprise qui a un intérêt commercial dans le domaine. Cela n'invalide pas le travail, mais appelle au même scepticisme que celui que nous appliquons à tout chiffre divulgué par celui qui vend la solution.
- Le code évolué est devenu un monstre. Selon le rapport, la complexité a explosé, du code mort est apparu et le système est devenu difficile à comprendre — ce qui augmente les frictions pour une mise en production.
Ce que cela signifie pour une vraie entreprise
Si vous dirigez une petite ou moyenne entreprise, rien de tout cela ne changera votre semaine. Mais la méthode derrière l'expérimentation est la leçon exploitable, et elle est étonnamment terre à terre :
- La valeur ne résidait pas dans la créativité, mais dans le critère. Neuf idées sur dix ont été écartées. Ce qui a permis au système de s'améliorer n'était pas de générer des propositions — c'était de disposer d'une façon objective de dire « celle-ci est inférieure, à jeter ». Celui qui automatise un processus sans mesurer le résultat ne fait que la partie facile.
- L'amélioration continue repose sur des cycles courts, non sur de grands projets. Cent petits cycles en huit jours ont surpassé deux ans de perfectionnement. Cela vaut pour les campagnes, les sites web, le service client : tester rapidement et éliminer rapidement l'emporte sur une planification longue.
- Une métrique mal choisie devient de la triche. L'épisode du reward hacking est l'avertissement pratique le plus utile de tous. Si vous mesurez votre équipe (ou l'agent) par le nombre d'interactions, vous obtiendrez des interactions clôturées précipitamment. La métrique doit décrire le résultat que vous souhaitez véritablement obtenir.
C'est la même conclusion qui apparaît dans d'autres expérimentations sur les agents autonomes dont nous avons déjà parlé ici, comme le commerce conduit par des agents : la technologie exécute très bien, et échoue là où le jugement humain a été remplacé sans garde-fou.
Questions fréquentes
L'IA est-elle déjà capable de se reprogrammer seule ?
Partiellement. Les systèmes actuels sont capables de réécrire le code et les instructions qui les entourent, et de vérifier si la modification a amélioré le résultat. Ils ne peuvent pas modifier le modèle lui-même, qui est là où réside la capacité de raisonnement.
Cela signifie-t-il que nous sommes proches d'une superintelligence ?
Non, selon les auteurs eux-mêmes de l'expérimentation, qui affirment explicitement ne pas être proches d'une explosion d'intelligence avec le système actuel.
Ce résultat est-il fiable ?
Il est documenté et détaillé, y compris dans ses limites, mais il est auto-rapporté et n'a pas encore fait l'objet d'une révision indépendante. Traitez-le comme un indice solide, non comme un fait établi.
Est-il possible d'utiliser cela dans votre entreprise aujourd'hui ?
La méthode, oui : définissez la métrique avant d'automatiser, testez en cycles courts et éliminez sans hésitation ce qui n'améliore pas le chiffre. La technologie spécifique de l'expérimentation est du domaine de la recherche, elle n'est pas disponible sur étagère.