DIRTY STATIC / DÉPÊCHE Culture16 NOV. 2026 • 11 MIN DE LECTURE
Un laboratoire de recherche en béton brutaliste où un convoyeur en boucle circulaire revient vers un terminal lumineux jaune avertissement, avec des bandes de danger au sol.
CultureL'INTELLIGENCE POUR L'ÈRE DES MACHINES

L'IA accélère la recherche, soulève la récursivité

Une équipe externe a passé onze semaines chez Anthropic avec un accès à des données que le public ne voit jamais. METR dit maintenant que le laboratoire améliore ses modèles à environ deux fois son ancien rythme, et que l'IA elle même explique sans doute la plus grande part de ce gain. Ce dossier explique ce que METR a mesuré, ce qu'elle n'a pas pu montrer, et pourquoi l'expression amélioration récursive fait soudain un vrai travail.

Commencer la lecture ↓

La phrase la plus frappante du nouveau rapport n’est pas le chiffre du titre. C’est l’aveu qui se trouve juste au dessus. Anthropic, le laboratoire à l’étude, gardait le droit de retirer du matériel privé du texte public, et l’équipe externe dit qu’elle a utilisé ce droit sur la plus grande part de la preuve qui comptait le plus.

Cette équipe est METR, un groupe sans but lucratif qui teste les systèmes d’IA de pointe pour leurs risques. Du 12 août au 29 octobre 2026, le personnel de METR a travaillé chez Anthropic sur une question simple aux enjeux énormes. L’IA accélère t elle maintenant le travail qui consiste à bâtir une meilleure IA, et si oui, de combien? Leur rapport, Independent Assessment of AI R&D Acceleration at Anthropic in October 2026, a été publié le 5 novembre.

Le contexte élargi

Commençons par le chiffre que METR peut montrer. Le groupe a suivi un score appelé AECI, pour Anthropic Epoch Capabilities Index. Un indice de ce genre rassemble de nombreux scores de tests en un seul nombre pour chaque modèle, afin qu’un lecteur voie une tendance sur des années de sorties au lieu de choisir un seul test qui arrange son propos.

Avant octobre 2025, cet indice montait d’environ 15 points par année. Après ce moment, il montait d’environ 29 points par année. METR place le changement à 1,9 fois l’ancien rythme, avec un intervalle de confiance de 95 pour cent allant de 1,5 à 2,8 fois. En mots simples, Anthropic a fait en une seule année environ deux années de ses anciens progrès sur les tests.

METR prend soin d’élargir ce portrait. Son jugement plus large est que les progrès vont à environ deux fois l’ancien rythme, et elle dit qu’elle ne serait pas surprise si le vrai chiffre se situait plus près de 1,3 fois ou de 3 fois. D’autres façons de traiter les mêmes données ont donné des résultats de 1,1 fois à 2,9 fois. Le chiffre central est une estimation aux bords flous, et METR le dit dans son propre texte.

Vient ensuite la cause. METR dit avoir confiance que le rythme plus rapide ne vient pas d’une croissance plus rapide de la puissance de calcul pour l’entraînement. Cette puissance est la force brute des machines utilisée pour entraîner un modèle. Si un laboratoire en achète simplement beaucoup plus, les scores peuvent monter sans aucun changement dans l’intelligence de la recherche elle même. METR a examiné cette voie et l’a écartée comme moteur du changement.

Il reste la boucle du titre. METR devine que la majorité de l’accélération actuelle, peut être environ 80 pour cent, vient du fait qu’Anthropic utilise l’IA pour aider à faire sa propre recherche. Ce jugement comporte ce que METR appelle une incertitude substantielle. Il repose sur des entrevues avec le personnel, sur des sondages, sur des données de code et d’expériences, et sur une preuve que le public ne peut pas voir parce qu’Anthropic l’a retirée.

Une ligne jaune avertissement en montée peinte sur un mur de béton brutaliste, qui devient nettement plus raide dans sa seconde moitié, regardée par la silhouette d’un chercheur seul

Contexte

L’amélioration récursive a un sens précis dans ce débat, et il aide de le garder étroit. La forme forte serait un système qui peut concevoir et bâtir son propre successeur sans aucun humain aux commandes. METR ne prétend pas que cela soit arrivé. Son rapport dit que la recherche chez Anthropic est accélérée surtout par une aide de l’IA, et non par un travail entièrement autonome, même si elle note certains signes que les contributions autonomes pourraient bientôt jouer un rôle plus grand.

Cet écart compte. Un chercheur qui écrit du code plus vite avec l’aide de l’IA n’est pas la même chose qu’un laboratoire qui tourne tout seul. METR fait valoir ce point avec ses propres données de sondage. Dans des sondages Slack chez Anthropic, le personnel a placé son gain de vitesse personnel grâce au meilleur modèle interne à environ 12 fois en octobre 2026. METR appelle ce chiffre une preuve très lâche, et elle avertit en langage clair qu’un gain de vitesse personnel n’égale pas une accélération à l’échelle du laboratoire. Une personne qui avance plus vite ne fait pas avancer chaque étape de l’entraînement, des tests et de la révision au même rythme.

L’histoire derrière le rapport compte aussi. Anthropic traite une recherche rapide menée par l’IA comme un signal de risque dans son propre cadre de sécurité, parce qu’un laboratoire qui s’améliore trop vite peut dépasser ses propres contrôles. Elle a invité METR à tester une affirmation de son rapport de risque d’août, qui soutenait que ses modèles n’avaient pas encore franchi une ligne où deux années de progrès arrivent en une seule. METR a passé onze semaines avec des scores de tests internes, des données d’entraînement et des entrevues avec le personnel, en travaillant sur des appareils d’Anthropic et sans recevoir de paiement. Un argument de sécurité lié, sous un angle très différent, traverse Lawsuit To Freeze AI Splits Safety Debate.

METR n’a aussi trouvé aucun goulot clair qui bloquerait d’autres progrès dans les douze prochains mois. Elle a vérifié les progrès algorithmiques, la puissance de calcul pour l’entraînement, la puissance de calcul pour les expériences et les données, et n’a trouvé de limite convaincante dans aucun de ces domaines. Elle ajoute, avec une franchise rare, que son avis sur les goulots a changé plusieurs fois pendant le travail, donc cette partie du rapport comporte une confiance faible.

Anthropic redacted a majority of the evidence we found most informative for these conclusions.
METR, Independent Assessment of AI R&D Acceleration at Anthropic, November 5, 2026

Perspectives différentes

Une lecture juste est celle de l’alarme, et il n’est pas difficile de voir pourquoi. Si un meilleur modèle accélère la recherche, et qu’une recherche plus rapide donne un meilleur modèle, le rythme peut se composer. Chaque tour de la boucle rend le tour suivant plus court. METR soulève elle même ce risque, en notant que l’absence de goulots clairs signifie que d’autres progrès pourraient mener à une accélération encore plus rapide dans l’année qui vient. Selon cette lecture, le rapport est une mesure précoce d’un processus dont le travail de sécurité avertit en théorie depuis des années.

Une deuxième lecture porte sur la mesure elle même. AECI suit des tâches aux contrôles clairs, où une bonne réponse peut être notée. Une grande part de la vraie recherche est plus désordonnée. Choisir le problème sur lequel travailler, repérer un résultat fautif ou juger un mode d’échec étrange ne se note pas aussi proprement. METR accepte que son indice puisse surestimer ou sous estimer ce qui compte, et que les gains sur les tests puissent refléter un laboratoire qui devient meilleur aux tests qu’il suit. Le chiffre de 1,9 décrit la croissance de cet indice. Il ne mesure pas directement la sagesse, le goût ou le jugement dans le laboratoire.

Une troisième lecture se concentre sur la confiance. Anthropic a décrit ses retraits comme visant à enlever du matériel privé qui pourrait accélérer des laboratoires rivaux. C’est une raison d’affaires cohérente, et METR la consigne sans la déclarer fausse. L’effet reste simple, quand même. Le rapport public demande aux lecteurs d’accepter une grande affirmation, au sujet d’un grand risque, sur la parole d’une petite équipe externe dont la meilleure preuve est restée privée. METR dit elle même que le rapport n’atteint pas une transparence sur la preuve, et que le public doit se fier à son jugement beaucoup plus que ce qui serait idéal. Les lecteurs qui doutent de l’affirmation et les lecteurs qui l’acceptent prennent tous, en un sens, une position sur la confiance plutôt que sur des données qu’ils peuvent vérifier.

Il y a aussi un point de vue plus discret, venu de l’intérieur du travail. Les estimations du personnel dans les entrevues se centraient autour d’un doublement, mais elles variaient beaucoup. Une partie du gain à la fin de 2025, dit METR, venait sans doute de causes qui n’avaient rien à voir avec l’IA. L’embauche, le travail sur les données et de simples corrections de vieux goulots peuvent tous courber une ligne de tendance pour un temps. Une tendance qui se courbe une fois pour des raisons mêlées peut se recourber dans l’autre sens. Rien dans le rapport ne prouve que le nouveau rythme tiendra, et encore moins qu’il continuera de monter.

Un rapport épais couvert de barres de caviardage noires sur un bureau en béton brutaliste, à côté d’une loupe et d’un dossier jaune avertissement

Pourquoi cela compte

Pour les gens hors de tout laboratoire, le premier effet est le calendrier. Les examens de sécurité, les lois et le débat public supposent tous un certain rythme de changement. Si le rythme dans un laboratoire de tête a doublé, les calendriers bâtis sur l’ancien rythme vieillissent vite. Un processus d’examen qui a pris un an à mettre en place peut maintenant couvrir deux générations de modèles au lieu d’une seule. Cela ne rend pas l’examen inutile. Cela fait de la vitesse elle même un fait de politique, et pas seulement un fait technique.

Le deuxième effet porte sur qui a le droit de savoir. Pendant des années, le débat sur l’amélioration récursive reposait sur des prévisions et des expériences de pensée, parce que personne hors d’un laboratoire ne pouvait voir le travail. Ce rapport change le décor sans régler le débat. Un groupe externe a maintenant vu les données internes et signalé un doublement. Pourtant, le même rapport montre la limite de cet accès. Voir n’est pas la même chose que montrer. Jusqu’à ce que les laboratoires partagent plus de la preuve de base, le débat public reposera sur le jugement d’une poignée de groupes à l’accès rare, et tous les autres argumenteront à partir de résumés.

Le troisième effet est concurrentiel. Si la recherche aidée par l’IA est maintenant une vraie source de vitesse, alors l’accès aux meilleurs modèles internes devient un avantage de recherche, et pas seulement un avantage de produit. Les laboratoires dotés de modèles forts peuvent les utiliser pour bâtir les suivants plus vite, tandis que les laboratoires sans eux prennent du retard à un rythme croissant. Anthropic a fait valoir ce point elle même, dans la raison donnée pour ses retraits. Partager exactement ce qui produit le gain, a t elle soutenu en effet, donnerait aux rivaux une carte. Cette logique est difficile à contester et difficile à aimer en même temps. Elle traite la méthode de l’accélération comme un secret commercial au moment même où l’accélération devient un sujet public.

Les lecteurs devraient aussi garder l’échelle en vue. Il s’agit d’un seul laboratoire, étudié pendant onze semaines, sur une seule classe de tâches. D’autres laboratoires peuvent avancer plus vite ou plus lentement, et METR n’offre aucun classement. Un doublement chez Anthropic est un signal sur le domaine, et non un recensement de celui ci. Le signal est assez fort pour être pris au sérieux et assez étroit pour être traité avec soin.

Réflexion finale

La partie la plus étrange de cette histoire est la forme de la preuve. Un rapport sur une machine qui aide à bâtir son successeur arrive avec la plus grande part de ses meilleures pages noircies, et les barres noires finissent par porter autant de sens que les chiffres.

C’est peut être le portrait honnête de la situation actuelle. Quelque chose dans au moins un grand laboratoire semble avancer à environ deux fois son ancien rythme, en grande partie parce que le produit s’est joint à l’équipe qui le fabrique. Personne à l’extérieur ne peut vérifier entièrement cette affirmation, et personne à l’intérieur ne semble entièrement sûr de la direction qu’elle prend. La boucle, si c’en est une, a commencé en silence, dans les révisions de code, les expériences et les exécutions de fin de soirée, plutôt que dans un seul moment dramatique. La question que le rapport laisse ouverte n’est pas de savoir si l’IA aide à bâtir l’IA. De toute évidence, elle le fait. La question est de savoir à quelle vitesse cette aide se compose, et si quelqu’un qui regarde de l’extérieur verra assez de preuve pour le savoir avant que la réponse devienne évidente.

Ce reportage s’appuie sur le rapport de METR Independent Assessment of AI R&D Acceleration at Anthropic in October 2026, publié le 5 novembre 2026, couvrant un travail du 12 août au 29 octobre 2026, vérifié le 16 novembre 2026.

Sources

■

FIN DE LA TRANSMISSION

Restez curieux. Remettez tout en question.

CONTINUEZ LA DESCENTE

PLUS DE DIRTY STATIC ↘