ANNEXE
La présente note a été remise aux rapporteurs par M. François Chollet, ingénieur et chercheur en intelligence artificielle, co-fondateur du laboratoire d'intelligence artificielle Ndea et de la Fondation ARC Prize, celui-ci ayant été invité à participer à l'audition publique, mais s'étant trouvé empêché.
NOTE D'ORIENTATION : L'ÉVOLUTION RÉCENTE DE L'IA ET L'AVENIR DE L'AUTOMATISATION DU TRAVAIL
Date : 30 mars 2026
L'année 2025 a marqué un tournant important dans le développement de l'intelligence artificielle. Cette note résume les avancées récentes, les limites persistantes et les implications stratégiques pour le marché de l'emploi.
La fin de l'ère de l'IA « encyclopédique »
Jusqu'à la fin de l'année 2024, les modèles de langage (LLM) fonctionnaient comme des bases de connaissances extrêmement savantes mais dépourvus d'intelligence fluide. Bien que capables de régurgiter d'immenses volumes de connaissances, ils échouaient systématiquement aux tests de d'intelligence ARC-AGI, qui mesurent la capacité à résoudre des problèmes inédits sans entraînement préalable.
Cela a complètement changé en 2025.
Les deux sauts qualitatifs de 2025 : raisonnement et autonomie agentique
Deux évolutions majeures ont bouleversé ce paradigme :
1. Le raisonnement au moment de l'inférence (Test-Time Compute)
Introduit d'abord par les architectures de type OpenAI o1/o3 puis adoptée par tous les modèles, cette méthode permet au modèle d'allouer du temps de calcul pour « penser » avant de répondre.
Ces systèmes font utilisation de « chaînes de pensée » (Chain of Thought) et de recherche au moment de l'inférence pour explorer plusieurs solutions et rejeter les impasses logiques. La correction d'erreurs devient interne. L'IA ne se contente plus de deviner le mot suivant, elle vérifie sa propre cohérence.
2. L'ingénierie agentique (Agentic Coding)
L'IA est passée de l'outil passif à l'agent actif et semi-autonome (Codex, Claude Code).
Un agent moderne peut décomposer un objectif complexe (« migrer cette base de données vers une nouvelle architecture »), planifier les étapes, écrire le code, tester l'exécution, lire les logs d'erreur et boucler jusqu'à la résolution.
Ces systèmes ne sont plus limités par la fenêtre de contexte textuelle ; ils peuvent interagir avec des environnements externes (IDE, terminaux, navigateurs).
Ces deux sauts technologiques ont été immédiatement observés par une progression fulgurante des scores sur les benchmarks ARC-AGI.
Scores sur ARC-AGI 1 & 2 au fil du temps ; notez les deux sauts de capacité
La « vérifiabilité » : le nouveau clivage de l'automatisation
Nous sommes désormais entrés dans un régime où l'automatisation totale est à portée de main pour tout domaine offrant des récompenses vérifiables (maths, code...). Le coût de l'automatisation chute de manière asymétrique selon la nature de la tâche.
Les domaines vérifiables, à « boucle fermée » (hautement automatisables)
Dans les domaines comme le code, les mathématiques ou la logistique, le succès est objectif et vérifiable automatiquement par machine. Puisque la machine peut vérifier si un code fonctionne ou si une équation est juste, elle peut s'entraîner seule en générant des millions de problèmes et en apprenant de ses propres erreurs. Dans ces domaines, la progression est rapide car elle ne dépend plus des données créées par les humains.
Les domaines subjectifs, à « boucle ouverte » (résistants)
Pour les tâches sans critère de réussite objectif (comme écrire un essai convaincant), le progrès reste limité par la nécessité de données annotées par des experts humains. Il y a nécessité d'un humain « dans la boucle » pour fournir les réponses sur lesquelles entraîner l'IA (RLHF3(*)). Le progrès y est linéaire, limité par la disponibilité des experts humains.
|
Caractéristique |
Domaines vérifiables |
Domaines subjectifs |
|
Source de progrès |
Données synthétiques & auto-correction |
Annotations humaines |
|
Vitesse d'évolution |
Exponentielle |
Linéaire |
|
Risque d'automatisation |
Total (exécution) |
Partiel (Assistance) |
Limitations : l'IA reste un exécuteur, pas un inventeur
L'IA de 2026 reste fondamentalement dépendante de ses données d'entraînement. Son intelligence fluide - bien qu'en progression - demeure relativement modeste.
Elle excelle à trouver la solution optimale à l'intérieur d'un cadre défini. Elle n'invente pas la physique quantique ; elle résout des équations quantiques. Elle reste dépendante des objectifs et des cadres de valeurs fixés par l'humanité.
Perspectives emploi : de l'exécutant à l'architecte
L'idée d'un chômage de masse immédiat est un contresens sur la nature du travail humain.
La quasi-totalité des métiers comportent une part importante de composants non vérifiables et ne peuvent donc pas être entièrement automatisés aujourd'hui.
La gestion des relations humaines, le choix d'objectif, la navigation dans l'ambiguïté sociale, la communication avec des clients, la compréhension des problèmes de fond, ne fournissent pas de « récompenses vérifiables » par algorithme.
Ceci s'applique même au métier des ingénieurs logiciels : l'écriture du code peut être automatisée, mais la compréhension du problème métier que le code résout ne peut pas l'être ; les ingénieurs logiciels ne vont donc pas être au chômage à cause de la programmation agentique. Ils utiliseront la programmation agentique et en seront plus productifs.
L'automatisation ne supprime pas le travail, elle en déplace le centre de gravité. Les organisations doivent cesser de former des « exécutants de tâches » pour former des « pilotes d'agents ».
* 3 Note de l'Office : Reinforcement Learning from Human Feedback, ou apprentissage par renforcement à partir de rétroaction humaine