Accélération de l’IA : ce que révèle le rapport METR

Ce que le rapport METR mesure vraiment

Tout commence avec un seuil défini par Anthropic dans sa politique de mise à l'échelle responsable, la Responsible Scaling Policy. L'entreprise dit qu'il y a accélération notable quand deux conditions se rencontrent : le progrès global en capacités atteint environ deux fois le rythme de référence, et on peut raisonnablement attribuer cette hausse à l'automatisation de la recherche ou de l'ingénierie par l'IA.

Autrement dit, ce n'est pas seulement « ça va plus vite ». L'objectif est de montrer que la progression dépasse à la fois ce qu'on aurait attendu sans rôle majeur de l'IA, et ce que le rythme antérieur laissait voir avant que les systèmes participent fortement à leur propre développement. La deuxième condition vise aussi à éviter de confondre accélération avec simple maintien d'un rythme historique.

D'après le commentaire public, les capacités d'Anthropic auraient progressé environ deux fois plus vite entre octobre 2025 et octobre 2026 que durant les douze mois précédents. La mesure principale s'appuie sur une version interne de l'Epoch Capabilities Index, appelée AECI. L'auteur précise que les éléments de justification sont largement caviardés, et que les informations retirées représentent la majorité de celles jugées les plus utiles.

Reste aussi la question de l'attribution. Le commentaire décrit une accélération initiale liée à plusieurs facteurs, mais il estime désormais que l'IA explique l'essentiel de la progression plus rapide. Au moment de l'évaluation, la contribution attribuée à l'IA serait d'environ 80 %. En appliquant cette part à la hausse observée, l'estimation centrale du gain par rapport à un scénario sans IA tournerait autour de 1,8 fois, pas exactement deux.

Enfin, l'auteur estime plausible que le seuil soit dépassé. Il avance notamment que la contribution de l'IA augmente dans le temps et que la définition du seuil intègre des attentes raisonnables. Mais on ne peut pas vérifier ce jugement à partir des données complètes : une grande partie reste non publique. Donc, lisez « le seuil est probablement franchi » comme l'interprétation d'un commentateur qui a vu le rapport, pas comme un résultat facilement reproductible par des tiers.

Pourquoi une hausse du rythme implique un effet plus fort sur les chercheurs

Un rythme global multiplié par deux ne veut pas dire que chaque chercheur travaillerait deux fois plus vite. Le raisonnement proposé est plutôt indirect : l'IA peut aider à identifier des améliorations logicielles ou architecturales qui rendent l'entraînement des modèles plus efficace. On parle parfois de « multiplicateurs de calcul » : à budget matériel constant, ces améliorations permettent d'obtenir plus de capacités.

Mais ces multiplicateurs ne sont pas le seul ingrédient. Il faut aussi du calcul pour tester les idées, et du travail humain pour imaginer les changements, les mettre en œuvre et interpréter les résultats. Si l'essentiel de l'accélération vient surtout d'améliorations logicielles, alors la vitesse de découverte de ces améliorations devrait augmenter encore davantage que le progrès global agrégé.

Pour donner un ordre de grandeur, le commentaire retient une accélération de deux à trois fois dans la découverte des multiplicateurs de calcul. Il combine ensuite, dans un modèle simplifié, un travail de recherche et du calcul expérimental qui contribueraient de façon comparable. Avec cette hypothèse, obtenir deux à trois fois plus de progrès logiciel demanderait environ quatre à neuf fois plus de travail de recherche « effectif ».

Ce calcul n'est pas une mesure directe de la productivité chez Anthropic. Il repose sur des hypothèses sur la part relative du travail humain et du calcul expérimental, et il simplifie la diversité des tâches. Certaines activités se prêtent mieux à l'automatisation que d'autres : une tâche de programmation assez claire peut être fortement accélérée, tandis qu'une décision de recherche incertaine ou une expérience coûteuse ne se laissera pas forcément « multiplier » de la même façon.

Il faut aussi compter avec des rendements décroissants. On explore d'abord les pistes les plus faciles ; les gains suivants demandent plus d'efforts. Si l'équipe humaine conserve un taux de croissance habituel, alors pour que l'accélération reste durable, l'IA doit compenser de plus en plus cette difficulté. Le commentateur avance ainsi qu'un gain de l'ordre de dix fois sur le travail effectif pourrait être nécessaire au moment de l'écriture. Il le présente comme très incertain, tout en notant que des déclarations informelles de salariés évoqueraient un gain proche de douze fois avec les modèles internes.

Enfin, ces « multiples » ne doivent pas faire croire que chaque chercheur serait devenu l'équivalent de dix personnes. Ajouter des collaborateurs ne multiplie pas automatiquement la production : il y a la coordination, la répartition des tâches et la rareté des profils. L'image la plus fidèle serait plutôt celle d'un chercheur capable de lire, coder, explorer et traiter davantage de travail dans le même temps calendaire. Mais même cette image reste imparfaite : le gain dépend des tâches, des modèles et des exigences de vérification.

Comment une accélération pourrait se renforcer

Le point le plus important n'est pas seulement que l'IA aide aujourd'hui la recherche. C'est que des systèmes plus performants rendent la recherche suivante plus rapide, et que cette recherche alimente à son tour des systèmes plus capables. Cette boucle de rétroaction est souvent appelée « accélération récursive ».

Une façon simple de la visualiser consiste à imaginer un rythme de progrès qui double à intervalles de plus en plus courts. Si l'IA permet déjà de presque doubler le rythme, et si sa contribution continue de monter régulièrement, un nouveau doublement pourrait théoriquement arriver en six mois, puis en trois mois, puis en six semaines. À ce stade, les chiffres donnent l'impression que des progrès très importants pourraient se concentrer sur une période courte.

Sauf que c'est une extrapolation, pas une prévision solide. Elle suppose que la boucle ne sera pas freinée, que l'IA saura continuer à améliorer les leviers de recherche les plus importants, et que ces améliorations se traduiront vite en capacités utiles. Elle n'intègre pas non plus toutes les contraintes matérielles, organisationnelles et scientifiques. Une accélération du rythme ne signifie pas que toutes les capacités doublent en même temps, ni que les systèmes deviennent capables, seuls, de mener une recherche complète.

Dans le commentaire, les auteurs disent ne pas avoir identifié de goulot d'étranglement évident, ni de rendements décroissants assez abrupts pour empêcher une accélération cumulative au cours de l'année suivante. Ils reconnaissent toutefois l'incertitude de leur lecture : leur interprétation aurait bougé au fil de l'enquête. Et des éléments partiellement occultés laissent même entendre que l'accélération pourrait déjà être au-dessus de deux fois, avec une hausse qui continue - sans que les lecteurs puissent en examiner le détail.

C'est dans ce contexte que l'auteur évoque une arrivée possible de systèmes très puissants en moins d'un an. Mais il ne faut pas transformer cette hypothèse en date annoncée : elle dépend d'une extrapolation optimiste d'une boucle qui pourrait être stoppée par des limites logicielles, des contraintes de calcul, une complexité croissante des problèmes, ou tout simplement par des choix humains de ralentissement. L'idée utile n'est donc pas « la superintelligence arrive dans un an ». C'est plutôt : si l'accélération se poursuit et se renforce, les prévisions basées sur un rythme stable deviennent vite trompeuses.

Pour les entreprises, la nuance compte. Il serait dangereux de planifier en se basant sur une date précise. Mais il serait tout aussi risqué de considérer que l'amélioration des outils n'est qu'une simple hausse de productivité, sans effet sur le marché. Des cycles de développement plus courts changent la fréquence de lancement, le coût d'expérimentation et la valeur des compétences. La bonne approche consiste à suivre des indicateurs mesurables, limiter les dépendances irréversibles, et réévaluer régulièrement les hypothèses de sécurité et de capacité.

Quels risques et quelles limites faut-il garder en tête

Une accélération rapide n'est pas, en soi, la preuve que des systèmes sont dangereux ou mal alignés. Ce que l'auteur redoute, c'est surtout la combinaison de capacités qui montent, d'une recherche qui s'accélère, et de mécanismes de contrôle qui pourraient ne pas suivre le même rythme. Si des systèmes devenaient capables de développer rapidement des outils ou des stratégies difficiles à contenir, les conséquences d'une défaillance d'alignement seraient plus lourdes qu'un simple défaut de produit.

Le commentaire envisage que des systèmes très avancés, s'ils étaient gravement désalignés, pourraient chercher à prendre le contrôle ou à affaiblir les institutions humaines. C'est un scénario de risque, pas un constat sur le comportement actuel des modèles. Et la distance entre une productivité accrue pour les chercheurs et une capacité à menacer la société reste immense : elle dépend de nombreuses étapes techniques, économiques et politiques.

La sécurité opérationnelle compte, mais ne suffit pas. L'auteur estime notamment nécessaires une protection robuste des poids des modèles et des secrets algorithmiques, une journalisation et une surveillance couvrant les usages pertinents, des mesures fiables de la capacité des systèmes à être surveillés, et des moyens pour détecter des cas où plusieurs modèles pourraient se coordonner afin de contourner les contrôles. Il mentionne aussi l'entraînement à l'alignement, l'interprétabilité et des mécanismes de gouvernance permettant de ralentir le développement si les contrôles deviennent insuffisants.

La comparaison avec les engagements antérieurs d'Anthropic fait aussi ressortir un décalage possible. Une version précédente de sa politique associait un seuil plus faible d'automatisation de la recherche à des exigences de sécurité fortes, notamment une protection contre le vol des poids par des acteurs étatiques. L'auteur affirme que l'industrie n'est pas encore proche d'atteindre le niveau qu'il juge nécessaire pour traverser sans risques majeurs une accélération extrême. Il évoque également des incidents récents de sécurité, mais les détails de l'évaluation complète ne sont pas disponibles dans le compte rendu public.

Pour un lecteur extérieur, la limite principale reste donc l'opacité des preuves. Le raisonnement peut être rigoureux et néanmoins invérifiable de façon indépendante si les éléments essentiels restent confidentiels. Cette faiblesse devient particulièrement importante quand une conclusion pourrait changer la manière dont chercheurs, entreprises et décideurs évaluent les délais. La confiance dans les auteurs ne remplace pas la possibilité d'examiner les méthodes, de tester d'autres modèles et de discuter les hypothèses.

À retenir :

• Le rapport suggère une accélération notable de la recherche chez Anthropic, mais une grande partie des éléments probants n'est pas publique.
• Une progression globale deux fois plus rapide peut nécessiter un gain bien supérieur sur certaines tâches ; le modèle utilisé reste simplifié.
• Une boucle de rétroaction est plausible, mais l'hypothèse d'une superintelligence dans un an relève d'une extrapolation conditionnelle, pas d'une prévision établie.
• Pour les entreprises et les régulateurs européens, l'enjeu pratique est d'améliorer la mesure, la sécurité et la capacité à réviser les décisions à mesure que les preuves évoluent.