Chez DeepMind, l’automatisation progresse dans les workflows, mais l’équipe ne constate pas d’accélération auto-entretenue de la recherche. Les indicateurs internes montrent une évolution régulière, loin d’une « explosion » évoquée par certains chercheurs. Les tâches complexes et la validation restent sous contrôle humain.
Progression régulière mesurée, risque jugé faible par l’équipe
Pour suivre les progrès de ses modèles, l’équipe de DeepMind a conçu un General Capability Index qui couvre 123 modèles et 92 benchmarks. Les résultats montrent que les capacités de Gemini augmentent d’environ 0,1 point GCI par mois, sans accélération notable. La légère avance de Gemini 4 Argon sur la tendance est attribuée à un investissement accru en calcul et en organisation, et non à une accélération due à l’IA elle-même. L’indice GCI v1 indique une croissance régulière, sans accélération statistiquement significative. DeepMind considère actuellement le risque lié à l’automatisation de la recherche alimentée par l’IA comme faible, tout en développant une infrastructure pour détecter d’éventuels signes d’accélération à l’avenir. Cette position contraste avec celle de plus de vingt chercheurs en IA, dont Geoffrey Hinton, Yoshua Bengio et Jakub Pachocki d’OpenAI, qui mettent en garde contre une possible « explosion d’intelligence » et estiment que des systèmes d’IA pourraient automatiser toute la recherche et le développement en IA dans les prochaines années, accélérant ainsi fortement le rythme des avancées.
Tu suis la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Automatisation du code en hausse mais sous contrôle humain
Chez DeepMind, plus de 75 % du code de production est désormais généré par l’IA. Bien que ce processus soit automatisé, près de 88 % des modifications apportées au code requièrent toujours une validation ou une relecture par une personne, et chaque modification est soumise à une vérification humaine avant d’être validée. La part des modifications de code réalisées intégralement par l’IA est passée de 7,5 % à 11,9 %.
Capacités des agents : efficaces sur tâches cadrées, limitées sur l’idéation
Les agents d’IA développés par DeepMind voient leurs performances diminuer à mesure que les tâches deviennent plus complexes. Pour 1 389 exécutions internes de l’agent Argon, la proportion de succès sans aide humaine chute nettement sur les tâches difficiles. Haydn Belfield indique que la présence humaine reste essentielle pour la recherche créative, l’élaboration d’expériences inédites, l’identification de subtiles instabilités d’entraînement ainsi que pour la planification à long terme. Selon douze chercheurs seniors de DeepMind, l’automatisation fonctionne au mieux pour des tâches précises et vérifiables, mais se montre moins performante pour l’idéation scientifique ouverte. Sur le benchmark interne RE-Bench, qui comporte 74 tâches réalistes d’ingénierie du machine learning, l’agent Argon parvient à en résoudre environ la moitié, alors que Gemini 3.7 Flash n’en réussissait que 27 %. Ces niveaux de performance restent en deçà de l’exigence quasi parfaite nécessaire à une automatisation totale. D’après Belfield, l’IA capable de s’améliorer seule n’est pas encore d’actualité, même si les progrès de l’automatisation sont notables.
