OpenAI et Anthropic : productivité IA en hausse mais limitée

L'essor des outils d'IA dans les entreprises

Dès le début d'avril 2026, les entreprises d'intelligence artificielle telles qu'OpenAI et Anthropic ont commencé à intégrer massivement des outils d'IA dans leurs processus de travail. Cette intégration a conduit à des gains de productivité notables, bien que non excessifs. Au début de l'année 2026, l'accélération de la recherche et de l'ingénierie était d'environ 1,4 fois, mais elle a atteint environ 1,6 fois chez OpenAI et Anthropic grâce à des modèles plus performants, de meilleurs outils, une meilleure adaptation et une diffusion accrue.

L'utilisation de ces outils permet d'augmenter la productivité en ingénierie comme si les employés travaillaient 1,6 fois plus vite. Cela ne se limite pas au codage, mais inclut également d'autres activités telles que la détermination des fonctionnalités à implémenter et la coordination avec d'autres ingénieurs. De nombreuses tâches spécifiques d'ingénierie et de recherche peuvent désormais être réalisées avec beaucoup moins de temps humain, par exemple, trois à dix fois moins de temps, mais d'autres tâches voient des gains beaucoup plus modestes.

Les nouvelles dynamiques de travail

Les employés orientent leur travail vers deux types de tâches : celles de moindre valeur où les IA sont particulièrement utiles, et celles qu'ils n'auraient pas pu réaliser sans l'aide de l'IA en raison de compétences ou de connaissances insuffisantes. Lorsqu'on pense à l'impact de l'IA, on se demande souvent combien de temps il faudrait pour accomplir le travail sans IA. Cependant, cette question ne capture pas la réalité, car les flux de travail ont été adaptés. Une question plus pertinente serait : "Combien devrions-nous vous accélérer avant que vous ne soyez indifférent entre cette accélération et l'utilisation d'outils d'IA ?" La réponse à cette question est actuellement d'environ 1,6 fois.

L'accélération est également moins importante qu'il n'y paraît, car le code résultant est généralement moins soigné, moins fiable et moins bien compris que s'il avait été écrit uniquement par des ingénieurs humains. Il est courant que personne, y compris les IA elles-mêmes, ne comprenne parfaitement comment fonctionne un code ou comment il s'intègre dans un système plus large, ce qui rend certains problèmes plus fréquents.

Impact sur la recherche et le développement

Pour beaucoup de recherches et de développement en IA, une faible fiabilité et une mauvaise compréhension ne sont pas catastrophiques. De plus, les expérimentations se font généralement dans de petits projets relativement autonomes où les IA et les humains peuvent obtenir une compréhension décente de ce qui se passe. Cette accélération de l'ingénierie n'est pas répartie uniformément. Je m'attends à ce qu'Anthropic obtienne une plus grande accélération qu'OpenAI, qui à son tour obtient une accélération substantiellement plus importante que GDM.

Bien que l'accélération de l'ingénierie soit de 1,6 fois, l'accélération globale des progrès de l'IA est beaucoup plus faible, autour de 1,15 fois ou 1,2 fois, car l'ingénierie n'est qu'un sous-ensemble du travail pertinent.

Capacités et limitations des IA actuelles

Les IA sont capables d'automatiser des tâches de plus en plus grandes et complexes. Le benchmark historique METR a principalement saturé en ce qui concerne la mesure de la fiabilité à 50 %, mais à 80 %, les meilleurs modèles déployés publiquement atteignent un peu plus d'une heure, tandis que les meilleurs modèles internes atteignent un peu moins de deux heures.

Sur des tâches faciles et peu coûteuses à vérifier, les IA peuvent souvent accomplir des tâches difficiles qui prendraient aux meilleurs experts humains plusieurs mois, voire des années. Cela nécessite une certaine structure personnalisée et de grandes quantités de calcul d'inférence, mais reste moins coûteux que le travail humain pour la même tâche. Cependant, les IA échouent souvent à terminer des tâches parce que celles-ci nécessitent de l'idéation ou des méthodes très complexes qui sont difficiles à construire de manière incrémentale et désordonnée. Plus la tâche est un projet d'ingénierie relativement simple mais extrêmement vaste, mieux les IA s'en sortent.

Souvent, elles échouent simplement parce qu'elles ne s'investissent pas suffisamment ou abandonnent trop tôt. L'ajout d'un humain, même avec un contexte minimal, peut aider considérablement en remarquant et en corrigeant certains de ces problèmes.

En ce qui concerne les benchmarks et les tâches faciles à vérifier, les IA obtiennent de moins bons résultats sur des tâches d'ingénierie échantillonnées au hasard au sein des entreprises d'IA. Si nous échantillonnons aléatoirement des tâches internes d'ingénierie pondérées par la valeur, la durée des tâches où les IA égalent un ingénieur d'une entreprise d'IA est d'environ cinq heures.

Les IA n'ont pas fait beaucoup de progrès sur des tâches très difficiles à vérifier ou conceptuellement délicates et tendent à être désordonnées dans leur raisonnement et leurs résultats. Une nouvelle génération d'IA beaucoup plus performantes est en cours de développement, comme Mythos chez Anthropic et Spud chez OpenAI. Je m'attends à ce que cela soit largement motivé par l'augmentation et/ou l'amélioration du pré-entraînement.