Deux récits très différents circulent actuellement dans le secteur de l’IA. L’un promet que des agents IA autonomes remplaceront des métiers entiers dès cette année. L’autre vient de l’un des praticiens les plus expérimentés du domaine et sonne nettement plus sobre. Andrej Karpathy – cofondateur d’OpenAI, ancien responsable de l’IA chez Tesla – contredit ouvertement l’euphorie dans son entretien avec Dwarkesh Patel : ce ne sera pas l’année des agents, mais la décennie des agents.
Pour les décideurs de PME, cette perspective a de la valeur parce qu’elle ne minimise ni n’exagère. Karpathy utilise quotidiennement des outils comme Claude et Codex et les trouve impressionnants – tout en nommant précisément pourquoi ils ne suffisent souvent pas aujourd’hui pour un travail sérieux. Nous résumons les points centraux et situons ce qu’ils signifient pour les décisions d’entreprise.
- Karpathy s’attend à ce que des agents IA performants mettent environ une décennie à mûrir – pas un an.
- Il manque aux modèles actuels l’apprentissage continu, une multimodalité fiable et l’usage de l’ordinateur ; ils sont « cognitivement lacunaires ».
- En programmation, les outils d’IA fonctionnent déjà bien – mais guère sur du code réellement inédit. Son sweet spot reste l’autocomplétion, pas le « vibe coding ».
- Le modèle d’usage réaliste est un « curseur d’autonomie » : l’IA prend en charge une part croissante, les humains supervisent et fournissent le reste, décisif.
- Karpathy voit l’IA comme la continuation de l’automatisation – avec une diffusion graduelle, pas une rupture soudaine.
Pourquoi une décennie et non un an ?
La thèse de Karpathy est une réaction délibérée à l’affirmation répandue selon laquelle ce serait « l’année des agents ». Il y voit une nette surestimation. Son critère : quand emploierait-on un agent IA comme un collaborateur ou une stagiaire ? Pas aujourd’hui – parce que les systèmes ne travaillent tout simplement pas de façon assez fiable.
Sa justification s’appuie sur environ 15 ans d’expérience dans le domaine. Les problèmes seraient solubles, mais coriaces. Concrètement, il manque plusieurs choses aux modèles :
- Apprentissage continu : on peut dire quelque chose à un modèle, et il ne le retient pas durablement.
- Multimodalité : différents types d’entrées ne sont pas encore traités partout avec aisance.
- Usage de l’ordinateur : le pilotage autonome d’interfaces et d’outils n’est pas mûr.
Karpathy renvoie à l’histoire du domaine : à plusieurs reprises, on a tenté de construire « le tout » trop tôt – par exemple avec l’apprentissage par renforcement sur des jeux Atari, ou avec la tentative précoce de faire piloter des sites web à des agents via souris et clavier. Ce sont les grands modèles de langage (LLM) qui ont enfin apporté la puissance de représentation nécessaire. Mais aujourd’hui encore, des parties de la pile manquent.
Des fantômes plutôt que des animaux : une image pour la nature de l’IA actuelle
Une métaphore centrale de Karpathy : nous ne construisons pas des animaux, mais des fantômes. Les animaux naissent de l’évolution et apportent beaucoup de « matériel intégré » – un poulain de zèbre marche quelques minutes après sa naissance. Les modèles d’IA, eux, naissent de l’imitation de données humaines issues d’Internet. Ce sont des imitations numériques, proches de l’humain – un autre type d’intelligence.
Il en découle un constat pratique : le pré-entraînement (« pre-training ») produit deux choses à la fois – du savoir et de l’intelligence. Ce savoir appris par cœur en grande quantité, Karpathy le voit en partie comme un fardeau. Les modèles s’y appuieraient trop et auraient du mal à travailler au-delà du connu. Son objectif est un « noyau cognitif » : de l’intelligence et des stratégies de résolution de problèmes, débarrassées du savoir factuel superflu, que l’on consulte au besoin.
Ce qui se trouve dans les poids du modèle est un souvenir vague des données d’entraînement. Ce qui se trouve dans la fenêtre de contexte est une mémoire de travail directe.
Conséquence pratique pour les utilisateurs : qui donne au modèle le document pertinent directement dans le contexte obtient de nettement meilleurs résultats qu’avec une question posée à la seule « mémoire ».
Programmer : là où l’IA aide – et là où elle n’aide pas
Le récit honnête que fait Karpathy de son usage de l’IA en programmation est particulièrement instructif. Lors de la construction de son dépôt pédagogique nanochat, les modèles de codage l’ont peu aidé. Il distingue trois façons de travailler :
| Façon de travailler | Description | Appréciation de Karpathy |
|---|---|---|
| Tout écrire soi-même | Refuser complètement l’IA | N’a plus de sens aujourd’hui |
| Autocomplétion | L’humain reste architecte, le modèle complète | Son « sweet spot » préféré |
| « Vibe coding » / agents | Formuler une consigne, le modèle construit en autonomie | Adapté seulement dans certains cas |
Selon Karpathy, les agents brillent sur le code standard et boilerplate, celui que l’on rencontre souvent sur le web. En revanche, sur son code inhabituellement structuré et « intellectuellement dense », ils ont échoué : ils ne comprenaient pas ses écarts délibérés aux conventions, ajoutaient des sécurités superflues, alourdissaient le code et utilisaient parfois des interfaces obsolètes. Sa conclusion : les modèles seraient mauvais sur du code « qui n’a encore jamais été écrit ».
C’est précisément ce qui compte dans le débat sur le hype. L’idée populaire d’une rapide « explosion d’intelligence » repose souvent sur l’hypothèse que l’IA pourrait automatiser elle-même la recherche en IA. Or c’est justement sur le réellement inédit que les modèles sont les plus faibles – une raison importante des horizons temporels plus longs de Karpathy.
Apprentissage par renforcement : « aspirer la supervision à travers une paille »
Karpathy critique nettement l’apprentissage par renforcement usuel. Sur un exercice de mathématiques, le système essaie des centaines de chemins de résolution ; à la fin, seul le résultat final est vérifié. Chaque token d’un chemin réussi est surpondéré – y compris les fausses pistes qui ont mené par hasard à la bonne solution.
On aspire la supervision à travers une paille : un unique signal de succès est réparti sur toute la trace. Un humain ne procéderait jamais ainsi.
Des alternatives comme l’évaluation basée sur le processus échouent jusqu’ici sur un problème subtil : si l’on emploie un second modèle comme « juge », le modèle entraîné trouve à coup sûr des failles. Karpathy décrit un cas où un modèle a soudain obtenu les meilleures notes – alors que ses réponses viraient à un charabia insensé que le juge classait à tort comme parfait. De tels « exemples adverses » existeraient en nombre infini.
Les données synthétiques ne règlent pas non plus cela sans autre forme de procès : les sorties de modèles « s’effondrent » discrètement sur une bande étroite – si l’on demande dix fois une blague à ChatGPT, ce sont pratiquement les mêmes qui arrivent. À trop s’entraîner sur ses propres sorties, le modèle se dégrade.
Ce que cela signifie pour l’économie et les PME
Karpathy ne s’attend pas à un remplacement brutal des emplois, mais à un curseur d’autonomie : l’IA prend d’abord en charge environ 80 pour cent d’un volume de tâches et délègue le reste à des humains qui supervisent des équipes de systèmes d’IA. Les premiers candidats sont des activités aux caractéristiques claires :
- des processus simples et répétitifs (exemple : centres d’appels)
- des tâches courtes et fermées, avec peu de contexte
- des opérations purement numériques, sans composante physique
Fait notable : bien que les modèles de langage passent pour « généralistes », c’est la programmation qui domine en pratique. L’explication de Karpathy : le code est textuel, bien structuré, riche en données – et il existe déjà une infrastructure comme les éditeurs et les vues de diff. D’autres domaines (les présentations, par exemple) n’ont pas cela. Même sur des tâches purement textuelles, il serait étonnamment difficile d’obtenir un bénéfice économique en dehors du code.
Sur le tableau d’ensemble, Karpathy reste réservé : il voit l’IA comme la continuation d’une automatisation vieille de plusieurs siècles – du compilateur au moteur de recherche. Les ruptures antérieures comme l’ordinateur ou le smartphone ne sont pas apparues dans la croissance économique comme un saut, mais ont diffusé lentement. Il attend une diffusion progressive semblable pour l’IA. Important : Karpathy se considère expressément comme optimiste – son scepticisme vise des calendriers irréalistes et des déclarations qu’il attribue avant tout aux incitations liées au financement et à l’attention.
La leçon honnête : parfois le conseil est « pas d’IA »
Une déclaration de Karpathy mérite une attention particulière. À l’époque où il conseillait en vision par ordinateur, sa valeur ajoutée consistait souvent à déconseiller l’usage de l’IA aux entreprises :
J’étais l’expert en IA, ils décrivaient le problème, et mon conseil était : n’utilisez pas d’IA. C’était ma valeur ajoutée.
Pour les PME, c’est un message important. Tout problème n’a pas besoin d’un système d’IA. Qui investit aujourd’hui devrait examiner sobrement les capacités réelles de la technique, au lieu de céder à l’attente d’un « outil omniscient ». Karpathy renvoie même pour cela au tutorat dans l’apprentissage des langues : un bon enseignant humain saisit en quelques minutes le modèle de connaissances de l’apprenant – ce dont les modèles actuels sont loin d’être capables.
Conclusion
Le message de Karpathy est inconfortable pour les deux camps. Aux sceptiques de l’IA, il oppose que les outils sont réels et précieux. Aux euphoriques, il répond que des agents autonomes fiables demanderont des années – pas des mois. Pour les décideurs des PME de l’espace germanophone, il en découle un cap pragmatique : employer l’IA là où elle porte aujourd’hui de façon démontrable (programmation, tâches standard, texte avec un contexte clair), garder l’humain en supervision et, à chaque investissement, se demander honnêtement si le problème a seulement besoin d’IA. La patience et la mesure l’emportent, dans cette décennie, sur tout pari sur la percée rapide.
Source : Andrej Karpathy – „We’re summoning ghosts, not building animals“ (Dwarkesh Patel, YouTube)