{"id":2110,"date":"2025-10-17T12:00:00","date_gmt":"2025-10-17T10:00:00","guid":{"rendered":"https:\/\/pletzenauer.com\/?p=2110"},"modified":"2026-08-05T17:22:40","modified_gmt":"2026-08-05T15:22:40","slug":"karpathy-agents-ia-une-decennie","status":"publish","type":"post","link":"https:\/\/pletzenauer.com\/fr\/2025\/10\/17\/karpathy-agents-ia-une-decennie\/","title":{"rendered":"Karpathy sur les agents IA : pourquoi cela prendra une d\u00e9cennie, pas un an"},"content":{"rendered":"

Deux r\u00e9cits tr\u00e8s diff\u00e9rents circulent actuellement dans le secteur de l’IA. L’un promet que des agents IA autonomes remplaceront des m\u00e9tiers entiers d\u00e8s cette ann\u00e9e. L’autre vient de l’un des praticiens les plus exp\u00e9riment\u00e9s 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’ann\u00e9e des agents, mais la d\u00e9cennie des agents<\/strong>.<\/p>\n

Pour les d\u00e9cideurs de PME, cette perspective a de la valeur parce qu’elle ne minimise ni n’exag\u00e8re. Karpathy utilise quotidiennement des outils comme Claude et Codex et les trouve impressionnants – tout en nommant pr\u00e9cis\u00e9ment pourquoi ils ne suffisent souvent pas aujourd’hui pour un travail s\u00e9rieux. Nous r\u00e9sumons les points centraux et situons ce qu’ils signifient pour les d\u00e9cisions d’entreprise.<\/p>\n

\nL’essentiel en bref<\/strong><\/p>\n
    \n
  • Karpathy s’attend \u00e0 ce que des agents IA performants mettent environ une d\u00e9cennie \u00e0 m\u00fbrir – pas un an.<\/li>\n
  • Il manque aux mod\u00e8les actuels l’apprentissage continu, une multimodalit\u00e9 fiable et l’usage de l’ordinateur ; ils sont « cognitivement lacunaires ».<\/li>\n
  • En programmation, les outils d’IA fonctionnent d\u00e9j\u00e0 bien – mais gu\u00e8re sur du code r\u00e9ellement in\u00e9dit. Son sweet spot reste l’autocompl\u00e9tion, pas le « vibe coding ».<\/li>\n
  • Le mod\u00e8le d’usage r\u00e9aliste est un « curseur d’autonomie » : l’IA prend en charge une part croissante, les humains supervisent et fournissent le reste, d\u00e9cisif.<\/li>\n
  • Karpathy voit l’IA comme la continuation de l’automatisation – avec une diffusion graduelle, pas une rupture soudaine.<\/li>\n<\/ul>\n<\/div>\n
    \"Comparaison
    Karpathy distingue clairement les forces actuelles de l’IA des capacit\u00e9s qui demanderont encore des ann\u00e9es.<\/figcaption><\/figure>\n

    Pourquoi une d\u00e9cennie et non un an ?<\/h2>\n

    La th\u00e8se de Karpathy est une r\u00e9action d\u00e9lib\u00e9r\u00e9e \u00e0 l’affirmation r\u00e9pandue selon laquelle ce serait « l’ann\u00e9e des agents ». Il y voit une nette surestimation. Son crit\u00e8re : quand emploierait-on un agent IA comme un collaborateur ou une stagiaire ? Pas aujourd’hui – parce que les syst\u00e8mes ne travaillent tout simplement pas de fa\u00e7on assez fiable.<\/p>\n

    Sa justification s’appuie sur environ 15 ans d’exp\u00e9rience dans le domaine. Les probl\u00e8mes seraient solubles, mais coriaces. Concr\u00e8tement, il manque plusieurs choses aux mod\u00e8les :<\/p>\n

      \n
    • Apprentissage continu :<\/strong> on peut dire quelque chose \u00e0 un mod\u00e8le, et il ne le retient pas durablement.<\/li>\n
    • Multimodalit\u00e9 :<\/strong> diff\u00e9rents types d’entr\u00e9es ne sont pas encore trait\u00e9s partout avec aisance.<\/li>\n
    • Usage de l’ordinateur :<\/strong> le pilotage autonome d’interfaces et d’outils n’est pas m\u00fbr.<\/li>\n<\/ul>\n

      Karpathy renvoie \u00e0 l’histoire du domaine : \u00e0 plusieurs reprises, on a tent\u00e9 de construire « le tout » trop t\u00f4t – par exemple avec l’apprentissage par renforcement sur des jeux Atari, ou avec la tentative pr\u00e9coce de faire piloter des sites web \u00e0 des agents via souris et clavier. Ce sont les grands mod\u00e8les de langage (LLM) qui ont enfin apport\u00e9 la puissance de repr\u00e9sentation n\u00e9cessaire. Mais aujourd’hui encore, des parties de la pile manquent.<\/p>\n

      Des fant\u00f4mes plut\u00f4t que des animaux : une image pour la nature de l’IA actuelle<\/h2>\n

      Une m\u00e9taphore centrale de Karpathy : nous ne construisons pas des animaux, mais des fant\u00f4mes<\/strong>. Les animaux naissent de l’\u00e9volution et apportent beaucoup de « mat\u00e9riel int\u00e9gr\u00e9 » – un poulain de z\u00e8bre marche quelques minutes apr\u00e8s sa naissance. Les mod\u00e8les d’IA, eux, naissent de l’imitation de donn\u00e9es humaines issues d’Internet. Ce sont des imitations num\u00e9riques, proches de l’humain – un autre type d’intelligence.<\/p>\n

      Il en d\u00e9coule un constat pratique : le pr\u00e9-entra\u00eenement (« pre-training ») produit deux choses \u00e0 la fois – du savoir et de l’intelligence. Ce savoir appris par c\u0153ur en grande quantit\u00e9, Karpathy le voit en partie comme un fardeau. Les mod\u00e8les s’y appuieraient trop et auraient du mal \u00e0 travailler au-del\u00e0 du connu. Son objectif est un « noyau cognitif » : de l’intelligence et des strat\u00e9gies de r\u00e9solution de probl\u00e8mes, d\u00e9barrass\u00e9es du savoir factuel superflu, que l’on consulte au besoin.<\/p>\n

      Ce qui se trouve dans les poids du mod\u00e8le est un souvenir vague des donn\u00e9es d’entra\u00eenement. Ce qui se trouve dans la fen\u00eatre de contexte est une m\u00e9moire de travail directe.<\/p><\/blockquote>\n

      Cons\u00e9quence pratique pour les utilisateurs : qui donne au mod\u00e8le le document pertinent directement dans le contexte obtient de nettement meilleurs r\u00e9sultats qu’avec une question pos\u00e9e \u00e0 la seule « m\u00e9moire ».<\/p>\n

      Programmer : l\u00e0 o\u00f9 l’IA aide – et l\u00e0 o\u00f9 elle n’aide pas<\/h2>\n

      Le r\u00e9cit honn\u00eate que fait Karpathy de son usage de l’IA en programmation est particuli\u00e8rement instructif. Lors de la construction de son d\u00e9p\u00f4t p\u00e9dagogique nanochat<\/em>, les mod\u00e8les de codage l’ont peu aid\u00e9. Il distingue trois fa\u00e7ons de travailler :<\/p>\n\n\n\n\n\n\n\n
      Fa\u00e7on de travailler<\/th>\nDescription<\/th>\nAppr\u00e9ciation de Karpathy<\/th>\n<\/tr>\n<\/thead>\n
      Tout \u00e9crire soi-m\u00eame<\/td>\nRefuser compl\u00e8tement l’IA<\/td>\nN’a plus de sens aujourd’hui<\/td>\n<\/tr>\n
      Autocompl\u00e9tion<\/td>\nL’humain reste architecte, le mod\u00e8le compl\u00e8te<\/td>\nSon « sweet spot » pr\u00e9f\u00e9r\u00e9<\/td>\n<\/tr>\n
      « Vibe coding » \/ agents<\/td>\nFormuler une consigne, le mod\u00e8le construit en autonomie<\/td>\nAdapt\u00e9 seulement dans certains cas<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

      Selon Karpathy, les agents brillent sur le code standard et boilerplate<\/strong>, celui que l’on rencontre souvent sur le web. En revanche, sur son code inhabituellement structur\u00e9 et « intellectuellement dense », ils ont \u00e9chou\u00e9 : ils ne comprenaient pas ses \u00e9carts d\u00e9lib\u00e9r\u00e9s aux conventions, ajoutaient des s\u00e9curit\u00e9s superflues, alourdissaient le code et utilisaient parfois des interfaces obsol\u00e8tes. Sa conclusion : les mod\u00e8les seraient mauvais sur du code « qui n’a encore jamais \u00e9t\u00e9 \u00e9crit ».<\/p>\n

      C’est pr\u00e9cis\u00e9ment ce qui compte dans le d\u00e9bat sur le hype. L’id\u00e9e populaire d’une rapide « explosion d’intelligence » repose souvent sur l’hypoth\u00e8se que l’IA pourrait automatiser elle-m\u00eame la recherche en IA. Or c’est justement sur le r\u00e9ellement in\u00e9dit que les mod\u00e8les sont les plus faibles – une raison importante des horizons temporels plus longs de Karpathy.<\/p>\n

      Apprentissage par renforcement : « aspirer la supervision \u00e0 travers une paille »<\/h2>\n

      Karpathy critique nettement l’apprentissage par renforcement usuel. Sur un exercice de math\u00e9matiques, le syst\u00e8me essaie des centaines de chemins de r\u00e9solution ; \u00e0 la fin, seul le r\u00e9sultat final est v\u00e9rifi\u00e9. Chaque token d’un chemin r\u00e9ussi est surpond\u00e9r\u00e9 – y compris les fausses pistes qui ont men\u00e9 par hasard \u00e0 la bonne solution.<\/p>\n

      On aspire la supervision \u00e0 travers une paille : un unique signal de succ\u00e8s est r\u00e9parti sur toute la trace. Un humain ne proc\u00e9derait jamais ainsi.<\/p><\/blockquote>\n

      Des alternatives comme l’\u00e9valuation bas\u00e9e sur le processus \u00e9chouent jusqu’ici sur un probl\u00e8me subtil : si l’on emploie un second mod\u00e8le comme « juge », le mod\u00e8le entra\u00een\u00e9 trouve \u00e0 coup s\u00fbr des failles<\/strong>. Karpathy d\u00e9crit un cas o\u00f9 un mod\u00e8le a soudain obtenu les meilleures notes – alors que ses r\u00e9ponses viraient \u00e0 un charabia insens\u00e9 que le juge classait \u00e0 tort comme parfait. De tels « exemples adverses » existeraient en nombre infini.<\/p>\n

      Les donn\u00e9es synth\u00e9tiques ne r\u00e8glent pas non plus cela sans autre forme de proc\u00e8s : les sorties de mod\u00e8les « s’effondrent » discr\u00e8tement sur une bande \u00e9troite – si l’on demande dix fois une blague \u00e0 ChatGPT, ce sont pratiquement les m\u00eames qui arrivent. \u00c0 trop s’entra\u00eener sur ses propres sorties, le mod\u00e8le se d\u00e9grade.<\/p>\n

      Ce que cela signifie pour l’\u00e9conomie et les PME<\/h2>\n

      Karpathy ne s’attend pas \u00e0 un remplacement brutal des emplois, mais \u00e0 un curseur d’autonomie<\/strong> : l’IA prend d’abord en charge environ 80 pour cent d’un volume de t\u00e2ches et d\u00e9l\u00e8gue le reste \u00e0 des humains qui supervisent des \u00e9quipes de syst\u00e8mes d’IA. Les premiers candidats sont des activit\u00e9s aux caract\u00e9ristiques claires :<\/p>\n