Anthropic aurait presque doublé son rythme d’amélioration alors que Dario Amodei veut ralentir

Le paradoxe est difficile à ignorer : Dario Amodei, le patron d’Anthropic, appelle à ralentir la course à l’IA, tandis que son entreprise pourrait utiliser l’IA pour accélérer la conception de ses propres modèles. Une évaluation de l’organisation indépendante METR estime que le rythme d’amélioration des capacités d’Anthropic aurait presque doublé.

Une accélération mesurée sur des tâches bien définies

Dans une évaluation publiée le 5 novembre 2026, METR estime qu’Anthropic améliore les capacités de ses modèles à accomplir des tâches précisément définies environ deux fois plus vite qu’au cours de la période allant de mars 2024 à octobre 2025.

L’organisation ne prétend pas mesurer une progression générale de l’intelligence des modèles, ni affirmer qu’Anthropic produit deux fois plus rapidement des systèmes deux fois plus performants. Le résultat porte sur la vitesse à laquelle les modèles deviennent capables de réussir certains travaux évaluables : tâches de programmation, d’analyse ou d’expérimentation dont le résultat peut être vérifié de manière relativement objective.

Cette nuance est essentielle. Le constat de METR concerne le rythme de progression des capacités, pas une multiplication mécanique de la puissance des modèles. Une accélération de 2× signifie que le temps nécessaire pour atteindre un niveau donné pourrait être réduit, mais elle ne permet pas, à elle seule, de prévoir la date de lancement d’un prochain modèle ou son niveau exact.

Pour parvenir à cette estimation, METR indique avoir analysé des données internes et interrogé des employés d’Anthropic. L’organisation a également eu accès à des éléments non publics. Ce niveau d’accès donne davantage de profondeur à l’évaluation que l’analyse de simples annonces commerciales, mais il ne transforme pas pour autant le résultat en mesure parfaitement établie.

Une conclusion assortie de réserves

METR insiste sur les incertitudes de son analyse. Des désaccords subsistent même au sein de son équipe, notamment sur l’interprétation des données et sur l’ampleur exacte de l’accélération observée.

Cette prudence tient à la difficulté de mesurer la recherche en IA. Les progrès ne suivent pas toujours une trajectoire régulière. Une nouvelle méthode d’entraînement, un jeu de données mieux adapté ou une amélioration de l’infrastructure peuvent produire un saut ponctuel, sans que ce gain se prolonge sur plusieurs générations de modèles.

Les critères d’évaluation posent également problème. Une tâche bien définie est plus facile à comparer dans le temps qu’une activité de recherche complète, qui combine formulation d’hypothèses, choix des expériences, interprétation des résultats et arbitrages humains. La capacité à écrire du code plus efficacement ne signifie donc pas automatiquement que l’ensemble du travail de recherche est automatisé.

Quand les modèles participent à leur propre développement

L’intérêt du rapport tient au mécanisme qu’il met en lumière : les modèles d’Anthropic pourraient contribuer à accélérer les travaux nécessaires à la conception de leurs successeurs.

Dans un laboratoire de pointe, une partie importante du temps est consacrée à des tâches répétitives ou semi-structurées : génération et correction de code, création de tests, analyse de résultats, documentation d’expériences, préparation de jeux de données ou comparaison de variantes d’architecture. Des modèles plus compétents peuvent intervenir sur ces étapes et permettre aux chercheurs de multiplier les essais.

Le gain ne vient pas uniquement d’une automatisation complète. Un système qui produit une première version de code, repère une anomalie ou résume plusieurs expériences peut déjà réduire le temps passé sur chaque cycle. Si les chercheurs utilisent ensuite ces mêmes modèles pour concevoir de meilleurs outils internes, un mécanisme cumulatif peut apparaître : des modèles plus performants accélèrent la recherche, qui produit à son tour des modèles plus performants.

C’est cette possibilité qui alimente le débat sur l’accélération de la recherche en IA. Elle rapproche le développement des modèles d’une logique de boucle de rétroaction, sans démontrer pour autant une autonomie complète. Les décisions stratégiques, la validation des résultats et le contrôle des risques restent des points de passage déterminants.

Un paradoxe stratégique pour Anthropic

Le cas d’Anthropic est particulièrement scruté en raison du discours public de Dario Amodei. Le dirigeant a appelé à ralentir le développement et le déploiement de systèmes avancés, en mettant en avant les risques liés à des modèles dont les capacités progressent rapidement.

Une entreprise peut toutefois défendre davantage de prudence sur les usages et les garde-fous tout en cherchant à accélérer sa propre recherche. Ces deux orientations ne sont pas nécessairement incompatibles du point de vue d’un laboratoire : progresser plus vite en interne peut servir à mieux comprendre les risques, à développer des évaluations plus solides et à conserver une avance technologique.

Le paradoxe devient plus aigu si l’accélération de la recherche réduit le délai entre deux générations de modèles. Les appels à la prudence reposent souvent sur l’idée que la société doit disposer de temps pour évaluer les conséquences d’un système avant le suivant. Si les cycles de développement se raccourcissent, cette fenêtre de préparation se rétrécit elle aussi.

Pour Anthropic, le sujet est également compétitif. Les laboratoires qui parviennent à utiliser efficacement leurs propres modèles pour la programmation, l’évaluation et l’expérimentation peuvent réduire leurs coûts et augmenter le nombre de pistes explorées. L’écart ne dépendrait alors plus seulement de la taille des infrastructures ou du volume de données, mais de la capacité à organiser une recherche partiellement assistée par IA.

Ce que le rapport ne permet pas encore de conclure

L’évaluation de METR ne prouve pas que les modèles conçoivent seuls leurs successeurs. Elle ne montre pas non plus qu’une accélération de 2× se maintiendra indéfiniment.

Trois vérifications seront particulièrement importantes. La première consistera à reproduire la tendance sur une période plus longue et avec plusieurs familles de tâches. La deuxième devra déterminer si les gains concernent seulement des activités périphériques ou s’ils touchent les étapes centrales de la recherche. La troisième devra mesurer les coûts : supervision humaine, erreurs introduites, temps nécessaire à la vérification et ressources informatiques supplémentaires.

Le prochain jalon crédible sera donc moins une annonce de modèle qu’une démonstration indépendante d’un gain durable sur des tâches de recherche de bout en bout. Si Anthropic ou d’autres laboratoires montrent que l’IA réduit de façon mesurable le temps nécessaire pour concevoir, tester et valider une nouvelle génération de modèles, l’hypothèse d’une accélération auto-entretenue gagnera en consistance.

À court terme, l’estimation de METR invite surtout à surveiller un indicateur précis : non pas seulement les performances affichées par les modèles, mais le nombre de semaines ou de mois nécessaires pour franchir chaque nouveau palier. C’est cette cadence, plus que les scores isolés, qui déterminera la portée réelle du paradoxe Anthropic.