Falaises, pipettes et manipulation : l'IA en trois actes

Les IA ont un point de rupture brutal, pas une dégradation progressive

Vous croyez que l'IA se dégrade doucement quand la tâche devient trop complexe — comme nous quand on est fatigués. Ce n'est pas ce que les données montrent.

Une équipe a construit un environnement de test appelé StatefulPuzzle — une sorte de jeu de logique où l'on peut mesurer précisément, à chaque étape, si un agent IA comprend encore l'état du monde qui l'entoure. Ce qu'ils ont découvert est contre-intuitif. En augmentant progressivement la complexité — plus d'objets à suivre, plus de dépendances entre eux — l'IA ne se dégrade pas gentiment, comme une voiture qui ralentit quand la pente monte. Elle tient, elle tient, puis elle s'effondre. D'un coup. Comme de l'eau qui gèle : à 1°C ça coule, à -1°C c'est solide. Le point critique se situe autour de 13 à 14 objets à suivre simultanément dans leurs expériences principales. Ce qui est encore plus frappant : la représentation interne — ce que l'IA « croit » sur le monde — se casse *avant* que ses actions deviennent mauvaises. Elle agit avec confiance alors que son modèle du monde est déjà faux. Pensez à un serveur qui prend les commandes avec assurance alors qu'il a oublié la moitié de la table depuis trois minutes. Pourquoi ça compte ? Parce que ça change la façon dont on doit tester ces systèmes. Si la dégradation est une transition de phase et non un glissement progressif, les tests qui mesurent des performances moyennes passent complètement à côté du vrai problème. Le hic : les expériences utilisent un environnement synthétique et déterministe. On ne sait pas encore si cette « falaise » se reproduit de la même façon dans des tâches réelles, plus désordonnées. Les modèles plus puissants décalent le point critique — ils ne l'éliminent pas.

Un agent IA rédige des protocoles de labo et les exécute sur un vrai robot

Un robot qui pipette du liquide dans un vrai labo de biologie, guidé par une IA qui a écrit le protocole elle-même — et le séquençage ADN confirme que ça a marché.

Une équipe a créé ProtoPilot, un système multi-agents capable de transformer une description en langage naturel d'une expérience biologique en un protocole exécutable, puis de piloter un robot de laboratoire (un Opentrons) pour le réaliser physiquement. Imagez une recette de cuisine. Habituellement, un chercheur lit une procédure publiée dans un article, la retranscrit manuellement pour son robot, corrige les erreurs de syntaxe, teste, recommence. ProtoPilot tente d'automatiser toute cette chaîne — de la description à la pipette. Les résultats sont solides. Neuf experts ont préféré les protocoles générés par ProtoPilot dans 90,2 % des cas face aux alternatives. Le taux de réussite sur le robot Opentrons atteint 88,24 %, contre 32,35 % pour le système de base du fabricant. Et surtout — le détail qui change tout — les résultats ont été confirmés par séquençage Sanger, la méthode de vérification de référence en biologie moléculaire. Sur 8 constructions génétiques testées, 7 à 8 étaient correctement assemblées. Pourquoi ça compte ? Le goulot d'étranglement en biologie expérimentale n'est plus souvent la collecte de données, c'est l'exécution. Un outil qui transforme une intention en expérience vérifiée pourrait changer le rythme de la recherche de façon très concrète. Le hic : le benchmark a été construit par l'équipe elle-même. Les 294 tâches de BioLab Bench ne sont pas encore une référence indépendante validée par la communauté. Et les expériences complexes ont parfois nécessité plusieurs cycles d'échec et correction — ce qui reste coûteux en temps.

GPT-5 surpasse les humains pour glisser une fausse croyance dans l'esprit de quelqu'un

GPT-5 est meilleur que vous pour mettre une idée fausse dans la tête de quelqu'un — sans lui parler directement.

Il y a une capacité cognitive que les psychologues appellent la « théorie de l'esprit » — modéliser ce qu'une autre personne croit, sait, ou pense. Jusqu'ici, on testait si les IA pouvaient *détecter* les croyances d'autrui. Une équipe vient d'aller plus loin : peut-on les *induire* délibérément ? Le protocole est ingénieux. Les agents — humains ou IA — doivent déplacer des objets dans des pièces pour que des personnages se retrouvent à croire quelque chose de précis : une vraie croyance (ils voient ce qui est réel) ou une fausse croyance (ils croient quelque chose d'inexact). Pas de conversation. Pas de persuasion verbale. Juste des actions dans un environnement, comme déplacer les meubles d'un appartement pour que votre voisin tire la mauvaise conclusion en entrant. GPT-5 a réussi environ 80 % des tâches agentic, dépassant les participants humains. C'est le seul modèle parmi les six évalués à y parvenir. Tous les modèles testés — humains inclus — ont mieux réussi à induire de vraies croyances que de fausses. Ce qui est en soi révélateur : fabriquer une illusion délibérée est plus difficile, même pour une IA. Pourquoi ça compte ? Ce n'est pas de la science-fiction. Ce type de capacité est précisément ce qu'un agent autonome utiliserait pour orienter une situation sans que personne ne réalise qu'il est en train de le faire. Le hic : l'environnement reste très simplifié — des pièces abstraites, des objets, des personnages. Et GPT-5 est moins robuste que les humains face aux changements de contexte, même s'il est plus performant en moyenne. Franchement, la question de ce que ça signifie dans des contextes réels reste entière.

Ces trois histoires forment un tableau cohérent, et un peu vertigineux. Nous apprenons aujourd'hui qu'il existe des falaises cachées dans les performances des agents IA — des seuils précis au-delà desquels ils s'effondrent, pas des pentes douces. En même temps, ces mêmes systèmes exécutent déjà de vraies expériences biologiques et surpassent les humains pour modéliser et induire des croyances chez d'autres agents. Ce que ça nous dit collectivement : nous ne sommes pas dans un régime stable. Les capacités émergent et les limites se précisent en parallèle, pas séquentiellement. On déploie avant de comprendre les falaises. Ce n'est pas une raison de paniquer — c'est une raison de tester différemment, et de poser des questions de sécurité qui ne ressemblent pas à celles d'hier.

Sur ProtoPilot, il faudra surveiller si BioLab Bench est adopté comme benchmark indépendant par d'autres équipes — c'est le vrai test de maturité. Sur la théorie de l'esprit, la question ouverte que j'aimerais voir adressée : est-ce que ces capacités tiennent dans des environnements moins abstraits, plus bruités ? Et sur les transitions de phase, NeurIPS 2026 sera probablement le premier grand rendez-vous pour voir si d'autres équipes reproduisent ces résultats sur des tâches réelles.

• Wikipedia FR — Théorie de l'esprit
• Wikipedia FR — Séquençage de Sanger
• Wikipedia FR — Transition de phase