Et si l’IA se mettait à faire des petits ?

Quinze petits boîtiers TV posés en réseau. Dessus, un modèle d’IA de 26 milliards de paramètres qui fonctionne, lentement, sans carte graphique de datacenter. La démonstration d’Anthropic a quelque chose d’assez savoureux : on discute de centrales électriques et de puces hors de prix, pendant que le laboratoire fait travailler des appareils à environ 55 dollars pièce.

Votre téléviseur ne prépare pas pour autant une fugue numérique. Dans l’étude publiée le 12 octobre 2026, les chercheurs examinent les capacités nécessaires pour qu’un agent déploie des copies sur d’autres machines. Ils ne présentent pas une petite IA échappée du laboratoire qui se reproduirait déjà toute seule sur Internet.

Cette lecture m’a rappelé une discussion avec Sylvain Deauré, de 1492.vision. Il évoquait des mini-modèles qui se généreraient d’eux-mêmes en fonction des besoins : très spécialisés, mais très efficaces dans leur domaine. L’idée est passionnante. Elle demande aussi qu’on sépare soigneusement ce que l’on imagine de ce qui vient d’être démontré.

William Zhou et Daniel Freeman décrivent plusieurs expériences distinctes. Dans la démonstration matérielle, Gemma4-26B-A4B est réparti sur quinze boîtiers Android TV. Chaque appareil porte une partie du modèle ; ils travaillent ensemble pour produire une réponse. Le débit annoncé est de 0,39 token par seconde. Un token est un morceau de texte, pas nécessairement un mot. Nous sommes loin du confort d’un assistant conversationnel.

Dans une autre évaluation, les agents doivent installer et faire fonctionner Llama3.1-8B sur des environnements matériels variés. Qwen3.5-9B réussit au moins une installation sur huit des neuf types testés. Cela ne signifie ni qu’il réussit à chaque tentative, ni qu’il se copie lui-même sur chacun de ces appareils. Le tableau d’Anthropic mesure bien l’installation d’un modèle cible.

Le résultat intéressant est cette capacité à se débrouiller face à un environnement technique : choisir les composants logiciels compatibles, chercher pourquoi une installation échoue, reprendre autrement. Une compétence utile pour administrer des machines peut aussi servir un déploiement non autorisé. Les puces citées dans l’étude ne sont pas, en elles-mêmes, des failles de sécurité.

Pour tester l’enchaînement complet, Anthropic utilise un réseau isolé de huit machines avec un accès volontairement facilité. GLM-5.2 met le modèle cible en service sur les huit machines dans quatre essais sur cinq, puis sur sept machines dans le dernier. Les petits modèles Qwen3.5-9B et Gemma4-26B-A4B n’y arrivent pas dans les essais rapportés.

La nuance est essentielle : le modèle qui pilote l’opération fonctionne sur un serveur d’inférence séparé. L’expérience teste sa capacité à organiser le déploiement de Llama3.1-8B ; elle ne démontre pas que GLM-5.2 s’installe avec tous ses propres paramètres sur de minuscules boîtiers. Et l’accès simplifié aux machines rend le scénario plus favorable qu’une attaque contre des systèmes correctement protégés. Les auteurs le précisent dans la section B.

Leur hypothèse est qu’un petit modèle pourrait bientôt atteindre le niveau de compétence nécessaire pour boucler cette chaîne. Ils évoquent la fin de 2026 à partir de la progression historique d’un indice général de capacités. C’est une estimation, fondée sur un indicateur indirect, pas une date de livraison ni la preuve d’un événement inévitable.

Pour prolonger cette idée, imaginons une entreprise qui reçoit toujours la même famille de documents. Un système repère la tâche récurrente, prépare un petit modèle pour la traiter, le teste sur des exemples représentatifs, puis propose son utilisation. Un autre besoin apparaît : un autre spécialiste est préparé. Ce scénario est une projection, pas un résultat de l’étude d’Anthropic.

L’intérêt serait d’éviter de mobiliser un généraliste très puissant pour chaque opération répétitive. Un spécialiste pourrait être plus rapide, fonctionner localement ou demander moins de ressources à l’usage. Mais il faudrait compter le coût de sa préparation, des données et de ses évaluations. Un outil qui ne sert qu’une fois peut coûter plus cher à fabriquer qu’à remplacer par une simple requête.

Illustration conceptuelle : des spécialistes préparés pour une tâche, puis déployés dans un cadre autorisé. Ce dessin ne représente pas une expérience menée par Anthropic.

L’expression « l’IA fait des petits » mélange facilement plusieurs choses. Copier un modèle existant et son logiciel de pilotage crée une nouvelle instance. Lui transmettre des notes ou modifier ses consignes peut adapter son comportement sans entraîner de nouveaux paramètres. Préparer un modèle spécialisé, par exemple à partir d’un modèle existant, demande encore un autre travail, avec des données, une méthode d’apprentissage et des tests.

L’étude fournit justement un exemple de transmission de notes entre agents. Les instances suivantes récupèrent les stratégies essayées et les erreurs rencontrées. Leur taux de réussite progresse dans plusieurs générations, sans hausse régulière à chaque étape. Cette mémoire de travail héritée n’est pas la preuve que les modèles réécrivent leurs propres paramètres ou inventent spontanément de nouvelles architectures.

La discussion avec Sylvain porte donc plus loin que la réplication étudiée ici. « Se générer d’eux-mêmes » supposerait une chaîne automatisée capable de choisir ce qu’il faut préparer, puis de vérifier que le spécialiste est bon pour la tâche prévue. Le modèle ne surgirait pas du néant : il lui faudrait des ressources, des données autorisées et une infrastructure de contrôle.

Un mini-modèle peut être excellent sur les documents qui ressemblent à ses exemples et se tromper dès que leur forme change. Il peut aussi donner une réponse nette à une question qu’il ne sait pas traiter. La spécialisation réduit le travail attendu ; elle ne supprime pas le besoin de vérifier.

Avant d’en faire un collègue numérique, je voudrais donc voir ses résultats face à une méthode simple, ses erreurs sur des cas inhabituels et sa capacité à passer la main. Le bon résultat pourrait être un petit modèle, un programme classique ou le maintien d’une validation humaine. On ne gagne rien à remplacer un grand discours commercial par un petit modèle commercial.

Anthropic s’intéresse surtout au versant inquiétant : une IA qui se propage sur du matériel compromis. Une entreprise qui déploie des spécialistes sur ses propres machines poursuit un autre objectif. Le consentement des propriétaires, les droits d’accès et la possibilité de retirer les déploiements changent entièrement la situation.

Le risque décrit ne demande d’ailleurs pas une IA consciente ni animée d’un désir de survie. Un objectif de propagation, des outils et des accès suffisants peuvent déjà poser un problème. La lenteur ne serait pas une garantie : un système distribué qui travaille pendant des jours peut être difficile à éradiquer s’il n’existe pas de point central à couper.

Pour un usage autorisé, je poserais des règles assez terre à terre : savoir quelles instances existent, sur quelles machines elles fonctionnent, ce qu’elles peuvent lire et combien de ressources elles consomment. Toute nouvelle copie devrait rester dans ce périmètre. Il faudrait aussi pouvoir révoquer les accès et vérifier l’arrêt réel, plutôt que se contenter d’un joli bouton rouge dans une interface.

Ce qui me passionne dans cette perspective, c’est la possibilité d’adapter l’outil au besoin avec beaucoup plus de finesse. Des spécialistes préparés à la demande, évalués pour une tâche précise et retirés lorsqu’ils n’ont plus d’utilité : il y a matière à imaginer autre chose qu’un assistant géant sollicité pour tout.

L’étude d’Anthropic ne valide pas à elle seule cette vision. Elle montre que des capacités nécessaires à la réplication se rapprochent, tout en documentant les échecs qui restent. Notre discussion avec Sylvain ouvre une piste utile ; la recherche rappelle pourquoi l’autorisation et le contrôle doivent être prévus dès le départ.

Et vous, accepteriez-vous qu’un assistant prépare lui-même un petit modèle pour une tâche que vous lui confiez ? Jusqu’où lui laisseriez-vous la main : proposer le spécialiste, le tester, le déployer, en créer d’autres ? Pour ma part, je veux bien voir l’IA faire des petits. Je veux aussi savoir où ils vont travailler.

Gardez-vous bien.

William Zhou et Daniel Freeman, Anthropic, Frontier Red Team : « AI models may be capable of self-replicating without access to a datacenter », 12 octobre 2026. Introduction et section A : démonstration sur quinze boîtiers et installation de l’inférence. Section B : protocole simplifié sur huit machines et résultats. Section D : transmission de notes entre instances. Sections F et G : défenses et limites des conclusions. Publication consultée le 13 octobre 2026.

La discussion avec Sylvain Deauré est rapportée par Johan et reformulée sans citation littérale. Sa page d’auteur sur 1492.vision confirme son rôle de cofondateur et fournit le lien LinkedIn utilisé dans cet article. Les exemples de spécialistes créés à la demande sont des hypothèses éditoriales, pas des résultats expérimentaux ni des promesses attribuées à Sylvain.

Les illustrations générées par IA sont des métaphores, pas des photographies du dispositif d’Anthropic. Article préparé avec l’assistance de Hermes.