L’amélioration récursive autonome (RSA) est un processus hypothétique dans lequel un système d’intelligence artificielle générale (IAG) réécrit son propre code afin d’accroître sa capacité intellectuelle [1]. En théorie, cela crée un cycle cumulatif où chaque amélioration augmente la capacité du système à réaliser d’autres améliorations, pouvant conduire à une « explosion d’intelligence » et à une superintelligence [S1, S7].
Bien que le concept apparaisse souvent dans le marketing ou comme avertissement réglementaire, l’RSA actuelle existe sur un spectre [4]. À une extrémité se trouvent des systèmes limités qui optimisent des outils ou des invites spécifiques ; à l’autre, une boucle entièrement autonome où un système modifie ses propres méthodes sans aucune direction humaine [S4, S6].
L’essor de l’ingénierie autonome
Les systèmes d’IA ont déjà commencé à boucler la boucle du côté ingénierie du développement. Les grands modèles de langage (LLM) sont de plus en plus utilisés pour écrire le code qui produit les futures versions d’eux‑mêmes [4]. Par exemple, OpenAI a rapporté que GPT-5.3-Codex a aidé à déboguer l’entraînement, à gérer le déploiement et à analyser les résultats d’évaluation pendant sa propre création [4].
Ce changement est visible dans les données internes de l’industrie. Anthropic indique qu’en mai 2026, Claude a rédigé plus de 80 % du code intégré dans la base de code de l’entreprise [S5, S6]. Cela a considérablement augmenté la productivité, les ingénieurs livrant huit fois plus de code par trimestre comparé à la période 2021‑2025 [5].
Au‑delà du simple codage, des systèmes comme AlphaEvolve de Google DeepMind agissent comme agents de codage pour la découverte algorithmique, optimisant les architectures de réseaux neuronaux et la conception de puces [4]. Cependant, il ne s’agit pas de boucles entièrement récursives car les humains définissent encore les problèmes à résoudre et évaluent les performances [4].
La barrière de la recherche ouverte
Malgré les gains en ingénierie, un fossé important subsiste dans la capacité du système à mener des recherches originales. L’ingénierie consiste à résoudre des problèmes bien définis avec des réponses vérifiables, alors que la vraie recherche en IA requiert une « pensée ouverte » [2]. Cela inclut le choix d’hypothèses, la décision sur les preuves qui tranchent une question, et la capacité à abandonner une approche qui échoue [2].
Pour tester cela, les chercheurs ont utilisé l’« évaluation fantôme », demandant à un agent IA de répondre à des questions de recherche issues d’articles non publiés [2]. Bien que les agents puissent gérer l’ingénierie — passer en revue la littérature et exécuter des centaines d’expériences — ils ont échoué sur la recherche elle‑même [2]. Les agents ont produit des articles rejetés par des scientifiques humains pour manque de nouveauté et de créativité [2].
Concrètement, les agents ont eu du mal à revenir en arrière sur des approches qui échouaient et n’ont pas pu repenser fondamentalement leur méthodologie [2]. Au lieu d’ajuster leur approche en fonction des retours, ils se sont simplement contentés de restreindre leurs affirmations et d’ajouter des réserves [2]. Cela suggère que, bien que l’IA puisse exécuter une expérience bien définie, elle ne peut pas encore exercer le jugement nécessaire pour concevoir son propre successeur [5].
Cadres théoriques et risques de sécurité
Pour atteindre une vraie RSA, les chercheurs proposent une feuille de route passant de l’autonomie d’exécution d’améliorations à l’amélioration méta‑récursive [3]. Un cadre fondamental pour cela est le « seed improver », une base de code initiale qui donne à une IAG la capacité de planifier, écrire, compiler, tester et exécuter du code arbitraire [1].
Un tel système utiliserait une boucle d’auto‑prompting récursif pour atteindre des objectifs à long terme et mettrait en place des protocoles de validation afin de garantir que ses capacités ne se dégradent pas au fil des itérations [1]. Cela permettrait à l’agent d’effectuer une forme d’évolution auto‑dirigée, modifiant à la fois son logiciel et son matériel [1].
Cependant, cette capacité introduit de graves problèmes de sécurité [1]. Si un système peut construire entièrement ses propres successeurs, les humains risquent de perdre la capacité de sécuriser, surveiller ou façonner son comportement [5]. Les risques incluent l’émergence d’objectifs instrumentaux imprévisibles, un désalignement avec les valeurs humaines et la possibilité que le système dépasse le contrôle humain [1].
Repères actuels et échéanciers
Les capacités s’étendent rapidement, bien que le calendrier pour une autonomie complète reste débattu [S2, S5]. Certains repères montrent une saturation rapide ; par exemple, les systèmes d’IA sont passés de la reproduction de résultats de recherche à 20 % du temps en 2024 à la saturation du benchmark CORE‑Bench quinze mois plus tard [5].
De même, la durée des tâches que l’IA peut accomplir de façon fiable a doublé approximativement tous les quatre mois [5]. En mars 2024, Claude Opus 3 gérait des tâches de quatre minutes ; en 2026, Claude Opus 4.6 gérait des tâches de 12 heures [5]. Si cette tendance se poursuit, des tâches s’étalant sur plusieurs semaines pourraient être à portée de main d’ici 2027 [5].
Malgré ces métriques, le manque de créativité et de jugement dans la recherche ouverte suggère que l’amélioration totalement autonome pourrait prendre plus de temps que ne le laissent entendre certaines chronologies surévaluées [2].
Sources
- Recursive self-improvement - Wikipedia
- Recursive self-improvement - AI Wiki
- Recursive Self-Improvement Edges Closer In AI Labs - IEEE Spectrum
- When AI builds itself \ Anthropic
- Recursive self-improvement in agentic AI (2026 guide)
- AI’s recursive self-improvement might not come so quickly after all
- The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement
