Les outils de codage basés sur l’IA évoluent rapidement. Pour ceux qui ne travaillent pas dans le codage, il peut être difficile de saisir à quel point les choses changent, mais avec des avancées telles que GPT-5 et Gemini 2.5, une toute nouvelle gamme de techniques pour les développeurs est désormais automatisable. La sortie récente de Sonnet 4.5 a également contribué à cette dynamique. Cependant, dans d’autres domaines, le progrès semble stagner, notamment en ce qui concerne l’utilisation de l’IA pour la rédaction d’emails, où la valeur obtenue semble équivalente à celle d’il y a un an.
Il est important de noter que même si les modèles d’IA s’améliorent, tous les produits n’en bénéficient pas nécessairement. Cela est particulièrement vrai pour les chatbots qui assument une multitude de rôles en même temps. L’IA continue de progresser, mais ce progrès n’est pas aussi réparti qu’auparavant, créant ainsi un véritable fossé. Ce fossé entre les compétences qui peuvent être évaluées de manière systématique et celles qui ne le peuvent pas devient de plus en plus déterminant pour les capacités des systèmes d’IA.
« Si un processus se retrouve du bon côté du fossé de renforcement, les startups réussiront probablement à l’automatiser. »
L’apprentissage par renforcement (RL) est indéniablement le moteur principal des avancées en matière d’IA au cours des six derniers mois. Les applications de codage profitent de centaines de milliards de tests facilement mesurables, permettant de former ces outils à produire du code fonctionnel. L’industrie s’appuie de plus en plus sur le RL pour améliorer ses produits, il devient donc évident que les compétences accessibles à une évaluation automatique, telles que la correction de bugs et les mathématiques compétitives, se développent plus rapidement que celles qui exigent une évaluation subjective, comme l’écriture.
Dans le domaine du développement logiciel, le RL s’avère être un sujet idéal, car des sous-disciplines entières sont consacrées à évaluer la robustesse des logiciels. Les tests d’unité, d’intégration et de sécurité sont des outils déjà bien établis, non seulement pour valider le code humain, mais aussi pour le code généré par l’IA. Cette structure de tests est cruciale pour le RL, permettant de mettre en valeur des réussites qui pourraient être plus délicates dans des domaines où l’évaluation est plus subjective, comme la rédaction d’emails ou les réponses de chatbots.
Si certaines techniques, comme la génération de vidéos alimentée par l’IA, semblent difficilement testables, des progrès récents, tels que le modèle Sora 2 d’OpenAI, montrent que ce n’est peut-être pas le cas. Sora 2 démontre une capacité à respecter les lois de la physique et à produire des visages cohérents, signe d’un système efficace de RL derrière ces avancées. Cela soulève un point essentiel : tant que le RL demeure l’outil principal pour commercialiser les produits d’IA, le fossé de renforcement ne fera que se creuser, avec de profondes conséquences pour l’avenir du marché et les modèles économiques.
En conclusion, les implications de ce fossé sur l’économie sont d’une importance cruciale. Alors que certaines compétences sont expulsées vers l’avant grâce à l’apprentissage par renforcement, il sera intéressant de voir quelles nouvelles applications émergeront et comment elles redéfiniront les carrières existantes, notamment dans le secteur de la santé. Le développement des modèles d’IA continuera à façonner notre avenir, et des surprises comme Sora 2 pourraient être le signe d’une évolution imminente que nous ne devrions pas manquer.
