Aujourd’hui, les outils de codage basés sur l’intelligence artificielle progressent à un rythme accéléré. Pour ceux qui ne travaillent pas dans le domaine du code, il peut être difficile de constater à quel point les choses changent. Des modèles comme GPT-5 et Gemini 2.5 ont ouvert la voie à un nouvel ensemble de techniques pour les développeurs, permettant une automatisation accrue. La semaine dernière, Sonnet 2.4 a également apporté des améliorations significatives. Cependant, d’autres compétences évoluent à un rythme beaucoup plus lent.
Par exemple, si vous utilisez l’IA pour rédiger des e-mails, il est probable que la valeur que vous en tirez soit comparable à celle d’il y a un an. Même si le modèle s’améliore, cela ne se traduit pas nécessairement par des bénéfices pour les produits — en particulier lorsqu’il s’agit de chatbots ayant plusieurs fonctions. Bien que l’IA continue de progresser, cette avancée n’est pas aussi uniforme qu’auparavant.
Le fossé de renforcement pourrait redessiner le paysage des startups et de l’économie dans son ensemble.
La différence de progrès entre ces compétences repose sur une notion plus simple qu’il n’y paraît. Les applications de codage profitent de milliards de tests facilement mesurables, capables de les entraîner à produire du code fonctionnel. L’apprentissage par renforcement (RL) est arguably le principal moteur du progrès de l’IA au cours des six derniers mois et devient de plus en plus complexe. Ce type d’apprentissage fonctionne de manière optimale lorsqu’il existe des critères d’évaluation clairs, permettant de répéter des tests à grande échelle sans nécessiter d’intervention humaine.
Dans le domaine du développement logiciel, l’apprentissage par renforcement se révèle particulièrement adapté. Avant même l’avènement de l’IA, le secteur avait déjà mis en place des sous-disciplines dédiées à tester la résistance des logiciels. Les développeurs utilisaient régulièrement des tests pour valider leur code, et ces mêmes tests sont également très utiles pour valider le code généré par l’IA. Cependant, tous les processus ne se laissent pas tester si facilement : il n’existe pas de kit de tests standardisé pour des tâches comme les rapports financiers trimestriels ou la science actuarielle.
Enfin, certaines tâches qui semblaient difficiles à tester, comme la création de vidéos par IA, viennent de montrer des progrès spectaculaires. Le nouveau modèle Sora 2 d’OpenAI a mis en lumière les potentialités d’un système d’apprentissage par renforcement bien conçu, capable d’améliorer des aspects tels que le respect des lois de la physique et la fidélité des visages. Si ces progrès se poursuivent, le fossé de renforcement pourrait avoir des implications profondes pour les startups et la structure économique dans les deux prochaines décennies.
