Anthropic développe-t-il ses modèles deux fois plus vite grâce à l’IA ?

L’IA semble déjà accélérer le développement de l’IA chez Anthropic. Mais le chiffre spectaculaire — environ deux fois plus vite — ne signifie ni que chaque chercheur est deux fois plus productif, ni qu’une machine améliore désormais seule la suivante. Il décrit une tendance observée sur certaines capacités internes, à partir de données que le public ne peut pas entièrement examiner.

Ce que METR a réellement mesuré

Entre le 12 août et le 29 octobre 2026, quatre chercheurs de METR ont consacré environ onze semaines à examiner si les outils d’IA accéléraient la R&D d’Anthropic. L’organisation a bénéficié d’un accès inhabituel : entretiens avec des salariés, mesures internes de capacités, informations sur l’entraînement, l’usage d’agents et l’évolution du calcul informatique.

La mesure centrale porte sur un indice interne de capacités utiles à la R&D, appelé AECI dans le rapport. METR estime que sa progression a été multipliée par 1,9 depuis octobre 2025, avec un intervalle d’incertitude de 1,5 à 2,8. Selon les variantes du calcul, le résultat va d’environ 1,1 à 2,9.

Autrement dit, sur les tâches bien définies suivies par cet indicateur, Anthropic aurait récemment obtenu en un an près de deux années de progrès au rythme historique. Ce n’est pas une mesure du volume total de recherche produit, du chiffre d’affaires ou de la vitesse générale de toute l’entreprise.

L’IA explique-t-elle cette accélération ?

METR juge probable que l’IA en explique la majorité. Son estimation centrale, présentée comme une appréciation très incertaine plutôt que comme un résultat expérimental, tourne autour de 80 %. L’organisation relève notamment que l’accélération ne paraît pas provenir d’une hausse comparable du rythme de croissance du calcul utilisé pour entraîner les modèles.

Les entretiens internes vont dans le même sens : plusieurs équipes décrivent des gains importants sur le code, l’analyse de résultats, la préparation d’expériences et d’autres tâches techniques. Une enquête légère sur Slack a même produit des estimations beaucoup plus élevées, jusqu’à douze fois pour certains répondants à l’automne 2026. METR insiste toutefois sur la fragilité de ces déclarations et ne les traite pas comme une mesure équivalente à son indice de capacités.

Il faut donc éviter un raccourci : l’étude ne montre pas que l’IA effectue seule 80 % de la recherche ni qu’elle remplace huit chercheurs sur dix. Elle suggère que les outils d’IA contribuent fortement à une progression plus rapide, dans un système qui reste piloté par des équipes humaines.

Une assistance puissante, pas encore une R&D autonome

Le rapport décrit surtout une collaboration entre chercheurs et agents. Les systèmes prennent en charge du code, des vérifications ou des sous-tâches clairement formulées. Ils ne conduisent pas seuls les parties les plus importantes du développement d’un modèle de pointe.

METR dit avoir observé quelques « signes de vie » d’une automatisation plus avancée, mais pas une boucle autonome où un modèle conçoit, entraîne et valide son successeur sans intervention humaine. Le résultat est donc plus concret qu’une simple promesse marketing, tout en restant loin du scénario d’une intelligence qui s’améliorerait seule à grande vitesse.

Pourquoi ce résultat compte malgré tout

Si de meilleurs modèles rendent la recherche plus rapide, puis que cette recherche produit à son tour de meilleurs modèles, les gains peuvent se cumuler. C’est le mécanisme d’accélération récursive que cherchent à surveiller les laboratoires et les évaluateurs.

METR n’identifie pas de blocage évident qui annulerait cet effet au cours des douze prochains mois. Cette conclusion est prudente : l’organisation explique que son appréciation des futurs goulets d’étranglement a changé pendant l’enquête et qu’elle reste incertaine. Le calcul, les données, la coordination des équipes, les idées scientifiques et la validation expérimentale peuvent tous limiter la vitesse réelle.

Pour les entreprises hors de la frontière de l’IA, la leçon est moins spectaculaire mais déjà utile : les gains les plus crédibles apparaissent sur des tâches techniques bien délimitées, intégrées dans un processus contrôlé et mesuré. L’agent efficace n’est pas celui à qui l’on confie « toute la recherche », mais celui qui accélère une étape vérifiable sans faire disparaître la responsabilité humaine.

Une étude indépendante, mais pas pleinement reproductible

METR n’a pas été payé par Anthropic et affirme conserver son indépendance éditoriale. Anthropic lui a fourni des appareils, des accès et des jetons de calcul. L’entreprise ne pouvait pas interdire la publication, mais elle pouvait imposer des retraits pour protéger ses informations confidentielles.

C’est la limite majeure du dossier public : METR indique que la majorité des éléments les plus informatifs a été expurgée. Les lecteurs n’ont pas accès à l’étude interne complète d’environ cent pages, aux données brutes ni à une description suffisante de chaque indicateur pour reproduire l’analyse. METR n’a pas non plus disposé d’un accès direct à tous les systèmes internes ou aux modèles non publics, et une vérification prévue de certaines allocations de calcul n’a pas été menée à son terme.

Le benchmark étant conçu par Anthropic pour ses propres besoins, il peut aussi mieux représenter les tâches déjà optimisées par l’entreprise que l’ensemble de la recherche en IA. Enfin, une accélération mesurée chez un laboratoire ne prouve pas que le même facteur s’applique aux autres acteurs.

Ce que l’on peut conclure — et ce que l’on ne peut pas

Le rapport fournit un signal sérieux : chez Anthropic, l’IA n’est probablement plus seulement un assistant ponctuel. Elle semble modifier la vitesse à laquelle certaines capacités de R&D progressent.

En revanche, il ne démontre ni un doublement universel de la productivité, ni une autonomie complète de la recherche, ni une explosion incontrôlée déjà engagée. La formule juste est plus étroite : sur un indice interne portant sur des tâches de R&D bien définies, Anthropic progresse récemment autour de deux fois plus vite qu’auparavant, et METR estime que l’IA en est vraisemblablement la cause principale.

La prochaine étape ne devrait pas être de transformer ce chiffre en certitude, mais d’obtenir des évaluations répétées, comparables entre laboratoires et plus vérifiables publiquement. Sans cela, l’un des phénomènes les plus importants de l’IA restera visible surtout à travers les données des entreprises qui le produisent.