- Le 12 octobre 2026, The New Stack a rapporté les propos d’Andrej Karpathy, membre fondateur d’OpenAI qui travaille actuellement chez Anthropic. Selon lui, la majorité de la population mondiale ne comprend pas encore réellement les capacités de l’IA avancée.
- D’après les estimations personnelles de Karpathy, environ 6 milliards de personnes n’ont pratiquement jamais utilisé de grands modèles de langage, 1 à 2 milliards utilisent des chatbots classiques, quelque 20 millions se servent de modèles avancés pour la programmation et les mathématiques, et seules environ 5 000 personnes ont accès aux systèmes d’IA les plus puissants dans les laboratoires de recherche.
- Ces chiffres sont des estimations approximatives de Karpathy, et non les résultats d’une enquête statistique.
- Aaron Levie, PDG de Box, estime que cet écart reflète le stade encore très précoce de la diffusion de l’IA. La plupart des utilisateurs continuent de la considérer comme un chatbot ou un moteur de recherche avancé.
- Levie prévoit que les « agent swarms », c’est-à-dire des groupes d’agents IA collaborant pour effectuer plusieurs tâches en parallèle, pourraient devenir une forme importante d’utilisation de l’IA en entreprise.
- Pourtant, très peu de personnes utilisent actuellement l’IA de cette manière. Les principaux obstacles comprennent les coûts d’exploitation, les capacités inégales des modèles, le manque d’outils d’orchestration et l’accès limité aux systèmes avancés.
- Avant de déployer des agents IA à grande échelle, les entreprises doivent également résoudre les problèmes liés à l’intégration des données, à la sécurité, à la conformité et à l’évolution des processus de travail.
- Karpathy souligne l’énorme différence entre un chatbot gratuit qui répond à des questions simples et un agent IA avancé capable de consacrer plusieurs heures à restructurer un logiciel ou à résoudre des problèmes complexes.
- Il explique qu’en peu de temps, il est passé de l’écriture de code avec des outils de complétion automatique à l’utilisation d’agents IA pour accomplir des tâches de programmation qui nécessitaient auparavant plusieurs jours, voire plusieurs semaines.
- Karpathy appelle cette nouvelle approche « agentic engineering ». Les ingénieurs se concentrent alors sur la définition des tâches, l’orientation du travail et la vérification des résultats, plutôt que sur l’écriture manuelle de chaque ligne de code.
- Selon Karpathy, l’IA progresse particulièrement vite dans les domaines présentant trois caractéristiques : les activités se déroulent dans un environnement numérique, les résultats peuvent être vérifiés et le travail possède une forte valeur économique.
- La programmation et les mathématiques se prêtent particulièrement bien à l’apprentissage par renforcement, car les systèmes peuvent vérifier leurs résultats, détecter leurs erreurs et s’améliorer au fil d’expériences répétées.
- Le projet AutoResearch de Karpathy illustre cette approche : en une nuit, l’IA a réalisé 50 expériences sur un seul GPU, trouvé de meilleurs paramètres de taux d’apprentissage et mis à jour automatiquement le code source.
- Karpathy estime que demander uniquement à l’IA de répondre à de courtes questions ne permet pas d’exploiter pleinement son potentiel. Une valeur bien plus importante apparaît lorsqu’on lui confie des tâches durant plusieurs heures, avec la possibilité d’expérimenter et d’ajuster elle-même son approche.
📌 Les observations de Karpathy et de Levie montrent que le fossé majeur à l’ère de l’IA ne concerne pas seulement le fait d’utiliser ou non cette technologie, mais aussi le degré auquel on exploite ses capacités. Alors que des milliards de personnes commencent tout juste à utiliser des chatbots, un groupe très restreint accède déjà à des systèmes capables de mener des recherches, de programmer et de résoudre des problèmes complexes de manière autonome. La prochaine étape devrait être le passage d’une IA qui assiste des opérations individuelles à des groupes coordonnés d’agents IA capables d’exécuter des processus de travail complets. Pour les entreprises, la priorité ne consiste donc pas seulement à généraliser les compétences d’utilisation de l’IA, mais aussi à développer des capacités de formulation des problèmes, d’organisation des processus, de vérification des résultats et de gouvernance des systèmes d’IA autonomes.
