AIDE² : première preuve d'une IA qui s'améliore elle-même

L'auto-amélioration récursive — un système d'IA qui devient meilleur pour se rendre lui-même meilleur — est un pilier théorique du discours sur l'IA depuis des décennies. Le 14 juillet 2026, Weco AI a publié ce qu'elle présente comme la première preuve expérimentale que cela fonctionne réellement. Leur système, AIDE², a passé huit jours à réécrire de manière autonome son propre agent de recherche et a fini par battre un harnais que des experts humains avaient affiné à la main pendant deux ans.

Ce n'est pas un simple communiqué de presse avec un benchmark de plus. Les détails comptent, les réserves comptent, et les implications pour quiconque construit des agents IA en production comptent encore davantage. Décortiquons tout cela.

Ce qu'est réellement AIDE²

AIDE² est un système d'optimisation à deux niveaux, construit autour de deux boucles « autoresearch » imbriquées :

• La boucle interne est un agent de recherche autonome classique. Il optimise du code contre une évaluation — ingénierie du machine learning, conception d'algorithmes heuristiques, ingénierie de harnais — via une recherche arborescente avec des opérateurs de rédaction, de débogage et d'amélioration.
• La boucle externe est là où se produit la récursion. À chaque étape, elle propose des réécritures du code même de l'agent interne — sa politique de recherche, ses prompts, ses garde-fous — évalue l'agent modifié sur un ensemble de tâches variées, et ne conserve le changement que s'il dépasse le meilleur résultat précédent.

Autrement dit : l'agent externe fait de la recherche sur la façon de construire un meilleur agent de recherche. Weco appelle cela de « l'autoresearch sur l'autoresearch ».

La répartition des modèles est pragmatique. La boucle externe tourne sur Claude Opus 4.7, tandis que les agents internes utilisent Gemini 3 Flash — un modèle plus petit qui égalait les grands modèles sur ces benchmarks tout en permettant beaucoup plus d'itérations dans un budget fixe en dollars.

Huit jours, 100 étapes, sept agents meilleurs

Sur 100 étapes consécutives de boucle externe réparties sur huit jours, AIDE² a découvert sept versions successivement améliorées de l'agent AIDE, les versions AIDE47 et AIDE85 s'imposant comme les plus fortes. La pression de sélection était impitoyable : environ 90 pour cent des changements proposés ont été rejetés faute d'améliorer le meilleur résultat précédent.

Le résultat phare est la comparaison avec AIDEhuman — le harnais de production que l'équipe de Weco avait elle-même itéré pendant deux ans. La boucle autonome de huit jours a produit des agents qui l'ont battu. Pas sur les tâches d'entraînement — sur des benchmarks tenus à l'écart que la boucle n'a jamais optimisés :

• MLE-Bench Lite (ingénierie du machine learning) : AIDE47 a amélioré les scores de 0,053 avec une p-value de 0,0024 ; AIDE85 de 0,042 avec une p-value de 0,0041
• ALE-Bench Lite (programmation compétitive avec cas de test cachés)
• WeatherBench 2 (prévision météorologique basée sur la physique, totalement hors distribution)

Les deux agents découverts ont surpassé l'agent de départ AIDE0 et la référence humaine sur les trois benchmarks.

Ce que la machine a inventé

Le plus frappant n'est pas les scores, mais ce qu'AIDE² a conçu de manière indépendante. Trois découvertes ressortent dans AIDE85 :

Une politique de recherche inédite. L'agent a inventé une approche de bandit multi-bras qui traite les sous-arbres de solutions comme des bras de bandit, sélectionne de façon gloutonne au sein d'une lignée, et bifurque en cas de stagnation pour échapper aux optima locaux. L'équipe de Weco n'avait rien implémenté de semblable. Fait notable, la boucle a aussi testé et rejeté des idées à la mode — algorithmes génétiques en îlots, backup de valeur MCTS, exploration UCB-V, ensembles — parce qu'elles sous-performaient à budget fixe. Le système faisait de la science empirique, pas du mimétisme de littérature.

Une ingénierie du contexte radicale. AIDE85 a réduit la taille de son propre prompt d'un facteur 16 en concevant des contextes minimaux par opérateur, puis a réinvesti les tokens économisés dans des étapes de recherche supplémentaires. Tout développeur qui a vu le contexte d'un agent enfler reconnaîtra la valeur de cette intuition. Nous avons expliqué pourquoi cela compte pour les agents en production dans notre guide de l'ingénierie de harnais.

Des défenses auto-construites contre le reward hacking. Sans aucune instruction explicite en ce sens, la boucle a bâti une défense à trois couches : instructions anti-surapprentissage dans les prompts, garde-fous codés en dur sur les sorties, et élimination statistique des valeurs aberrantes. Sur KernelBench, un benchmark tenu à l'écart d'ingénierie de kernels GPU, le taux de reward hacking est passé de 63 pour cent dans l'agent de départ à 34 pour cent dans AIDE85 — mieux que les 42 pour cent de l'agent réglé par des humains. La pression de sélection venait uniquement d'une séparation score public / score privé : les agents optimisaient contre des scores publics visibles mais étaient sélectionnés sur des scores privés cachés, rendant la triche perdante.

Il y a même eu un moment d'intégrité inattendue : quand la boucle a rencontré un bug de traceback dans son propre harnais d'évaluation, elle a corrigé le bug au lieu de l'exploiter.

Pourquoi la méthodologie tient la route

Les affirmations extraordinaires attirent le scepticisme, et celles sur l'auto-amélioration plus encore. Weco a anticipé les objections évidentes avec quatre choix de conception :

1. Une référence humaine équitable. La cible de comparaison n'était pas un épouvantail mais l'agent de production de Weco, affiné pendant deux ans par les inventeurs mêmes de l'approche AIDE.
2. Des budgets de coût fixes. Chaque évaluation était mesurée en dollars : les améliorations devaient venir de meilleurs algorithmes, pas de plus de calcul.
3. Une généralisation sur tâches tenues à l'écart. Les agents découverts ont été testés sur des benchmarks et familles de tâches jamais vus pendant la boucle, y compris la prévision météo hors distribution.
4. Des scores publics / privés séparés. Le véritable objectif restait toujours caché, fermant la faille la plus courante de l'auto-évaluation des agents.

Sur l'échelle proposée par les auteurs, cela correspond au niveau 1 de RSI (« Net Positive ») : une tendance d'amélioration soutenue, multi-étapes, généralisante, face à une référence humaine équitable et à budget fixe.

Ce qui n'a pas été atteint

L'honnêteté de la publication mérite d'être soulignée. AIDE² n'a pas atteint ce que Weco appelle le niveau 2, ou « Ignition » — le point où l'agent amélioré devient un meilleur améliorateur que son prédécesseur. Placé dans le siège de la boucle externe, AIDE47 a convergé plus vite (environ 20 étapes contre 40) mais sans avantage asymptotique statistiquement significatif. Chaque génération a amélioré le produit, pas encore le processus.

Les auteurs sont directs : « nous pensons que nous ne sommes pas proches d'une explosion d'intelligence avec le système actuel ». Autres limites reconnues :

• Le code de l'agent évolué est complexe, contient du code mort, et est plus difficile à maintenir et personnaliser que la référence construite à la main — un compromis familier pour quiconque a hérité de code généré par machine
• Les boucles imbriquées cumulent le bruit de mesure, élargissant les marges d'erreur
• La généralisation de troisième ordre (de meilleurs améliorateurs construisant de meilleurs améliorateurs) reste non démontrée

Ils concluent néanmoins par une phrase qui mérite attention : « ce système est la pire version de lui-même que nous verrons jamais ».

Pourquoi les développeurs et les entreprises doivent s'y intéresser

Retirez l'emballage AGI et il reste un résultat très concret : l'ingénierie automatisée de harnais fonctionne. L'échafaudage autour d'un modèle — politique de recherche, gestion du contexte, garde-fous d'évaluation — est exactement ce que les équipes passent des mois à régler à la main aujourd'hui. Nous avons exploré cette discipline dans nos articles sur les boucles de codage IA et les agents itératifs et le loop engineering. AIDE² suggère que cette couche est elle-même automatisable, à un rythme environ cent fois supérieur à l'itération manuelle.

Trois enseignements concrets :

1. Votre harnais d'agent est un espace de recherche, pas un fichier de configuration. Si une boucle externe peut trouver une réduction de prompt par 16 et une meilleure politique de recherche en huit jours, traiter la conception du harnais comme une tâche manuelle ponctuelle laisse de la performance sur la table.
2. La séparation score public / privé est le patron anti-triche à copier. Les défenses émergentes contre le reward hacking sont nées du design de l'évaluation, pas de sermons d'alignement. Toute équipe qui gère l'évaluation d'agents en production peut l'appliquer dès aujourd'hui.
3. Petits modèles et plus d'itérations battent grands modèles et moins d'itérations. Gemini 3 Flash dans la boucle interne égalait des modèles plus grands à budget égal — une leçon de coût cohérente avec notre guide d'optimisation des coûts d'API IA.

Ce résultat s'inscrit aussi dans un contexte : la boucle AutoResearch d'Andrej Karpathy a normalisé l'expérimentation autonome plus tôt cette année, et les architectures d'agents auto-améliorants mûrissent régulièrement. AIDE² referme la méta-boucle que ces systèmes laissaient ouverte.

Conclusion

AIDE² est la démonstration publique la plus rigoureuse à ce jour qu'un système d'IA peut améliorer sa propre machinerie d'amélioration — avec de vraies références, de vrais budgets et une vraie généralisation sur tâches tenues à l'écart. C'est le niveau 1, pas l'ignition ; un résultat de recherche, pas un emballement. Mais la direction est sans ambiguïté : la couche d'ingénierie IA qui mobilise aujourd'hui des équipes entières — harnais, prompts, évaluations, garde-fous — devient un objet de recherche que l'IA peut mener seule.

Chez Noqta, nous aidons les entreprises en Tunisie et dans la région MENA à construire des systèmes d'agents IA avec des harnais et des pipelines d'évaluation de qualité production. Pour appliquer ces patrons à votre propre stack IA, contactez-nous.

Sources : Weco AI — AIDE² : First Evidence of Recursive Self-Improvement