Vers 1800, un ingénieur anglais nommé Henry Maudslay a construit un tour capable de tailler un filetage de vis parfaitement précis. Il s'est avéré que c'était l'une des avancées les plus importantes de toute l'histoire...
Avant Maudslay, les filetages étaient taillés à la main, un par un, si bien qu'il n'y en avait jamais deux identiques. Un écrou issu d'un atelier ne s'emboîtait pas sur le boulon fabriqué dans l'atelier voisin. Chaque machine au monde était donc une pièce unique, assemblée sur mesure par un artisan, et seul un artisan pouvait la réparer.
Impossible de produire quoi que ce soit à mille exemplaires, car impossible de rendre les pièces interchangeables. C'était le goulot d'étranglement de tout le monde industriel, et il tenait dans une main humaine armée d'une lime.
Le tour de Maudslay reproduisait exactement le même filetage à chaque fois. Ce qui signifiait qu'une machine pouvait désormais usiner les pièces précises d'une autre machine, et que ces pièces s'assembleraient parfaitement. En l'espace d'une génération, les machines-outils issues de son invention produisaient les composants de tout le reste, et la révolution industrielle a trouvé une vitesse qu'elle ignorait posséder.
Vous vous dites probablement : « Raoul, pourquoi diable écris-tu sur des filetages de vis du XIXe siècle ? » Suivez-moi bien, car si l'on regarde la trajectoire sur le temps long, le même schéma ne cesse de se répéter.
Pendant l'essentiel de l'histoire humaine, les outils ont progressé au rythme de ceux qui les fabriquaient, autrement dit lentement... une meilleure charrue tous les quelques siècles. Puis les outils se sont mis à fabriquer des outils, et chaque boucle tournait plus vite que la précédente.
Les machines à vapeur entraînaient les tours et les aléseuses qui taillaient les pièces des locomotives ; la vapeur construisait donc les chemins de fer qui transportaient davantage de machines à vapeur.
Les machines-outils ont bâti les chaînes de montage qui ont bâti les voitures. Aujourd'hui, les ordinateurs conçoivent les puces qui équiperont de meilleurs ordinateurs, car aucun être humain ne peut placer des milliards de transistors à la main. À chaque fois que les outils ont pris en charge une part plus grande de la fabrication des outils suivants, tout s'est accéléré, parce que la partie lente de la boucle — la partie humaine — s'est réduite.
Que se passe-t-il alors quand l'outil au cœur de cette boucle devient l'intelligence elle-même ?
C'est déjà en cours
En novembre 2023, j'ai publié un billet expliquant qu'OpenAI avait probablement compris comment utiliser l'IA pour imaginer, concevoir, coder et livrer des produits... que l'IA construisait l'IA.
En mai 2026, Anthropic affirme que plus de 80 % du code intégré à sa propre base est écrit par Claude, contre un faible pourcentage à un chiffre avant le lancement de Claude Code en février 2025. L'entreprise qui développe l'un des modèles de pointe confie essentiellement à ce modèle l'écriture du logiciel sur lequel tournera la version suivante.
OpenAI a publié ses propres chiffres en septembre : son département de recherche consacre désormais 3,1 jours-travail d'agent pour chaque jour de travail humain, et le nombre d'expériences par chercheur a atteint un record historique en août.
En mai de l'année dernière, DeepMind a dévoilé AlphaEvolve, un agent propulsé par Gemini qui écrit et teste ses propres algorithmes. Parmi ses découvertes : une amélioration de l'ordonnancement qui récupère en continu 0,7 % de la puissance de calcul mondiale totale de Google, ainsi qu'une accélération d'un noyau au sein même de l'entraînement de Gemini, réduisant le temps d'entraînement de 1 %. De petits pourcentages, jusqu'à ce qu'on réalise ce qu'ils représentent : une IA qui rend la prochaine IA moins chère à construire et moins chère à faire tourner.
C'est le tour de Maudslay, en train d'usiner les pièces de la machine suivante.
Un goulet d'étranglement d'un autre genre
Toutes les boucles précédentes nous ont déchargés du travail physique. Le tour remplaçait la lime, la chaîne de montage remplaçait les bras, et c'est précisément pour cela que chacune tournait plus vite que la précédente. Mais la réflexion, elle, n'a jamais été déléguée. Quelqu'un devait toujours s'asseoir pour concevoir le tour suivant. Quelqu'un devait toujours déterminer à quoi servirait la puce. Les machines sont devenues brillantes pour fabriquer des choses, mais les idées de la génération suivante sortaient toujours d'un cerveau humain, à la vitesse d'un cerveau humain... ce qui, soyons honnêtes, n'est pas très rapide et ne s'accélère pas.
Ce fut le plafond de verre de toute notre histoire, et personne n'y pensait vraiment, car qu'auriez-vous pu y faire ? Impossible de construire un outil qui réfléchit à votre place.
Sauf que maintenant, c'est possible. Pour la première fois, ce que l'on externalise, c'est l'intelligence elle-même. Ce qui plafonne le progrès n'est donc plus la vitesse à laquelle les gens pensent, mais deux réalités physiques : la quantité d'énergie que vous pouvez convertir en puissance de calcul, et la quantité d'intelligence que vous pouvez extraire de chaque unité. Deux courbes qui suivent toutes les deux une trajectoire exponentielle.
Ça sort de l'écran
Jusqu'ici, c'est une histoire de logiciels, mais ça ne va pas s'arrêter là.
David Mattin, qui coécrit The Exponentialist avec moi, appelle l'étape suivante la science autonome. Et non, rien à voir avec Tesla, même si l'idée est la même...
Ce qu'il veut dire, c'est que la science a toujours été une boucle pilotée par un humain. Vous avez une intuition, vous concevez une expérience, vous la lancez, la plupart du temps elle échoue, vous analysez pourquoi, vous avez une meilleure intuition. Tour après tour, une seule personne à la fois, des mois par cycle. Chaque médicament, chaque matériau, chaque loi de la physique que nous avons comprise est sortie de cette boucle, à cette vitesse-là.
La science autonome, c'est ce qui se produit quand vous confiez cette boucle à la machine. On ne parle pas d'IA qui aide les scientifiques... on parle d'IA qui fait elle-même les découvertes. Les nouveaux matériaux, les nouvelles molécules, les choses que l'humanité ignorait totalement l'an dernier, issus d'une machine qui a eu l'idée, lancé le test, lu le résultat et eu l'idée suivante, sans aucune intervention humaine dans la boucle. Comprendre le fonctionnement du monde est en train d'être externalisé... et ça se passe maintenant, pas dans un futur de science-fiction.
En 2023, le modèle GNoME de DeepMind a prédit 2,2 millions de nouvelles structures cristallines, dont environ 380 000 stables. Soit plus de nouveaux matériaux que l'humanité n'en avait découverts dans toute l'histoire de la science des matériaux, trouvés par un modèle, avant même que quiconque n'entre dans un laboratoire.
Puis, en décembre 2025, DeepMind et le gouvernement britannique ont annoncé un laboratoire de matériaux automatisé, ouvrant cette année, où des robots synthétisent et testent des centaines de matériaux candidats par jour tandis que l'IA sélectionne le lot suivant. La boucle qui prenait des mois par cycle à une équipe de recherche tourne désormais chaque jour, et les humains sont là pour analyser les résultats, pas pour mener les expériences.
La même chose arrive aux robots, et la méthode est hallucinante. En 2025, DeepMind a sorti Genie 3, que l'on comprend mieux comme un jeu vidéo qui s'écrit tout seul. Tapez une phrase, disons « une chambre en désordre », et il génère une simulation à l'écran, avec la physique d'une vraie pièce, de sorte que tout ce qui s'y déplace reçoit le même retour sensoriel que dans la réalité.
Vous pouvez ensuite y placer le cerveau d'un robot et lui demander de ranger la chambre. Il échoue, alors il recommence, encore et encore, des millions de fois, dans des millions de chambres simulées, à la vitesse d'un ordinateur, sans casser le moindre objet réel ni occuper le moindre espace physique. Puis vous transférez ce qu'il a appris dans un vrai robot, qui entre dans une vraie chambre en sachant déjà comment faire. DeepMind le fait actuellement avec ses agents robotiques, et personne n'écrit le programme des leçons. L'agent définit ses propres tâches et corrige ses propres copies.
Si ce genre de sujet vous fascine, c'est exactement ce que David et moi publions chaque semaine dans The Exponentialist. Né au sein de Real Vision, c'est aujourd'hui une publication indépendante sur Substack, avec une formule gratuite si vous souhaitez nous suivre.
Et ensuite, ça s'auto-alimente
Les machines écrivent donc leur propre code, améliorent leurs propres modèles et commencent à faire notre science à notre place. Très bien, direz-vous, mais il y a un piège dont tout le monde a entendu parler... tout cela tourne à l'électricité, et en quantités massives. Les data centers mettent déjà les réseaux sous tension, les puces comptent parmi les objets les plus rares sur Terre, et forcément, à un moment donné, tout le système tombera en panne sèche.
Mais si une machine peut résoudre des problèmes insolubles pour les humains, les premiers problèmes vers lesquels on la dirigera seront les siens. Les laboratoires de matériaux que je viens de décrire ne cherchent pas des découvertes au hasard. Ils traquent la chimie de batterie qui stocke davantage, la cellule solaire qui convertit mieux, la puce qui entasse les transistors plus serré... exactement ce qui rend l'énergie et le calcul moins chers.
Et chacun de ces progrès revient directement nourrir la machine qui l'a trouvé.
De meilleurs panneaux et batteries rendent l'énergie moins chère, une énergie moins chère rend le calcul moins cher, un calcul moins cher entraîne de meilleurs modèles, et de meilleurs modèles trouvent le matériau suivant. Le goulet d'étranglement qui inquiète tout le monde est précisément la première chose que la boucle est conçue pour dévorer.
Il y a une loi derrière tout cela, la loi de Wright : chaque fois que la production cumulée d'une chose double, son coût baisse d'un pourcentage fixe. Le solaire la suit depuis des décennies. Ce qui est nouveau, c'est que celui qui conçoit n'est plus un humain ; les doublements arrivent donc plus vite et les coûts baissent plus vite, simultanément sur les puces, les batteries et les panneaux.
Chaque tour de roue accélère le suivant, sans dépendre d'aucun apport extérieur. Les versions antérieures de cette boucle mettaient des décennies à faire un tour complet. Celle-ci tourne en quelques mois, et ce qui la fait tourner est désormais ce qui est amélioré.
Moins cher signifie plus, pas moins
Bon, l'objection évidente à ce stade est économique. Si l'intelligence devient si bon marché si rapidement, nous aurons sûrement besoin de moins de ce qui la produit... moins de puces, moins de data centers, moins d'énergie.
C'est l'inverse qui se produit, et la raison est comprise depuis l'ère du charbon. Jevons a remarqué que lorsqu'une ressource gagne en efficacité, sa consommation totale augmente, car la baisse des coûts ouvre des usages jusque-là impossibles. Rendez la machine à vapeur plus efficace, et un pays brûlera plus de charbon, pas moins.
L'intelligence fait exactement la même chose. Selon les calculs d'a16z fin 2024, le coût d'une unité d'intelligence a été divisé par dix chaque année à capacité équivalente, et la consommation a explosé. En octobre 2025, Google traitait environ 1,3 quadrillion de tokens par mois, soit plus de vingt fois plus que l'année précédente, et en mai de cette année, le chiffre atteignait 3,2 quadrillions. Chaque baisse du coût de la réflexion déverrouille un problème trop cher à envisager auparavant, et cette demande n'a pas de plafond car les problèmes non résolus ne manquent pas.
Voilà pourquoi les dépenses d'investissement (capex) ne peuvent pas s'arrêter.
« C'est de la hype. Ça plafonne. »
J'entends ça tous les quelques mois, généralement juste après une sortie un peu moins éblouissante que la précédente. L'excitation dure une semaine, puis on revient à la normale, et c'est dans cette normalité que les gens décrètent que tout ralentit.
Le modèle mental que j'utilise est celui du développement de l'enfant. Regardez un bambin trébucher en essayant de marcher et vous pourriez conclure que ses jambes ne fonctionnent pas et qu'il est trop stupide pour y arriver ; ou attendez les premiers mots d'un enfant pour décider que sa bouche n'est pas faite pour parler. Jusqu'à ce qu'il le fasse, tout simplement. Ces modèles sont des nourrissons, dotés de super-pouvoirs dans certains domaines et largement en retard sur les enfants humains dans d'autres... mais les nourrissons apprennent vite. Juger de ce qu'ils seront dans trois ans à partir de ce qu'ils ne savent pas faire ce trimestre est une erreur, à chaque fois. En trois ans, nous sommes passés d'un chatbot médiocre à quelque chose qui surpasse la plupart des humains dans toutes les matières que nous enseignons. Comme le dit le mème, ne faites pas de midcurve, simplement parce que vous avez un biais.
Ce que cela signifie pour vous
La peur qui sous-tend tout cela est personnelle, alors permettez-moi de l'être aussi.
Je ne suis pas un profil technique. En janvier, j'ai donné un PDF à Cowork et j'ai récupéré un site web fonctionnel en six minutes ; puis je lui ai demandé un tableau de bord de l'engagement de Real Vision sur toutes les plateformes, et je l'ai eu en quinze minutes. J'avais posté à l'époque que je me sentais un peu bionique.
Aujourd'hui, une seule personne équipée d'un ensemble d'agents peut produire ce qui nécessitait auparavant toute une entreprise. Dans mon livre, The Everything Code (sortie le 3 novembre, disponible en précommande), je raconte l'histoire d'un ingénieur logiciel qui a passé plus de dix ans à bâtir une entreprise de manière traditionnelle, a pris du recul, puis a monté un projet IA personnel en un seul hiver, récoltant des étoiles GitHub à six chiffres et se faisant embaucher par OpenAI. C'était le même cerveau appliquant la même éthique de travail ; la seule chose qui avait changé, c'était la base sur laquelle il construisait.
« Est-ce que ça va me remplacer ? » est la question que pose votre ego, et c'est la mauvaise. La couche de travail sous vos pieds est en train d'être compressée, que vous le vouliez ou non, exactement comme Maudslay a compressé le travail de chaque artisan qui limait des vis à la main. La meilleure question est de savoir ce que vous ferez d'une machine capable de porter cette couche à votre place. Ceux qui finiront avec les super-pouvoirs sont ceux qui montent d'un cran, vers le jugement de ce qui vaut la peine d'être construit en premier lieu.
Possédez les machines qui construisent les machines
Ce que la boucle vous indique, c'est là où la valeur se concentre. Quand l'intelligence bâtit l'intelligence, les rendements reviennent à celui qui possède la boucle : la puissance de calcul sur laquelle elle tourne, l'énergie qui alimente ce calcul, et les rails sur lesquels les agents s'établissent une fois qu'ils commencent à transacter entre eux à la vitesse des machines. Ce sont les éléments qu'elle ne peut pas contourner et, pour la première fois dans l'histoire, chacun d'eux est quelque chose dont une personne ordinaire peut posséder une part.
C'est l'Ère Exponentielle qui passe de la théorie à la réalité vécue, et elle fonce droit vers la fenêtre temporelle dont j'ai parlé dans mon cadre de Singularité Économique, quelque part entre 2030 et 2032. C'est le moment où l'économie des machines commencera à évoluer plus vite que les instruments humains conçus pour la mesurer — le PIB, les bénéfices, les salaires — et où les anciens indicateurs cesseront de décrire ce qui se passe. Les années qui nous séparent de cet instant sont la véritable partie.
Toute ma réflexion sur le sujet se trouve dans The Everything Code. Le livre explique pourquoi le système financier s'est autant cassé et comment nous sommes piégés dans un cycle de dette depuis des décennies, puis pourquoi l'arrivée de l'Ère Exponentielle précisément maintenant constitue l'autre moitié de la même histoire.
Tout ce qui est décrit ici est inévitable dès lors que l'on comprend le mécanisme, et le plus étrange, c'est que c'est aussi la porte de sortie : les machines sont ce qui permettra enfin au monde de croître suffisamment pour se libérer de la dette. Après des décennies d'enlisement, voilà de quoi être optimiste, et c'est dans ce livre que je développe l'argumentaire complet.
The Everything Code sort le 3 novembre et, si vous comptez l'acheter, faites-moi une faveur : je serais honoré que vous envisagiez de le précommander dès maintenant. Cela aide énormément pour les classements et cela compterait beaucoup pour moi. Merci.
Et si vous voulez creuser l'un de ces sujets, continuez à discuter avec moi ! J'ai créé une IA entraînée sur 30 ans de mes réflexions sur raoulpal.ai, et c'est gratuit. Poursuivons la discussion là-bas.
