Dans un article publié le 15 octobre 2026, DiarioBitcoin rapporte qu’une évaluation interne de Google DeepMind n’a pas relevé d’accélération structurelle significative du progrès mesuré de l’IA après avril 2026. L’évaluation figurait, selon le média, dans le rapport de sécurité de Gemini 4 Argon publié la veille.
La question est précise : l’IA aide-t-elle à écrire du code, ou accélère-t-elle aussi les recherches qui améliorent l’IA ? Les deux phénomènes sont liés, mais l’un ne suffit pas à établir l’autre. Les critiques sur les performances de Gemini 4 Argon en programmation et la réponse de Google ont déjà fait l’objet de notre précédent article.
Un rythme plus élevé, sans accélération structurelle significative
DiarioBitcoin indique que l’analyse portait sur 123 modèles et 92 benchmarks, à l’aide du General Capability Index (GCI), un indice de capacité générale. Pour les modèles publics, le rythme mensuel rapporté était plus élevé après avril 2026 :
| Période | Progression mensuelle rapportée des modèles publics |
| Avant avril 2026 | 0,091 point GCI par mois |
| Après avril 2026 | 0,118 point GCI par mois |
L’écart entre ces deux valeurs est de 0,027 point GCI par mois, soit environ 29,7 % de plus que le rythme antérieur. Ce calcul porte sur les chiffres relayés par DiarioBitcoin. Le média précise que l’évaluation n’a pas considéré cette hausse comme une accélération structurelle significative.
Écrire du code avec l’IA ne signifie pas lui déléguer la recherche
Selon les chiffres rapportés par DiarioBitcoin, les outils d’IA contribuaient à plus de 75 % du code de production de Google DeepMind, tandis que 88 % des modifications de code nécessitaient encore une vérification humaine. La part des modifications entièrement déléguées à l’IA serait passée de 7,5 % à 11,9 %.
Ces mesures décrivent l’usage de l’IA dans le travail de programmation. Elles ne mesurent pas, à elles seules, une accélération autonome de la recherche sur l’IA. Les réponses d’un sondage mené auprès de 12 chercheurs seniors de Google DeepMind distinguaient également les tâches bien définies et vérifiables, où l’automatisation était décrite comme plus efficace, des idées ouvertes et de la planification complexe.
Ce que mesurent les résultats de RE-Bench
DiarioBitcoin rapporte qu’Argon a résolu environ la moitié des 74 tâches de RE-Bench, un benchmark consacré à l’ingénierie en apprentissage automatique. Gemini 3.7 Flash y a obtenu un score de 27 %. Ces résultats portent sur les tâches de cette évaluation, et non sur toutes les formes de recherche scientifique.
Un examen distinct de 1 389 exécutions d’Argon faisait aussi état d’un taux de réussite plus faible sur les tâches complexes lorsque le modèle intervenait sans aide humaine.
