L’évaluation de Gemini 4 Argon n’a pas relevé d’accélération statistiquement significative de bout en bout de la recherche et développement (R&D) en intelligence artificielle. Dans son article du 17 octobre 2026, The Next Web rapporte cette conclusion du rapport de sécurité de Google DeepMind, tandis que Sergey Brin décrit des chercheurs et des modèles qui collaborent à la version suivante. L’auto-amélioration récursive (RSI) désigne ici un processus où l’IA contribue au développement de ses successeurs ; la collaboration décrite par Brin et l’accélération mesurée par l’évaluation sont deux aspects distincts. Le rapport de sécurité de Gemini 4 Argon porte cette évaluation.

Les seuils d’Argon portent sur l’accélération et l’automatisation

Le cadre associé à Gemini 4 Argon distingue deux seuils. « ML R&D acceleration level 1 » correspond à une accélération substantielle de la progression de l’IA au-delà des rythmes historiques ; « ML R&D automation level 1 » désigne l’automatisation complète d’une équipe de recherche de Google. Selon l’évaluation, Argon n’atteint ni l’un ni l’autre (rapport de sécurité ; fiche de Gemini 4 Argon). Ces seuils évaluent l’ampleur de l’accélération et de l’automatisation, pas la simple présence de l’IA dans le travail de recherche.

Le rapport, tel que le résume The Next Web, évalue aussi le risque lié à la R&D en IA menée par l’IA comme « actuellement faible ». Un indice interne de progrès de Gemini, fondé sur 92 benchmarks, est passé de 0,091 point par mois avant le 1er avril 2026 à 0,118 point par mois après cette date. Le rapport juge cette différence statistiquement non significative. The Next Web indique que Google attribuait la position d’Argon au-dessus de la tendance à des investissements supplémentaires et à davantage de calcul consacré à l’entraînement.

Ce que Brin a dit de la collaboration entre chercheurs et modèles

Lors d’une table ronde consacrée à Gemini 4 Argon, Sergey Brin a décrit les chercheurs et le modèle comme travaillant ensemble à la version suivante. Il a également cité des modèles Gemini Flash lancés avant Gemini 4 comme exemple de cette collaboration, selon le compte rendu de The Next Web. Le jour de la table ronde n’est pas précisé dans ce compte rendu.

Vihan Jain, de Google DeepMind, a présenté le rôle d’Argon dans le post-entraînement comme un changement de rythme pour la boucle d’auto-amélioration. C’est sa caractérisation du processus ; les chiffres de l’évaluation répondent, eux, à la question de l’accélération mesurée.

L’IA écrit du code, mais les humains gardent des tâches centrales

The Next Web rapporte que l’IA écrivait plus de 75 % du code de production de Google DeepMind. Les modifications restaient toutefois soumises à une revue humaine avant leur envoi. La part des demandes de modification entièrement déléguées serait passée de 7,5 % en avril à 11,9 % en septembre ; environ 88 % nécessitaient encore des interventions humaines répétées ou du code écrit par des personnes. Les années correspondant à ces deux mois ne sont pas précisées dans le compte rendu.

Les chercheurs continuaient aussi à choisir les orientations de recherche, concevoir les expériences et diagnostiquer les problèmes d’entraînement. Lors d’un test interne de tâches de recherche en IA, Argon a résolu environ la moitié des défis, selon le même article ; celui-ci précise qu’une automatisation complète aurait demandé un résultat presque parfait. Pour le contexte des débats sur ses capacités de programmation, NeoTeo a déjà publié un article sur les critiques visant le codage de Gemini 4 Argon.