LA LOI DE MOORE DE L’INTELLIGENCE ?  Quand l’IA apprend plus vite que les institutions, les modèles doivent changer.

Temps de lecture : 14 minutes
équivalent-pages : 5
Mots-clés : IA, apprentissage, université, travail, prompt, recherche, éthique, connaissance
Article rédigé avec l’aide de l’IA : oui

En bref : l’intelligence artificielle ne progresse plus seulement parce que les processeurs deviennent plus puissants. Elle progresse désormais parce qu’elle participe elle-même à la production de code, à l’expérimentation, à la vérification et, demain peut-être, à l’amélioration de ses propres modèles. Anthropic nomme cette trajectoire recursive self-improvement, tout en rappelant que nous n’y sommes pas encore et que cette évolution n’est pas inévitable. Mais une chose est déjà certaine : l’école, l’université, l’industrie et la recherche ne peuvent plus penser la connaissance comme un stock à transmettre lentement. Elles doivent apprendre à former des humains capables de questionner, orienter, vérifier et critiquer une connaissance produite à une vitesse inédite. Bref, changer de modèle.

Chers lecteurs, chères lectrices,
Chers abonné.e.s,

Introduction

Cet article est issu d’un échange de délibération où la question de l’IAG et son usage nous a semblé très confus dans les esprits, entre véritable questionnement et quelques ricanements sur des expériences avec des étudiants et des nouveaux modèles de pédagogie liés à l’usage intensif de l’IAG. Dans ces débats, un sujet nous est apparu quelques peu occultés : le modèle exponentiel des capacités des IAG et le fait qu’aujourd’hui, la puissance des modèles IAG permettent d’analyser… la production scientifique qui semble aujourd’hui truffée de rédaction par l’IAG. En d’autres termes, le modèle universitaire séculaire s’effondre. Et s’il meurt, vive le nouveau modèle réflexif. La suit est à lire s’il vous en chante, le texte fut rédigé par IA, complété et contrôlé de tout son long par un humain…

Une nouvelle loi de Moore comme modèle de vitesse

Pendant des décennies, nous avons vécu sous l’imaginaire de la loi de Moore. Gordon Moore (Intel) observait en 1965 que le nombre de transistors intégrés dans une puce doublait régulièrement, cette loi fut ensuite stabilisée autour d’un doublement tous les deux ans et à coût relativement constant. Cette loi n’était pas une loi physique au sens strict, mais une extrapolation empirique devenue feuille de route industrielle. Elle disait en substance : demain, la machine sera plus dense, plus rapide, moins chère. Un constat vérifié jusqu’il y a peu où la miniaturisation atomique atteint peu à peu ses limites.

Mais l’IA déplace aujourd’hui la question. Le sujet n’est plus seulement le processeur. Il est la boucle et c’est une révolution. Un modèle aide à coder le modèle suivant, à tester des hypothèses, à corriger des bugs, à exécuter des expériences, à documenter les résultats. Anthropic (Claude) affirme qu’en mai 2026 plus de 80 % du code fusionné dans sa base était écrit par Claude (son modèle IA), et que la production de code par ingénieur au deuxième trimestre 2026 était environ huit fois plus élevée qu’en 2024. Il faut évidemment rester prudent : des lignes de code ne sont pas une mesure parfaite de la qualité. Mais le signal est clair : la machine n’accélère plus seulement l’exécution, elle accélère l’organisation même du travail intellectuel. En outre, Claude est aujourd’hui reconnu parfois meilleur qu’Open IA et son ChatGPT. En d’autres termes, le LLM d’Antropic est très bon pour certains usages (dont le codage) et ces usages se développent de manière circulaire : « machine to machine », l’homme devenant un contrôleur de qualité.

Faut-il alors parler d’une nouvelle loi ?

Peut-être pas encore. Une loi suppose une certaine stabilité. Or nous sommes plutôt face à une courbe instable, peut-être exponentielle, peut-être en S, peut-être contrainte demain par l’énergie, le calcul, les données, la régulation ou la capacité humaine à vérifier. METR estime que l’horizon de temps des tâches que les agents IA peuvent accomplir de manière autonome a doublé environ tous les sept mois entre 2019 et 2025 ; d’autres observations indiquent une accélération possible vers un doublement tous les quatre mois dans les domaines de recherche et de logiciel. Ce n’est donc pas encore une loi de Moore de l’intelligence. C’est peut-être une loi de l’horizon d’action : la durée des tâches que l’IA peut prendre en charge seule s’allonge très vite. Anthropic écrit ainsi qu’en 2027, des systèmes d’IA pourraient être capables de réaliser des tâches prenant des semaines à un humain. Cette phrase doit être être prise au sérieux. Car derrière la performance technique se trouve une question sociale majeure :

que devient le travail humain quand l’IA transforme les semaines humaines en heures machines ? Et que devient l’éducation quand la connaissance circule plus vite que les programmes, les règlements, les maquettes pédagogiques et les institutions ?

Réflexions éthiques

La réponse ne peut pas être de demander aux humains d’apprendre plus vite que les machines. Ce serait absurde. Nous pensons que la réponse doit se concentrer sur l’objet de l’apprentissage.

Pendant longtemps, l’école et l’université ont valorisé l’accumulation de connaissances. Une méthode encyclopédique issu du modèle des Lumières (Diderot) : il fallait savoir, accumuler la connaissance pour s’émanciper, ensuite restituer pour émanciper la société. Bien entendu, cette dimension reste essentielle : on ne développe aucun esprit critique dans le vide. Mais elle ne suffit plus. La valeur se déplace vers la capacité à formuler une question (un prompt de qualité), à construire un raisonnement avec les outils numériques qui croisent des compétences spécifiques et de vérification), à vérifier une source et surtout à identifier une faille liée aux sources encore hallucinatoires des IA, à arbitrer entre plusieurs réponses plausibles.

La valeur des mots, la qualité du prompt devenu langage universel

L’interface la plus simple entre l’humain et l’IA reste aujourd’hui le texte. Non pas parce que le texte serait ancien, mais parce qu’il est la forme la plus économique de la pensée structurée. Écrire un bon prompt n’est donc pas seulement apprendre une petite technique à la mode. C’est apprendre à expliciter une intention, un contexte, une contrainte, une méthode, un critère de qualité.

C’est en soi déjà une compétence intellectuelle à part entière et qui nécessite apprentissage.

L’UNESCO insiste d’ailleurs sur la nécessité de développer des compétences IA spécifiques (2025) et l’Union Européenne en fait de même ( Guidelines on the ethical use of artificial intelligence and data in teaching and learning) (2026) pour les élèves et les enseignants, articulant pensée critique, éthique, responsabilité et capacité à comprendre les limites des systèmes. Dans le même temps, L’OCDE formule dans son 2026 digital éducation outlook certains risques : l’IA générative peut soutenir les apprentissages si elle est guidée par des principes pédagogiques clairs. Toutefois, utilisée sans accompagnement, elle peut améliorer la performance des apprenants sans produire de véritable apprentissage. Voilà sans doute le cœur du problème : l’IA peut faire réussir une tâche sans que l’humain ait appris.

C’est ici que l’enjeu éthique rejoint l’enjeu pédagogique. Si l’école interdit l’IA, elle produit de l’hypocrisie. Si elle l’autorise sans méthode, elle produit de la dépendance. Il faut donc apprendre à travailler avec l’IA comme on apprend à travailler avec un instrument puissant : en comprenant ce qu’il permet, ce qu’il masque, ce qu’il déforme et ce qu’il ne sait pas juger. Finalement, produire un esprit critique auprès des élèves et étudiants. Toutefois, l’IA n’est pas intégrée en tant que telle dans l’enseignement secondaire et les universités tentent de cadrer son usage sans se poser la question de changer de mode d’apprentissage à travers les capacités des modèles.
Certains collègues universitaires noterons ici la caricature de mes propos. Moi-même, avec des collègues, avons intégré l’IA dès 2023 (Pour rappel, MidJourney est sorti en mai 2022 et Chat GPT en novembre de la même année). Le problème aujourd’hui est que les modèles pédagogiques sont constamment itératifs au regard de la vitesse de transformation des usages face aux capacités croissantes de l’IAG.

Le problème apparaît déjà dans l’enseignement supérieur. L’enquête HEPI (2026) indique que 95 % des étudiants interrogés utilisent l’IA sous au moins une forme et que 94 % disent l’utiliser pour des travaux évalués. La proportion d’étudiants intégrant directement du texte généré par IA dans un travail évalué est passée de 3 % en 2024 à 12 % en 2026.

La vieille notion de plagiat ne suffit plus à décrire cette situation. Copier-coller un texte sans source reste évidemment une faute. Mais que faire d’un texte reformulé, structuré, traduit, enrichi, synthétisé ou partiellement produit par IA ? Que faire d’un étudiant qui a compris mais mal écrit, puis utilise l’IA pour clarifier ? Que faire d’un autre qui n’a rien compris mais produit un texte impeccable ? La question n’est plus seulement : « qui a écrit ? » Elle devient : « qui a pensé, qui a vérifié, qui assume ? »… Comme l’ensemble de cet article où l’IA nous accompagne pour la rédaction, la vérification des sources et le croisement de celles-ci à travers des outils hyper performants tel Scite.ai spécialisé dans le référencement universitaire et intégré aux IA généralistes comme Gemmini, ChatGPT ou encore Claude.

On notera que les détecteurs automatiques ne résolvent pas ce problème de valeur du travail de « contrôle critique de l’information ». Des travaux de Stanford ont montré que certains détecteurs classaient à tort une part très élevée de textes rédigés par des non-anglophones comme générés par IA, avec 61,22 % des essais TOEFL concernés dans leur expérience. Cela rappelle une évidence : on ne peut pas fonder une politique éducative sur une police algorithmique fragile.

La recherche scientifique est touchée par le même basculement. L’extrait suivant est central :

Le test CORE-Bench évalue la capacité d’un modèle à reproduire des recherches existantes, condition préalable à toute recherche originale. Il fournit à un modèle d’IA le code et les données d’un article publié, puis lui demande de tout réexécuter et de confirmer sa capacité à reproduire les résultats de l’article. En 2024, les systèmes d’IA réussissaient à reproduire les résultats dans environ 20 % des cas, tandis qu’en 2024, ils ont atteint la saturation du test. METR, qui réalise ce test de performance pour mesurer l’efficacité des modèles sur des tâches de longue durée, a constaté que Claude Mythos Preview pouvait fonctionner pendant « au moins » 16 heures et se situait « dans la partie supérieure des capacités de METR sans nouvelles tâches  (When IA Build itself, 2026)

CORE-Bench est particulièrement intéressant parce qu’il ne demande pas à l’IA de produire un discours séduisant. Il lui demande de refaire tourner une recherche existante à partir du code et des données. La version initiale du benchmark comprenait 270 tâches issues de 90 articles dans trois domaines — informatique, sciences sociales et médecine — et le meilleur agent n’atteignait alors que 21 % sur le niveau le plus difficile.

Mais la saturation rapide des benchmarks change la nature de l’évaluation. Une étude récente sur CORE-Bench montre que, lorsque l’exactitude arrive au plafond, il faut continuer à mesurer d’autres dimensions : validité, robustesse hors distribution, efficacité, fiabilité, rôle du modèle par rapport à la structure logiciel, et collaboration humain-agent. Dans leur étude, la collaboration humain-agent sur des tâches réelles de reproductibilité a réduit le temps de réalisation d’environ un facteur deux. C’est ici que l’enjeu industriel et universitaire se rejoint : la valeur n’est plus seulement dans la connaissance, mais dans la maîtrise du traitement de la connaissance. Dans un bureau d’études, dans une équipe de recherche, dans un laboratoire universitaire, la différence ne se fera plus uniquement entre ceux qui savent et ceux qui ne savent pas. Elle se fera entre ceux qui savent piloter une chaîne de production cognitive et ceux qui la subissent.

Cette transformation est déjà visible dans l’écriture scientifique. Une étude sur plus de 15 millions de résumés PubMed entre 2010 et 2024 estime qu’au moins 13,5 % des abstracts biomédicaux publiés en 2024 ont été traités par des LLM ; dans certains sous-corpus, cette borne basse dépasse 40 %. Les auteurs estiment que cela représente au minimum 200 000 articles par an assistés par LLM dans PubMed… Une autre étude menée sur 950 965 articles issus d’arXiv, bioRxiv et du portefeuille Nature entre janvier 2020 et février 2024 estime que l’usage des LLM a augmenté régulièrement, avec une progression particulièrement forte en informatique, jusqu’à 17,5 % de contenu substantiellement modifié par LLM dans certains segments.

Même l’évaluation par les pairs est concernée. Une étude de 2026 estime qu’en 2025 environ 20 % des évaluations ICLR et 12 % des évaluations de Nature Communications analysées présentaient un contenu classé comme généré par IA. Là encore, il ne faut pas confondre détection statistique et preuve individuelle. Mais le signal est suffisant pour comprendre que la chaîne complète de production scientifique — écrire, soumettre, relire, évaluer, corriger — est entrée dans une zone de transformation rapide. Face à cela, l’université ne peut pas simplement ajouter une séance de “prompt engineering” dans un coin du programme. Elle doit revoir plus profondément ses objectifs.

Former à l’IA, ce n’est pas former à cliquer sur ChatGPT. C’est former à poser une hypothèse, découper un problème, construire une requête, comparer plusieurs réponses, demander des sources, refaire un calcul, identifier une contradiction, documenter l’usage de l’outil, et surtout décider ce qui est acceptable.

Lorsque le prompt devient une nouvelle forme d’écriture académique.

Il ne remplace pas la dissertation, le rapport, le mémoire ou l’article. Il les précède, les accompagne et parfois les transforme. Il est la trace d’une intention méthodologique. Demain, un bon travail universitaire devrait pouvoir fournir non seulement une bibliographie, mais aussi une traçabilité des interactions IA : quelles questions ont été posées, quelles réponses ont été rejetées, quelles vérifications ont été faites, quelle part relève de l’étudiant, quelle part relève de l’outil. Nous l’appliquons déjà avec nos étudiants et me rappelle une réaction formidable d’un étudiant travaillant sur son TFE : travaillant sur son sujet, il trouvait les échanges avec les LLM traditionnels comme trop consensuels face à son sujet de recherche. De fait, celui-ci était dans « l’air du temps » et donc souvent cité positivement. Il décida donc de chalenger GROK (version mars 2025), l’IAG de X et Elon Musk. Il s’en suivi une proposition beaucoup plus contradictoire ! Bref, l’étudiant avait fait fonctionner son esprit critique face à une la connaissance brute qui perd de sa rareté. Le jugement, lui contrairement, devient rare. Et c’est précisément ce que les institutions doivent protéger.

Conclusion

Nous entrons dans une phase où l’IA n’accélère pas seulement les tâches. Elle accélère l’apprentissage des systèmes, la production scientifique, la rédaction, la vérification, la programmation et la diffusion des savoirs. Si cette dynamique continue, les mois qui viennent imposeront aux écoles, aux universités et aux organisations une adaptation beaucoup plus rapide que les réformes classiques qui ne suivent déjà pas. Précisons encore qu’il ne s’agit pas de courir derrière la machine, nous aurions déjà perdu la course. Il s’agit de repositionner l’humain là où il garde une valeur décisive : la formulation des finalités, le discernement, la responsabilité, la critique, la mise en contexte, la décision. L’avenir de l’éducation ne sera pas de produire des étudiants qui savent plus que l’IA. Il sera de former des humains capables de comprendre ce que l’IA produit, de savoir quand lui faire confiance, quand la contredire, quand l’arrêter, et surtout pourquoi.

La prochaine loi ne sera peut-être pas celle de Moore. Ce sera peut-être celle de la responsabilité humaine face à l’accélération des machines.

Bonne et belle journée à vous.

Merci pour le suivi de notre blog-à-idées ou à réflexions, c’est toujours agréable d’être lu et vous êtes de plus en plus nombreux (+ de 1 000 par mois en, moyenne). N’hésitez pas à commenter, c’est aussi une place de débats. Et surtout, merci de partager/liker si vous soutenez nos réflexions ou recherches. C’est un véritable soutien de votre part et il est apprécié à sa juste valeur.

Dr. Pascal SIMOENS, Architecte et urbaniste, data Scientist.
J’ai commencé ma vie en construisant des villes en Lego, j’en ai fait mon métier. Geek invétéré, aujourd’hui je joins mes passions du numérique et de la ville au travers d’une expertise smart Cities et smart-buildings comme responsable » R&D au sein du groupe Pirnay (Charleroi-Bruxelles) et plus particulièrement de sa section S²Enginnering (smart & sustainable) . En même temps, j’enseigne cette expertise  et continue la recherche dans les domaines de l’IA, l’architecture et la réduction de l’entropie du processus constructif au sien de l’UMONS. Je représente également les universités d’Etat de la communauté Française au sein du Conseil National de l’Ordre des architectes et du Conseil francophone et germanophone.

This post is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.