La vitesse que aucun équipe humaine ne peut soutenir
Andrej Karpathy, cofondateur d'OpenAI et ancien directeur de l'IA chez Tesla, a publié en mars 2026 un dépôt de code source ouvert appelé autoresearch. Le mécanisme est trompeusement simple : un agent d'intelligence artificielle reçoit un objectif en langage naturel, propose des modifications à un fichier de formation, exécute des cycles de cinq minutes sur un GPU NVIDIA H100, mesure les résultats par rapport à une métrique fixe, et répète le processus sans intervention humaine jusqu'à ce que quelqu'un l'arrête. En deux jours, le système a complété 700 expériences. En huit heures, 100. Le dépôt a accumulé 8 000 étoiles sur GitHub en quelques jours.
Avant de parler de technologie, il faut aborder l'économie opérationnelle. Une PME de développement de logiciels qui souhaite optimiser son propre modèle de langage confiera cette tâche à deux ou trois scientifiques de données. Cette équipe peut, si tout va bien, exécuter dix à quinze variations par semaine si elle gère bien le temps de calcul, la documentation et les réunions de révision. Autoresearch exécute cent variations pendant que cette équipe dort. Ce n’est pas une amélioration incrémentale de productivité : c'est un changement d’ordre de grandeur dans la vitesse d'itération, et ces ordres de grandeur sont rarement absorbés par les modèles d'affaires existants.
Ce que Karpathy a construit n’est pas un produit commercial ni une plateforme d'entreprise. C’est une démonstration de 630 lignes de code qui teste un principe : les cycles d’expérimentation autonomes, délimités et mesurables s’étendent de manière à ce que le travail humain séquentiel ne peut égaler. C'est ce qui rend cette nouvelle pertinente pour une PME, même si elle n'a jamais entraîné de modèle de langage de sa vie.
Le modèle qui importe n’est pas dans les modèles d’IA
L’erreur la plus coûteuse qu’un cadre d’une PME peut commettre en lisant cette histoire est de conclure qu’il s’agit d’un progrès pour les laboratoires de recherche ou pour des entreprises avec des budgets de calcul à huit chiffres. La logique du cycle autonome de Karpathy, qui propose un changement, l’exécute, mesure le résultat par rapport à une métrique objective et commite le progrès dans un dépôt de versions, est transférable presque sans modification à des dizaines de processus qui consomment actuellement le temps de personnes qualifiées dans des entreprises de toute taille.
Pensez à une agence de marketing de performance qui consacre aujourd'hui trois jours par semaine à construire des variantes d'annonces, à les exécuter dans des campagnes pilotes, à consolider les données dans un tableau de bord et à décider de ce qu’il faut développer. Ou à une entreprise de services financiers qui examine manuellement des centaines de documents pour déceler des anomalies avant de présenter un rapport hebdomadaire au client. Ou à une entreprise de commerce électronique qui ajuste les prix et le positionnement des produits selon des règles qu'un analyste junior applique avec une feuille de calcul. Dans tous ces cas, la structure de travail est identique à celle de autoresearch : il y a une métrique objective, des variables qui peuvent être modifiées de manière systématique et un cycle de rétroaction qui dépend aujourd'hui d'un humain pour se clôturer.
L’avantage concurrentiel ne sera pas d’avoir accès à la technologie, mais d’être le premier à identifier quel processus interne possède une métrique suffisamment claire pour automatiser le cycle. Les entreprises qui ne peuvent pas nommer en trente secondes quel est leur processus le plus répétitif avec une sortie mesurable fonctionnent dans une opacité que le marché ne leur pardonnera plus quand leur concurrent sera capable de le faire.
L’analyse de LeapLytics, citée dans les rapports sur le projet, pointe directement cela : les équipes de Business Intelligence dépensent une fraction démesurée de leur capacité dans des tâches ayant des métriques claires mais qui n'ont jamais été formalisées comme un cycle automatisable. Rapports, détection d’anomalies, qualification de prospects. Des processus où l'humain n’apporte pas de jugement éditorial à chaque itération, mais exécute simplement un protocole déjà implicite dans ses décisions.
Ce qui est éliminé en premier change tout le reste
Il existe un piège structurel dans la manière dont la plupart des PME envisagent d’adopter ces outils : elles les abordent comme une couche supplémentaire à leur opération existante. Elles engagent quelqu’un pour explorer l’IA, demandent un pilote, ajoutent un budget d’outils et continuent d’exécuter le processus manuel en parallèle comme filet de sécurité. Le résultat est qu’elles doublent les coûts pendant la période de transition et n’éliminent jamais la friction d'origine.
La logique de autoresearch suggère l’opposé. Le projet fonctionne parce qu’il est construit sur des contraintes délibérées : un seul fichier modifiable, des cycles de formation de cinq minutes exactement, une seule métrique d’évaluation. Karpathy n’a pas tenté de répliquer la complexité d’un laboratoire de recherche complet. Il a éliminé tout ce qui n'était pas nécessaire pour faire fonctionner le cycle, et cette élimination est ce qui rend la vitesse possible.
Pour une PME, la question opérationnelle n'est pas combien d'IA ajouter, mais quelles variables du processus actuel peuvent être fixées, quelles variables restent ouvertes à l'itération et quelle est la seule métrique contre laquelle on mesure le progrès. Cette architecture de contraintes est ce qui transforme un processus chaotique en un cycle évolutif. Et cette architecture ne nécessite pas un budget de recherche : elle exige une discipline analytique pour diagnostiquer le processus avant de l'automatiser.
La communauté qui s'est formée autour du dépôt de Karpathy a immédiatement commencé à explorer des variantes avec plusieurs agents : un qui génère des hypothèses, un autre qui exécute les expériences, un troisième qui synthétise les résultats. Ce modèle de spécialisation modulaire est exactement ce que les PME devraient observer, car il réplique la structure d'une équipe humaine efficace, mais sans les goulets d'étranglement de coordination qui alourdissent et ralentissent les véritables équipes humaines.
Le leadership qui construit une demande propre, pas celui qui optimise des miettes
La narration dominante autour d'outils comme autoresearch a tendance à se cadrer en termes d’efficacité : faire la même chose plus vite et moins cher. Cette approche est correcte mais insuffisante, et c’est ce qui pousse les directeurs à mettre en œuvre ces outils pour réduire les coûts sans changer la proposition de valeur qu'ils offrent au marché.
L'opportunité la plus profonde est différente. Une PME qui peut exécuter cent variations de sa proposition de valeur dans le temps où son concurrent en teste deux n'opère pas seulement avec une plus grande efficacité : elle fonctionne avec un taux d’apprentissage qui lui permet de trouver des combinaisons que personne sur le marché n'a encore explorées. La vitesse d’itération, lorsqu’elle est couplée à une métrique qui mesure la valeur réelle pour le client, devient le mécanisme pour découvrir une demande que personne ne satisfait.
Cela ne se produit pas automatiquement. Cela se produit lorsque le responsable comprend que l'outil ne vaut rien sans une hypothèse initiale bien construite sur quelle variable du processus génère le plus d'impact sur l'expérience client. Karpathy fournit le moteur ; la stratégie de l’entreprise décide de la destination. Les leaders qui continueront à brûler leur budget dans des pilotes d’IA sans résultats sont ceux qui arriveront à ces outils en cherchant des raccourcis pour concurrencer sur le même terrain où ils perdent déjà. Le leadership qui construit des positions durables est celui qui utilise la vitesse d’expérimentation pour identifier et occuper l’espace que le marché ne sait même pas qu'il a besoin.
