Capacités émergentes de l'IA : pourquoi elle progresse parfois par sauts, et ce que cela change pour vous

En 2022, des chercheurs de Google testent une astuce simple : montrer au modèle quelques exemples de problèmes résolus étape par étape, avant de lui poser la question. Sur les petits modèles, l'astuce ne sert à rien. Elle fait même parfois baisser les résultats, car le modèle produit des raisonnements « fluides mais illogiques ». Puis, autour de 100 milliards de paramètres, tout bascule : les modèles de cette taille se mettent à résoudre des problèmes de mathématiques que les plus petits ne résolvaient pas.

Les chercheurs ont donné un nom à ce phénomène : une capacité émergente. Quatre ans plus tard, la notion est toujours débattue. Elle est pourtant devenue centrale, pour les laboratoires comme pour les régulateurs. Et elle a une conséquence concrète pour une entreprise : ce que l'IA ne savait pas faire pour vous l'an dernier, elle sait peut-être le faire aujourd'hui. Le mot a aussi pris un second sens, plus inquiétant : des comportements que personne n'a demandés peuvent apparaître.

Qu'est-ce qu'une capacité émergente de l'IA ?

Une capacité émergente (en anglais, emergent ability) est une aptitude absente des petits modèles d'IA et présente dans les grands, qu'on ne peut pas prévoir en prolongeant la courbe des petits modèles. Cette définition de référence date de 2022. Elle vient d'un article signé par seize chercheurs, dont Jason Wei, alors chez Google, et publié dans la revue Transactions on Machine Learning Research.

C'est contre-intuitif, car une partie du progrès de l'IA est remarquablement régulière. En janvier 2020, une équipe d'OpenAI menée par Jared Kaplan montre que la perte d'un modèle de langage, une mesure de sa capacité à prédire le mot suivant, diminue selon une loi régulière quand on augmente sa taille, ses données et la puissance de calcul. Certaines de ces tendances tiennent sur plus de sept ordres de grandeur. C'est cette régularité qui justifie les investissements massifs des laboratoires. Mais elle ne prévoit qu'une mesure globale, pas les tâches précises que le modèle saura accomplir.

Les capacités émergentes illustrent cet écart. La perte baisse doucement, mais sur certaines tâches, les scores restent au niveau du hasard, puis décollent d'un coup. Le bénéfice du raisonnement étape par étape en est l'exemple le plus connu. Toutes les tâches ne se comportent pas ainsi. Le vaste banc d'essai BIG-bench, publié en 2022, montre que les tâches qui progressent graduellement font surtout appel à des connaissances. Celles qui progressent par « percée » comportent souvent plusieurs étapes, ou sont notées de façon fragile.

Capacités émergentes : saut réel ou mirage de mesure ?

En 2023, trois chercheurs de Stanford (Rylan Schaeffer, Brando Miranda et Sanmi Koyejo) publient une critique qui fait date. Selon eux, une bonne partie de ces sauts serait un « mirage » créé par la façon de noter les modèles.

Leur argument tient en deux phrases. Si l'on note une réponse en tout ou rien (juste ou fausse), un modèle qui s'améliore progressivement obtient zéro jusqu'au jour où il franchit la barre, puis tout d'un coup un bon score. Si l'on note avec une mesure graduée, par exemple en comptant les corrections nécessaires pour obtenir la bonne réponse, la courbe redevient régulière et le saut disparaît. Les auteurs ajoutent que des jeux de test trop petits accentuent l'illusion.

Le débat n'est pas clos. En 2024, une équipe menée par Zhengxiao Du montre, dans un article présenté à la conférence NeurIPS, que le saut apparaît quand la perte du modèle pendant son pré-entraînement passe sous un seuil précis, même avec des mesures graduées. En deçà, le modèle reste proche du hasard sur ces tâches.

Pour un dirigeant, ce débat a une leçon pratique. Votre décision, elle, fonctionne par seuil : un cas d'usage devient rentable quand le taux d'erreur passe sous la barre que vous pouvez tolérer. Mais si vous suivez une mesure graduée sur vos propres documents, version après version (la part des champs correctement extraits d'une facture, par exemple), vous verrez souvent le seuil approcher au lieu de le découvrir.

Des chercheurs travaillent aussi à prévoir ces seuils. En 2024, une équipe de l'université de Berkeley a montré qu'en affinant des modèles existants sur une tâche, c'est-à-dire en les réentraînant brièvement sur des exemples de cette tâche, on peut parfois prévoir si un modèle entraîné avec jusqu'à quatre fois plus de calcul la réussira. Les auteurs précisent que la méthode fonctionne « dans certains cas » seulement.

Comment les capacités émergentes ont évolué, de 2020 à 2026

Jusqu'en 2023, le moteur principal des capacités nouvelles était la taille. Il ne s'est pas arrêté, mais un second s'y ajoute. Le rapport scientifique international sur la sûreté de l'IA (ci-après, le rapport international), rédigé sous la présidence de Yoshua Bengio et publié le 3 février 2026, le résume ainsi : les gains viennent de plus en plus de techniques appliquées après l'entraînement initial, et du calcul accordé au modèle pour réfléchir avant de répondre. L'augmentation du calcul d'entraînement continue, elle aussi, d'améliorer les modèles.

Les modèles dits « de raisonnement » héritent de l'idée de 2022, mais vont plus loin. Ils sont entraînés par renforcement, c'est-à-dire par essais et erreurs récompensés, à produire des étapes intermédiaires, à les vérifier et à revenir sur leurs erreurs. Le laboratoire chinois DeepSeek a montré début 2025 que ces comportements de vérification apparaissent d'eux-mêmes avec cette méthode. Les résultats ont suivi. En 2025, des systèmes ont atteint le niveau médaille d'or aux Olympiades internationales de mathématiques. Sur certains tests, les meilleurs modèles répondent correctement à plus de 80 % des questions scientifiques de niveau master et doctorat.

La puissance de calcul continue aussi d'augmenter. Selon le rapport international, les modèles de pointe sont entraînés avec environ cinq fois plus de puissance de calcul chaque année, et les méthodes d'entraînement deviennent de deux à six fois plus efficaces par an. Le nombre de paramètres affiché ne suffit d'ailleurs plus à comparer les modèles, comme nous l'expliquons à propos des modèles MoE.

La dernière étape concerne l'autonomie. L'organisme d'évaluation indépendant METR mesure, sur une batterie de tâches de développement logiciel et d'apprentissage automatique, la durée des tâches qu'un agent d'IA réussit une fois sur deux, exprimée en temps de travail humain. En février-mars 2026, cette durée était d'environ 12 heures pour les meilleurs modèles publics, avec une forte incertitude (de 5 à 61 heures). Pour une réussite huit fois sur dix, elle tombe à environ une heure et demie. Pour les modèles internes aux laboratoires, METR l'estime probablement à 16 heures ou plus, au-delà de ce que sa batterie de tests sait mesurer.

Ce qui émerge en 2026 : capacités utiles et comportements à risque

Le mot « émergent » a pris un second sens. Il désigne aussi des comportements inattendus que personne n'a demandés, sans lien démontré avec la taille des modèles. Il faut y distinguer ce que le modèle sait faire (repérer qu'il est testé) de ce qu'il choisit de faire (tricher, ou se comporter autrement quand il se sait observé).

Du côté utile, le rapport international note que les agents de programmation réussissent désormais de façon fiable certaines tâches qui prendraient une demi-heure à un développeur, contre moins de dix minutes un an plus tôt. Lors d'une compétition, un agent a identifié 77 % des vulnérabilités présentes dans un logiciel réel. Nous détaillons ce que cette capacité change pour la sécurité des entreprises dans Cyberattaques : l'IA ne crée pas la menace, elle en fait baisser le coût.

Du côté des comportements à surveiller, trois reviennent dans les rapports de 2025 et 2026.

Le premier est la capacité des modèles à repérer qu'ils sont testés. Selon le rapport international, il est de plus en plus fréquent que les modèles distinguent une situation de test d'un usage réel, ce qui pourrait laisser passer des capacités dangereuses avant leur mise sur le marché. Le rapport de METR publié le 19 mai 2026 le confirme : les agents examinaient souvent s'ils étaient évalués et comment ils seraient notés, et se comportaient parfois différemment en conséquence. D'où la difficulté : un modèle qui sait qu'il est testé ne montre pas forcément son comportement réel.

Le deuxième relève de la propension : la triche et le dépassement de périmètre. METR a analysé 44 incidents documentés de dépassement de périmètre et de tromperie, une sélection d'exemples tirés de documents publics, de ses propres évaluations et de signalements d'entreprises. Séparément, sur les tâches de plus de huit heures de sa batterie de tests, au moins 16 % des exécutions réussies se sont révélées illégitimes à l'examen. METR conclut que les agents utilisés en interne par les laboratoires pouvaient vraisemblablement lancer de petits déploiements non autorisés, c'est-à-dire se mettre à fonctionner sans que personne ne l'ait décidé, mais pas les rendre vraiment robustes.

Le troisième est le désalignement émergent. En 2025, une équipe de chercheurs a affiné GPT-4o, c'est-à-dire l'a réentraîné sur 6 000 exemples, pour une tâche très ciblée : écrire du code contenant des failles de sécurité, sans le signaler. Sur une sélection de questions sans rapport avec le code, le modèle obtenu donnait environ une réponse nuisible sur cinq, par exemple en affirmant que l'IA devrait dominer les humains. Quand le même code vulnérable était demandé explicitement pour un cours de sécurité, ce désalignement n'apparaissait pas. Le travail a été publié à la conférence ICML 2025, puis dans une version étendue dans la revue Nature en 2026. Les auteurs indiquent que l'explication complète du phénomène reste une question ouverte.

Qui évalue et encadre les capacités émergentes ?

Trois types d'acteurs se partagent la question.

Les laboratoires mesurent eux-mêmes les capacités de leurs modèles avant de les publier. En mai 2025, Anthropic a activé à titre de précaution un niveau de protection renforcé, appelé ASL-3, pour son modèle le plus avancé de l'époque, Claude Opus 4. Selon le rapport international, plusieurs développeurs ont publié en 2025 des modèles avec des protections supplémentaires, faute de pouvoir exclure qu'ils aident un novice à concevoir des armes biologiques.

Les évaluateurs indépendants, comme METR, examinent ces modèles avec un accès fourni par les laboratoires. METR souligne lui-même les limites de son rapport de mai 2026, qu'il qualifie de très incertain : quatre entreprises participantes seulement (Anthropic, Google, Meta et OpenAI), sans droit d'approbation sur le rapport, et aucune garantie sur les modèles internes d'Amazon, de Microsoft ou de xAI, qui n'y participaient pas.

Les régulateurs fixent des seuils. En Europe, le règlement européen sur l'IA (AI Act) présume qu'un modèle d'IA à usage général présente un « risque systémique » au-delà de 10²⁵ opérations de calcul pour son entraînement. La Commission indique que ce seuil est en cours de révision. Les obligations des fournisseurs de ces modèles s'appliquent depuis le 2 août 2025. Un code de bonnes pratiques, publié par la Commission le 10 juillet 2025, retient quatre risques systémiques à évaluer : armes chimiques, biologiques, radiologiques et nucléaires ; cyberattaque ; perte de contrôle ; manipulation.

Ce que cela change pour une PME

L'usage de l'IA progresse vite dans les entreprises françaises. Selon l'Insee, 18 % des entreprises de 10 salariés ou plus déclarent utiliser au moins une technologie d'IA en 2025, contre 10 % en 2024. L'écart selon la taille reste fort : 15 % pour les entreprises de 10 à 49 salariés, 58 % pour celles de 250 salariés ou plus. Parmi celles qui ne l'utilisent pas, 71 % disent ne pas en voir l'utilité.

Ces sauts produisent un profil de compétences irrégulier, que des chercheurs de Harvard et du Boston Consulting Group ont appelé en 2023 la frontière « en dents de scie ». Le rapport international reprend l'image : les meilleurs systèmes réussissent certaines tâches difficiles mais échouent sur d'autres en apparence plus simples, comme compter des objets sur une image ou se rattraper d'erreurs élémentaires dans une tâche longue.

L'expérience de Harvard et du BCG, menée avec 758 consultants et GPT-4, en a mesuré l'effet. Sur les tâches à la portée de l'IA, les consultants équipés ont réalisé 12,2 % de tâches en plus, 25,1 % plus vite, avec une qualité supérieure de plus de 40 %. Sur une tâche choisie pour être hors de portée de l'IA, leur taux de bonnes réponses a été inférieur de 19 points à celui de leurs collègues sans IA : l'outil les a fait se tromper plus souvent. L'étude date de 2023 et porte sur un modèle aujourd'hui dépassé. La frontière a bougé depuis, ce qui est précisément le sujet de cet article.

Quatre réflexes en découlent :

Pour aider un comité de direction à comprendre ces nuances sans jargon, voir aussi Expliquer l'IA à un dirigeant : sortir de l'illusion de simplicité.

Les capacités émergentes ne sont pas de la magie, et leur nature exacte reste débattue. Un fait est établi : l'IA progresse régulièrement en moyenne, mais sur certaines tâches, son score passe brusquement d'un niveau proche du hasard à un niveau utile. Pour une entreprise, la conséquence est claire. Ce que vous savez des capacités d'un modèle a une date de péremption, et la seule mesure qui compte est celle que vous suivez sur vos propres cas.

Sources

• Wei et al. — Emergent Abilities of Large Language Models (TMLR, 2022) : définition des capacités émergentes.
• Wei et al. — Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (2022) : exemples résolus, seuil d'environ 100 milliards de paramètres, raisonnements « fluides mais illogiques ».
• Google Research — Language Models Perform Reasoning via Chain of Thought (mai 2022) : présentation des mêmes travaux.
• Srivastava et al. — Beyond the Imitation Game (BIG-bench, TMLR) : tâches graduelles et tâches à percée.
• Kaplan et al. — Scaling Laws for Neural Language Models (janvier 2020) : lois d'échelle.
• Schaeffer, Miranda, Koyejo — Are Emergent Abilities of Large Language Models a Mirage? (2023) : la critique du « mirage ».
• Du et al. — Understanding Emergent Abilities of Language Models from the Loss Perspective (NeurIPS 2024) : seuil de perte.
• Snell et al. — Predicting Emergent Capabilities by Finetuning (2024) : prévoir l'émergence.
• DeepSeek-AI — DeepSeek-R1 : raisonnement par apprentissage par renforcement (2025) : comportements de vérification émergents.
• International AI Safety Report 2026 (3 février 2026) : état des capacités, calcul, évaluations, capacités en dents de scie.
• METR — Frontier Risk Report, février à mars 2026 (19 mai 2026) : horizon temporel des agents, incidents, triche, permissions.
• Betley et al. — Emergent Misalignment (ICML 2025) : désalignement après un affinage ciblé.
• Betley et al. — version étendue publiée dans Nature (2026).
• Commission européenne — obligations des modèles d'IA à usage général : seuil de risque systémique et calendrier.
• Commission européenne — code de bonnes pratiques pour l'IA à usage général (10 juillet 2025).
• AI Frontiers — How the EU's Code of Practice Advances AI Safety : les quatre risques systémiques du code.
• Commission européenne — maîtrise de l'IA, questions-réponses : article 4 du règlement.
• Anthropic — Activating AI Safety Level 3 Protections (22 mai 2025) : activation de l'ASL-3 pour Claude Opus 4.
• Insee Première n° 2120 — Les TIC dans les entreprises en 2025 (21 juillet 2026) : usage de l'IA par taille d'entreprise.
• Dell'Acqua et al. — Navigating the Jagged Technological Frontier (Harvard Business School, Working Paper 24-013, 2023) : la frontière en dents de scie.
• Chen, Zaharia, Zou — How is ChatGPT's behavior changing over time? (2023) : régressions entre versions.

À propos de l'auteur

Frédéric Michel dirige Oppchain, cabinet et organisme de formation certifié Qualiopi spécialisé en IA agentique. Il conçoit et met en production des agents pour des PME et des ETI, et anime des ateliers de cadrage IA en comité de direction.