Un talk de dix minutes à la conférence Sequoia AI Ascent 2026 a remis un mot au centre des conversations de comité de direction : l'auto-amélioration de l'IA. Deux chercheuses, Anna Goldie et Azalia Mirhoseini, y ont présenté leur entreprise, Ricursive Intelligence, qui utilise l'IA pour concevoir des puces plus performantes, lesquelles font tourner une IA elle-même plus performante. Je ne vous écris pas cet article pour vous parler de semi-conducteurs. Je vous l'écris parce que ce que ces deux fondatrices décrivent, une boucle qui s'améliore en s'appuyant sur ses propres résultats, est en train de devenir une question de stratégie et de rythme de décision, bien au-delà du matériel informatique.

Dans mes accompagnements de CODIR, j'observe une gêne récurrente : les dirigeants sentent que quelque chose accélère, sans savoir nommer quoi, ni quoi en faire concrètement. Cet article propose un cadre pour penser cette accélération, un regard lucide sur ce qu'elle est vraiment (et ce qu'elle n'est pas encore), et une méthode pour ajuster le tempo de votre organisation sans céder à la panique ni à la hype.

1. Qu'est-ce que l'auto-amélioration de l'IA ?

L'auto-amélioration de l'IA désigne le fait d'utiliser l'IA pour améliorer les conditions de sa propre performance, de sorte que chaque progrès facilite le suivant. Le terme technique, recursive self-improvement, existe depuis longtemps dans la recherche. Ce qui est nouveau en 2026, ce n'est pas le concept : c'est de le voir appliqué à un maillon concret de la chaîne, la conception des puces, par des équipes qui l'ont déjà fait fonctionner en production.

1.1 L'exemple Ricursive : l'IA qui conçoit ses propres puces

Anna Goldie et Azalia Mirhoseini ne sont pas des inconnues du secteur. Chez Google, elles ont co-créé AlphaChip, un agent d'apprentissage par renforcement capable de dessiner l'agencement physique d'une puce, ce placement de milliards de composants qui prend habituellement des mois à des centaines d'ingénieurs. Le travail a été publié dans Nature en 2021, mais surtout, il a servi à fabriquer de vraies puces : les dernières générations de processeurs d'IA de Google (les TPU), avec une adoption par des acteurs externes comme MediaTek.

Avec Ricursive Intelligence, elles poussent l'idée plus loin : automatiser l'ensemble du flux de conception pour, selon leurs mots, « fermer la boucle récursive et auto-améliorante entre l'IA et son substrat physique ». Autrement dit, faire en sorte que de meilleures IA conçoivent de meilleures puces qui permettent de meilleures IA. Un détail éloquent qu'elles ont partagé : les agencements de puces générés par l'IA ressemblent à des formes organiques et courbes, très différentes des tracés réguliers et alignés des ingénieurs humains. La machine n'imite pas la méthode humaine ; elle en trouve une autre.

1.2 Ce que cette boucle est vraiment (et ce qu'elle n'est pas)

Soyons précis pour ne pas survendre. Ricursive décrit un chemin en trois phases, et l'entreprise se situe encore dans la première. La boucle complète, celle où le système conçoit et entraîne ses propres modèles en circuit fermé, reste une thèse d'entreprise, pas un fait établi. Le tableau ci-dessous reprend les trois phases telles qu'elles les ont exposées.

2. Pourquoi l'accélération composée change la donne ?

L'accélération composée change la donne parce qu'elle transforme une addition en multiplication. Quand une amélioration sert de socle à la suivante, les gains ne s'additionnent plus, ils composent, exactement comme des intérêts. Un cycle qui progresse de 1 % et réinvestit ce gain dans le cycle suivant finit très loin d'un cycle qui progresse de 1 % une fois pour toutes. C'est toute la différence entre une courbe droite et une courbe qui s'incurve vers le haut.

Azalia Mirhoseini l'a formulé simplement pendant le talk : à l'échelle où tournent les modèles d'IA, « même 1 % d'amélioration sur une puce qui sert un modèle de pointe est un gain massif ». Ce raisonnement du petit pourcentage qui compte, répété et réinvesti, n'est pas nouveau pour qui connaît le rôle du feedback dans l'amélioration continue. C'est la logique du kaizen, la philosophie qui donne son nom à ce site : progresser par petits pas réguliers. La nouveauté, c'est la vitesse et l'automaticité avec lesquelles la boucle peut désormais tourner sur certains maillons.

Le kaizen a toujours consisté à faire composer des petits gains. Ce que l'IA ajoute, ce n'est pas l'idée, c'est le régime moteur : la boucle peut tourner plus vite, plus souvent, avec moins de fatigue humaine à chaque tour.

Pour un dirigeant, la conséquence est contre-intuitive. Deux organisations peuvent partir au même niveau ; si l'une a une boucle d'amélioration qui compose et l'autre non, l'écart entre elles ne se creuse pas de façon régulière, il s'accélère. Le retard se paie donc plus cher qu'avant, non pas parce que le concurrent va vite à un instant T, mais parce que sa vitesse elle-même augmente.

3. En quoi l'avantage concurrentiel se déplace-t-il ?

L'avantage concurrentiel se déplace du « coup d'avance » ponctuel vers la vitesse de la boucle d'apprentissage. Dans un monde composé, ce n'est plus tant ce que vous savez faire aujourd'hui qui protège votre position, c'est la rapidité avec laquelle vous apprenez, corrigez et réinvestissez. Les fondatrices de Ricursive le disent à propos de leurs systèmes : leurs IA « adorent les boucles d'itération rapides » et apprennent d'autant mieux qu'elles peuvent essayer souvent. Le principe vaut pour une équipe humaine.

3.1 Le coût de la lenteur devient visible

Pour illustrer l'enjeu, les fondatrices ont cité une estimation frappante : un seul jour de retard sur une puce de pointe pourrait représenter de l'ordre de 225 millions de dollars de manque à gagner. Je prends ce chiffre pour ce qu'il est, une estimation orale avancée pendant un talk, sans étude publique indépendante pour l'étayer. Il ne faut donc pas le citer comme une statistique établie. Mais l'ordre d'idée dit quelque chose de vrai : quand la boucle compose, le temps perdu n'est pas un coût fixe, c'est un coût qui grandit.

3.2 Un nouveau levier : échanger de la ressource contre du temps

Autre point de bascule : Azalia Mirhoseini décrit l'arrivée d'un « bouton » que l'on peut tourner. En investissant davantage de puissance de calcul, on peut réduire le temps nécessaire pour concevoir une solution et gagner en performance. Traduit en langage de dirigeant : apparaissent des situations où l'on peut acheter du temps de cycle avec de la ressource. Ce n'est pas magique, et cela ne s'applique pas partout, mais c'est un arbitrage nouveau à intégrer, au même titre que l'on arbitre déjà entre risque et récompense dans nos décisions.

La bonne question n'est plus seulement « quelle est la bonne décision ? », mais « à quelle vitesse suis-je capable de découvrir que je me suis trompé, et de me corriger ? ».

4. Faut-il croire à une accélération infinie ?

Non, et c'est important de le dire clairement. L'idée d'une IA qui s'améliorerait sans fin, toute seule, relève pour l'instant du récit, pas de la démonstration. Plusieurs garde-fous méritent d'être posés avant d'aligner sa stratégie sur une promesse.

• La boucle ne se referme pas partout. Elle fonctionne là où la sortie d'un système peut nourrir directement son entrée (données d'usage, mesures, performance mesurable). Beaucoup d'activités humaines ne bouclent pas ainsi : une relation de confiance, une décision éthique, un changement culturel ne se composent pas à la vitesse d'un calcul.
• Les percées réelles restent discutées. AlphaChip lui-même a fait l'objet d'un débat scientifique public sur la robustesse de ses résultats, avec un addendum publié dans Nature en 2024. Que même une avancée démontrée reste contestée invite à la prudence sur les annonces plus spéculatives.
• Le marché price la vision, pas encore la preuve. Ricursive a levé des centaines de millions de dollars pour une valorisation de plusieurs milliards en quelques mois. C'est un signal d'attente forte, pas une validation de la boucle complète. L'enthousiasme des investisseurs n'est pas un résultat.
• Les limites physiques et réglementaires tiennent. Fabriquer une puce reste une affaire d'usines, de matériaux, de délais et de règles. L'accélération logicielle bute sur le monde réel.

Le discernement du dirigeant consiste précisément à distinguer les endroits où la boucle peut vraiment se refermer chez lui, de ceux où elle ne le peut pas. C'est le même réflexe que je défends quand j'invite à garder l'initiative humaine face aux agents IA : adopter la lucidité, ni le déni, ni la fascination.

5. Comment régler le tempo de son organisation ?

Pour régler le tempo de son organisation, il faut d'abord mesurer la vitesse réelle de sa boucle d'apprentissage, puis la raccourcir avant de chercher à produire plus vite. Un dirigeant ne rivalisera jamais avec une machine sur la vitesse brute ; son levier, c'est la qualité et la longueur de la boucle qu'il fait tourner. Voici une méthode en cinq étapes, celle que je déroule en accompagnement.

1. Cartographier ses boucles d'apprentissage. Repérez les activités où une donnée d'usage peut revenir améliorer l'offre, qui nourrit ensuite un meilleur usage. Ce sont vos boucles composables. Toutes vos activités n'en sont pas ; concentrez-vous sur celles qui le sont.
2. Mesurer la distance entre décision et apprentissage. Chronométrez honnêtement le délai entre une décision et l'enseignement qu'elle produit. Ce délai, souvent bien plus long qu'on ne l'imagine, est le vrai plafond de vitesse de votre organisation.
3. Raccourcir la boucle avant d'accélérer la production. Réduisez d'abord le temps de retour d'expérience (cycles courts, décision au plus près du terrain) plutôt que d'empiler des outils sur un cycle resté lent. Ajouter de l'IA à un processus lent ne fait qu'accélérer la production de mauvaises décisions.
4. Industrialiser le feedback. Instrumentez chaque expérimentation dès le départ pour que l'apprentissage soit systématique et partagé, pas anecdotique. Une organisation qui apprend par hasard n'a pas de boucle : elle a des accidents heureux.
5. Garder l'humain sur le cap. Réservez le jugement humain aux décisions qui ne se composent pas : le sens, l'éthique, la direction, l'arbitrage sous incertitude. C'est là que se joue votre valeur, pas dans la course à la cadence.

6. Ce que cela demande aux équipes et aux DRH

Pour les équipes et les DRH, l'enjeu est de recentrer les humains sur ce qui ne se compose pas encore, tout en faisant monter la culture d'itération. Si la machine excelle à répéter vite une boucle bien définie, la valeur humaine se déplace vers ce que la boucle ne sait pas faire : définir le bon problème, tenir le sens, arbitrer entre des intérêts contradictoires, entretenir la confiance.

C'est une reconfiguration des métiers, pas leur disparition, une dynamique que j'ai détaillée à propos de la façon dont l'IA reconfigure les métiers plutôt qu'elle ne les supprime. Concrètement, trois chantiers reviennent côté RH et management :

• Développer la culture d'expérimentation. Apprendre aux équipes à formuler une hypothèse, la tester petit, en tirer un enseignement partagé. C'est un savoir-faire collectif qui s'entretient, au même titre que la capacité à mobiliser l'intelligence collective.
• Renforcer la capacité d'adaptation. Un tempo plus rapide ne tient pas sans une vraie résilience organisationnelle par l'agilité. Aller vite sans se briser suppose des équipes qui absorbent le changement, pas qui le subissent.
• Protéger l'attention et le jugement. Plus la boucle tourne vite, plus le risque est de décider en pilote automatique. Le rôle du management est de préserver les espaces où l'on pense, où l'on doute, où l'on décide vraiment.

La vraie transformation n'est pas de faire tourner la boucle plus vite que le voisin. C'est de garder, à chaque tour, une organisation qui sait pourquoi elle tourne.