Les six changements qui ont remodelé l'IA en 2025 : du RLVR à Nano Banana

Tout au long de 2025, l’industrie de l’intelligence artificielle a connu une série de transformations fondamentales qui ont modifié non seulement la façon dont les systèmes d’IA sont entraînés, mais aussi comment ils sont déployés, perçus et intégrés dans les flux de travail humains. Ce qui a commencé comme des innovations techniques au sein de laboratoires de recherche s’est propagé en changements de paradigmes redéfinissant tout l’écosystème de l’IA. Ces six transformations, analysées par le chercheur en IA de renom Andrej Karpathy, représentent bien plus que de simples améliorations incrémentielles — elles annoncent l’émergence d’une nouvelle ère informatique.

Changement 1 : Les récompenses vérifiables remplacent le jugement humain dans l’entraînement des modèles

Pendant des années, le processus standard d’entraînement pour les grands modèles de langage suivait une séquence prévisible : pré-entraînement similaire à GPT-2/3, suivi d’un ajustement supervisé (reflété par InstructGPT de 2022), puis par apprentissage par renforcement à partir de feedback humain (RLHF). Cette approche en trois étapes était devenue la norme dans l’industrie, affinée et éprouvée dans plusieurs grands laboratoires d’IA.

En 2025, cette pile de production a subi sa refonte la plus significative depuis des années. L’apprentissage par renforcement basé sur des récompenses vérifiables (RLVR) est devenu le paradigme dominant, modifiant fondamentalement la façon dont les modèles développent leurs capacités de raisonnement. Plutôt que de dépendre d’annotateurs humains pour évaluer les résultats, le RLVR entraîne les modèles dans des environnements où le succès peut être vérifié de manière objective — solutions mathématiques, tâches de programmation, chaînes de raisonnement logique — des environnements où une réponse correcte est sans ambiguïté.

Ce changement s’est manifesté de façon la plus visible à travers des modèles comme o1 d’OpenAI (révélé fin 2024) et la sortie emblématique o3 début 2025. Ces systèmes ne se contentaient pas de répondre plus vite ou de façon plus fluide ; ils ont démontré la capacité à construire spontanément des chaînes de raisonnement, décomposant des problèmes complexes en étapes intermédiaires et affinant itérativement les solutions par ce qui ressemble à une délibération humaine. Le papier DeepSeek-R1 a fourni des preuves transparentes de la façon dont cette méthodologie d’entraînement permet aux modèles de découvrir des stratégies de résolution de problèmes sophistiquées que les approches supervisées ne pourraient jamais débloquer.

Les implications computationnelles se sont révélées stupéfiantes. Contrairement aux phases traditionnelles d’ajustement qui consomment des ressources modestes, le RLVR exige des cycles d’optimisation étendus — absorbant des budgets informatiques initialement destinés à l’expansion du pré-entraînement. Les grandes organisations d’IA ont absorbé ces demandes extraordinaires, acceptant des délais d’entraînement plus longs en échange de performances de modèle nettement supérieures. Une innovation secondaire a émergé de ce changement : une nouvelle dimension de mise à l’échelle. Au lieu de mesurer la capacité uniquement par la taille du modèle, les laboratoires ont découvert qu’ils pouvaient moduler la performance lors de l’inférence en contrôlant le « temps de réflexion » computationnel — générant des trajectoires de raisonnement plus longues qui se corrèlent directement avec la qualité de la sortie.

Changement 2 : Comprendre l’intelligence artificielle comme fondamentalement étrangère

Pour la première fois en 2025, la communauté de recherche en IA a commencé à élaborer un cadre mature pour comprendre l’intelligence artificielle selon ses propres termes plutôt que par analogie biologique. L’erreur conceptuelle dominante avait été de traiter les grands modèles de langage comme des créatures à « faire évoluer et à faire naître », alors que la réalité s’est avérée bien plus étrangère.

La distinction s’est cristallisée autour d’un insight central : les réseaux neuronaux humains, optimisés sur des millénaires pour la survie tribale en jungle, ne ressemblent en rien aux cibles d’optimisation des systèmes d’IA. Alors que les humains internalisent des schémas pour la navigation sociale et la survie physique, les grands modèles de langage s’entraînent à imiter le texte humain, maximiser les récompenses de résolution de problèmes mathématiques, et naviguer dans des mécanismes de feedback basés sur l’approbation. Ces objectifs fondamentalement différents produisent des entités dont l’intelligence présente des caractéristiques impossibles dans un contexte biologique.

Cette reconnaissance a conduit à ce que l’on pourrait appeler « Intelligence Fantomatique » versus « Intelligence en dents de scie, semblable à celle des animaux » — une distinction poétique qui capture le paysage de capacités escarpé et imprévisible. Les grands modèles de langage ne développent pas une compétence croissante de façon fluide dans tous les domaines comme le font les animaux. Au contraire, ils exhibent des falaises de capacités spectaculaires dans des domaines vérifiables (mathématiques, code) tout en restant étonnamment incompétents dans d’autres. Ils peuvent simultanément fonctionner comme des autorités érudites et comme des élèves de primaire confus, potentiellement vulnérables à l’extraction d’informations sous pression adversariale.

Les implications pour la benchmarking se sont révélées particulièrement problématiques. Étant donné que les benchmarks représentent des environnements vérifiables, ils deviennent des cibles irrésistibles pour l’optimisation basée sur RLVR. Les équipes d’IA ont découvert qu’elles pouvaient concevoir des jeux de données d’entraînement dans des espaces d’intégration étroits autour des cas de test de benchmark, en « couvrant » efficacement les métriques d’évaluation par des améliorations localisées des capacités. La vérité gênante a émergé : les benchmarks actuels ne mesurent plus l’intelligence artificielle générale ; ils mesurent la façon dont les systèmes ont été optimisés contre des suites de tests spécifiques.

Changement 3 : Cursor révèle la couche cachée des applications IA

Parmi les développements les plus sous-estimés de 2025, la montée explosive de Cursor et la clarté conceptuelle qu’il a apportée à l’architecture des applications. La percée n’était pas principalement technique ; elle était organisationnelle. Alors que les discussions industrielles encadraient de plus en plus les opportunités autour de « Cursor pour le domaine X », une couche auparavant invisible est devenue apparente.

Dans cette vision émergente, les grands modèles de langage fonctionnent comme des composants généralistes nécessitant une orchestration substantielle. Les applications réussies comme Cursor ne se contentent pas d’envelopper des appels API dans des interfaces utilisateur ; ce sont des systèmes de coordination sophistiqués qui superposent plusieurs fonctions sur les capacités brutes du modèle. Ces applications excellent dans l’ingénierie de contexte — analyser des documents spécifiques à un domaine, des environnements utilisateur, des historiques de problèmes pour construire des prompts riches en informations. Elles orchestrent des séquences complexes d’appels de modèles de langage en graphes acycliques dirigés de plus en plus sophistiqués, équilibrant la qualité de performance avec le coût computationnel. Elles maintiennent des mécanismes de feedback humain dans la boucle où des experts du domaine restent engagés avec les sorties du système.

Plus innovant encore, ces applications réussies implémentent des leviers d’ajustement autonomes — des mécanismes permettant aux utilisateurs de faire varier en temps réel le niveau d’automatisation, le coût et la qualité de sortie. L’architecture qui en découle positionne les plateformes de grands modèles de langage — les API elles-mêmes — comme des cultivateurs de capacités généralistes, tandis que les couches d’application deviennent les spécialistes intégrant ces généralistes dans des flux de travail professionnels, adaptés à des domaines verticaux spécifiques.

Changement 4 : Les agents IA reviennent dans des environnements d’exécution locaux

L’émergence de Claude Code a cristallisé un débat crucial au sein de la communauté des agents IA : où doivent réellement fonctionner les systèmes intelligents ? OpenAI avait poursuivi le déploiement dans le cloud de façon extensive, architecturant des environnements conteneurisés sophistiqués orchestrés via l’infrastructure backend de ChatGPT. L’attrait théorique était évident — des grappes d’agents tournant dans le cloud représentaient apparemment la forme ultime d’intelligence artificielle générale.

Mais Claude Code a démontré une insight contrariante : le déploiement local pourrait en réalité représenter la stratégie à court terme supérieure. La logique s’est avérée pragmatique plutôt que philosophique. Les systèmes d’IA actuels présentent un développement inégal de leurs capacités ; certains domaines performent extraordinairement bien, d’autres sont nettement à la traîne. La progression vers une intelligence artificielle générale complète reste lente. Dans ces conditions, déployer des agents directement sur des machines locales, profondément intégrés aux environnements de travail et données privées des développeurs, permet une collaboration IA plus pratique.

La percée particulière de Claude Code résidait dans son élégance. Plutôt que de se manifester comme une autre interface web nécessitant authentification et changement de contexte, il s’est implémenté comme un outil en ligne de commande léger et intime, transformant l’IA en une entité computationnelle persistante — un « sprite » ou un « fantôme » résidant directement dans l’espace de travail du développeur. Cela représente une reconfiguration complète du paradigme d’interaction humain-IA, faisant passer l’IA d’un service externe (comme accéder au site de Google) à une présence computationnelle ambiante intégrée de façon transparente dans les flux de travail existants.

Changement 5 : Vibe Coding démocratise le développement logiciel

D’ici 2025, l’intelligence artificielle a franchi un seuil critique de capacité qui a fondamentalement restructuré le paysage de la programmation. L’émergence du « Vibe Coding » — programmer via des descriptions en anglais sans nécessiter de connaissances approfondies en implémentation — s’est révélée à la fois conceptuellement et pratiquement transformative.

Ce phénomène contredit les schémas précédents de diffusion technologique. Historiquement, les nouvelles technologies puissantes offraient des avantages disproportionnés aux professionnels formés, aux entreprises et aux gouvernements. Les grands modèles de langage ont inversé cette dynamique. Les personnes ordinaires — celles sans expertise spécialisée en programmation — ont capté plus de valeur de l’IA que tout autre groupe démographique. Le Vibe Coding a accéléré cette démocratisation en éliminant totalement la nécessité de connaissances techniques préalables.

Mais paradoxalement, le Vibe Coding a aussi permis à des développeurs professionnels d’accomplir des travaux « qui n’auraient jamais été réalisés autrement ». Les contraintes ont été transformées : les développeurs peuvent soudain prototyper des idées expérimentales à coût quasi nul, implémenter des outils spécialisés pour des vulnérabilités spécifiques en utilisant du code jetable, ou créer des utilitaires sur mesure avec des langages qu’ils n’ont jamais étudiés formellement. L’auteur a utilisé le Vibe Coding pour développer des tokenizers BPE sophistiqués en Rust sans expertise linguistique traditionnelle ni dépendances de bibliothèques — un travail qui aurait nécessité des semaines dans les époques précédentes, mais consommé des heures avec l’aide de l’IA.

Plus profondément, ce changement indique que le développement logiciel migre d’un domaine professionnel spécialisé vers un médium informatique démocratisé. Les frontières de carrière s’estompent lorsque n’importe qui peut générer du code fonctionnel par langage naturel. La dynamique fondamentale de l’écosystème logiciel change lorsque le code passe d’une propriété intellectuelle rare et précieuse à une matière abondante, jetable et malléable.

Changement 6 : La révolution de l’interface graphique dans l’interaction IA

Google Gemini Nano, surnommé dans les cercles d’IA « Nano Banana », est peut-être l’innovation la plus perturbatrice de 2025 — bien au-delà des capacités de génération d’images. Ce développement reflète une vérité plus large : les grands modèles de langage représentent le prochain paradigme informatique fondamental, succédant à la révolution des micro-ordinateurs des années 1970 et 1980.

Le précédent historique est instructif. Lorsque l’informatique est passée des terminaux et interfaces en ligne de commande aux ordinateurs personnels, le changement révolutionnaire n’était pas la puissance de traitement — c’était la modalité d’interaction. Les premiers systèmes forçaient les utilisateurs à entrer des commandes textuelles pour accomplir des tâches. L’interface graphique (GUI) a réimaginé cette relation, en reconnaissant que si le texte représente la forme de donnée la plus primitive pour les ordinateurs, c’est aussi la moins préférée par les humains. Les humains n’aiment pas lire du texte ; c’est coûteux cognitivement et inefficace temporellement. Le traitement visuel et spatial de l’information s’aligne beaucoup plus naturellement avec la perception humaine.

Les grands modèles de langage fonctionnent actuellement dans une limite structurellement identique : ils sont fondamentalement contraints à une interaction basée sur le texte. Le texte représente le médium informatique le plus basique, mais aussi le plus étranger à la préférence humaine. Les futurs systèmes d’IA devraient communiquer par des modalités préférées par l’humain — images, infographies, diapositives, tableaux blancs, animations, vidéos, applications web, visualisations interactives.

Des implémentations précoces ont émergé via des accommodements superficielles : formatage Markdown, décorations emoji, emphase typographique. Mais ce ne sont que des solutions fondamentalement centrées sur le texte. La percée Nano Banana démontre quelque chose de qualitativement différent — une intégration sophistiquée de génération de texte, synthèse d’images, et connaissance du monde intégrée permettant une communication multimodale complète. La véritable avancée ne repose pas uniquement sur les capacités d’image ; elle découle de la synthèse coordonnée de multiples modalités de sortie tissées en réponses unifiées, reflétant la façon dont les humains préfèrent naturellement recevoir l’information.

Ce changement indique la direction de l’évolution des interfaces IA. Dans les années à venir, nous devons nous attendre à ce que les systèmes d’IA évoluent d’un « chat sur un site IA » vers des environnements de communication riches, interactifs, visuellement orientés — réimaginant fondamentalement l’interaction humain-IA de façon similaire à la transformation qu’ont connue les interfaces graphiques il y a plusieurs décennies.