Face au mur du scaling, valider les hypothèses d'entraînement sature les cerveaux humains. OpenAI résout ce goulot d'étranglement avec Research Intern, un agent autonome qui automatise le code, le tuning et le debug. Résultat ? Un débit d'expérimentation triplé qui transforme les chercheurs IA en superviseurs de flottes d'agents. L'année 2026 marque une accélération mesurable de l'utilisation d'agents de code dans la recherche en intelligence artificielle. À mesure que les modèles, les évaluations et les infrastructures d'entraînement deviennent plus complexes, la vitesse d'itération dépend non seulement du compute disponible, mais également de la capacité des équipes à concevoir, implémenter, exécuter et analyser efficacement leurs expériences. Dans sa publication du 6 septembre 2026, OpenAI indique avoir atteint le jalon qu'elle décrit comme un automated research intern . L'entreprise le définit comme un système capable d'accomplir, sous direction humaine, des tâches de recherche bien spécifiées qui pourraient demander quelques jours à un chercheur qualifié. Ses données internes montrent également une augmentation du code produit et du nombre d'expériences menées par expérimentateur actif au cours de 2026. La transition se déroule toutefois dans un environnement où les questions de sécurité deviennent centrales, à l'image des capacités présentées avec GPT-6 Astra . OpenAI souligne d'ailleurs qu'un chercheur IA automatisé pourrait également contribuer à la recherche en sécurité et en alignement, tout en reconnaissant que des systèmes plus capables deviennent eux-mêmes plus difficiles à surveiller. La capacité d'un laboratoire à accélérer sa R&D pourrait donc dépendre de plus en plus de sa faculté à combiner chercheurs humains, systèmes agentiques, infrastructures de validation et ressources de calcul, sans considérer l'automatisation comme un substitut aux décisions scientifiques. L'industrialisation de la recherche en intelligence artificielle via des agents met en lumière une réalité moins spectaculaire que celle d'une IA remplaçant les scientifiques, mais probablement plus structurante : une partie importante de la vitesse de recherche dépend du temps consacré à écrire du code, préparer des expériences, surveiller leur exécution et résoudre des problèmes d'infrastructure. En observant ces boucles d'expérimentation asynchrones, on réalise à quel point une partie de la recherche en deep learning peut s'apparenter à un laboratoire numérique. On prépare une hypothèse, on construit une expérience, on modifie des paramètres et on observe le résultat. L'agent n'est pas nécessairement le scientifique qui décide quelle découverte poursuivre ; il devient plutôt un opérateur logiciel capable de multiplier les manipulations numériques sans subir les mêmes contraintes d'attention qu'un humain. Cette mutation invite également à reconsidérer la formation des futurs ingénieurs en intelligence artificielle. Savoir écrire et comprendre le code restera essentiel, notamment pour auditer les résultats et détecter les erreurs. Mais une part croissante de la valeur pourrait se déplacer vers la capacité à concevoir des environnements, des évaluations et des garde-fous assez robustes pour déléguer davantage d'exécution aux agents sans perdre la maîtrise du processus scientifique. Je perçois également un risque dans cette quête du débit d'expérimentation. À force de déléguer l'exécution et certaines analyses à des machines, le chercheur humain pourrait prendre davantage de distance avec les anomalies de bas niveau qui font parfois émerger des pistes inattendues. Les découvertes scientifiques ne se résument pas à l'optimisation d'une métrique : elles peuvent aussi naître d'un résultat étrange que quelqu'un décide de ne pas corriger immédiatement. Le défi de cette seconde moitié de décennie sera peut-être précisément celui-ci : automatiser davantage l'effort expérimental sans transformer la recherche en simple optimisation automatique de scores.