Intelligere
Des premiers agents à la robotique : une réflexion sur les systèmes agentiques, la mémoire et ce que nous choisissons de faire de l’intelligence artificielle.
Pour la première fois dans l'histoire de l'informatique, nous avons un programme capable de comprendre le langage naturel et d'agir en conséquence. Point.
Ce n'est pas anodin. Des décennies de développement logiciel ont produit des systèmes capables d'exécuter des instructions précises, formatées, rigides. Un LLM, lui, comprend ce qu'on lui dit. Via le mécanisme d'attention et le processus de tokenisation, il produit des réponses cohérentes, contextuelles, exploitables. Et une fois qu'on a compris que cette sortie est contraignable, JSON, code, structure formelle, la question n'est plus de savoir si le modèle comprend. Elle devient : qu'est-ce qu'on fait de ce qu'il produit ?
Du copier-coller à l'agent
Novembre 2022. Les premiers utilisateurs de ChatGPT collent des fichiers de code dans la fenêtre de chat, récupèrent la réponse, la recollent dans leur projet, lancent l'exécution sur leur machine. Long. Fastidieux. Erreur-prone. Et pourtant, c'était déjà là. Le modèle écrivait du code valide. L'exécution, elle, restait humaine.
Ce geste du copier-coller, beaucoup le font encore aujourd'hui pour leurs mails, leurs documents, leurs analyses. Ce n'est pas un archaïsme : c'est le symptôme d'une architecture incomplète. Le modèle peut produire. Mais sans accès à un runtime (un environnement d'exécution capable de compiler et de lancer le code qu'il génère), l'humain reste le maillon d'exécution. L'agent, c'est précisément la suppression de ce maillon.
Munissez un LLM d'un système de fichiers, d'un runtime, d'outils connectés : il écrit le code, il l'exécute, il itère. Il choisit lui-même quand coder est la bonne réponse à une demande. Vous voulez un article illustré ? Il génère les SVG, assemble le HTML, livre le fichier. Vous n'avez rien exécuté. L'agent a tout fait.
Le saut systémique
Ce stade, un agent autonome muni d'outils, a environ un an et demi. Ce n'est plus l'avenir. C'est le présent, et déjà presque le passé.
Ce qui se joue maintenant est d'une autre nature. Un agent seul ne suffit pas pour les tâches complexes : il se retrouve à séquentialiser là où il faudrait paralléliser, à halluciner là où une vérification croisée s'impose. La réponse de l'industrie : les systèmes multi-agents. Un orchestrateur, des sous-agents spécialisés, des boucles de validation. Ce qu'on appelle un système agentique.
Les vraies questions en R&D aujourd'hui ne portent plus sur la capacité des agents à agir, elles portent sur la fiabilité de ces systèmes en production. Comment certifier qu'un système fait bien ce qu'il est censé faire ? Quels garde-fous instaurer ? Comment reprendre la main quand c'est nécessaire ? Salesforce, Amazon, Google DeepMind, Anthropic y travaillent activement.
Deux signaux récents disent mieux que n'importe quelle projection où se situe le centre de gravité de l'industrie.
En février 2026, OpenAI recrute Peter Steinberger, le développeur autrichien derrière OpenClaw, projet open source devenu en quelques semaines le plus étoilé de l'histoire de GitHub. Sam Altman le dit lui-même : Steinberger va "piloter la prochaine génération d'agents personnels". Ce qu'OpenAI a recruté, ce n'est pas du code. OpenClaw est open source, tout le monde peut le lire. Ce qu'ils ont recruté, c'est l'expérience opérationnelle : les patterns d'échec, les edge cases, la connaissance que seul produit le contact réel avec des milliers d'utilisateurs qui poussent un système à ses limites.
En mars 2026, Jensen Huang monte sur scène au GTC et dit : "Mac et Windows sont les OS de l'ordinateur personnel. OpenClaw est l'OS de l'IA personnelle." Il compare sa trajectoire à celle de Linux et d'HTML. Il pose la question qui s'adresse désormais à chaque dirigeant : "What's your OpenClaw strategy ?" HTML a mis des années à passer du statut d'outil développeur à mandat stratégique. OpenClaw l'a fait en soixante jours.
Ce ne sont pas des signaux de hype. Ce sont des marqueurs de bascule industrielle.
Le nœud dur
Mais voilà ce qu'on n'entend pas assez : les systèmes agentiques, aussi sophistiqués soient-ils, butent sur un problème qui n'est pas encore résolu. La mémoire.
S'il n'y a pas de solution, il n'y a pas de problème. Or la mémoire est bien un problème, et de nombreuses équipes y travaillent en parallèle, ce qui en dit long sur son importance.
Un système agentique sans mémoire persistante est fondamentalement borgne. Il oublie le rendez-vous d'hier, la synthèse de la semaine dernière, et pire encore, les valeurs fondamentales de l'entreprise ou de l'individu qu'il est censé représenter. Un agent qui ne sait plus pourquoi il agit n'est plus un agent. C'est un exécutant aveugle.
Mais toutes les mémoires ne se valent pas. C'est là que le problème technique devient philosophique. Nos rêves deviennent en partie nos souvenirs. Sans hiérarchie, il n'y a pas de connaissance réelle : acheter du pain n'a pas le même poids qu'une décision stratégique. Comment construire un vrai modèle du monde, cohérent, ordonné, temporellement ancré ?
Intelligere. Le mot latin dont vient intelligence signifie littéralement relier, lire entre les lignes, tisser des connexions entre des éléments séparés dans le temps et l'espace. C'est exactement ce que la mémoire rend possible, et ce que son absence interdit.
OpenAI a nommé sa réponse Dreaming, la fonction lancée en juin 2026 qui permet à ChatGPT de réécrire ses propres souvenirs quand le monde change. Une mémoire notée "tu pars à Singapour en juillet" se corrige d'elle-même en "tu es allé à Singapour en juillet 2026" une fois le voyage passé. C'est une réponse applicative sérieuse. Ce n'est pas encore une solution au problème de fond.
L'implémentation open source la plus documentée à ce jour est Hermes, de NousResearch. Une architecture mémoire à trois couches, contexte de session, faits persistants, compétences procédurales, avec une boucle de self-improvement : après chaque tâche accomplie, l'agent génère lui-même des skills réutilisables, les stocke, les rappelle, les optimise. C'est la tentative la plus sérieuse et la plus accessible de construire un agent qui grandit. Encore expérimental. Encore partiel. Mais la direction est là.
Au niveau architectural, Yann LeCun, co-fondateur d'AMI Labs à Paris après avoir quitté Meta fin 2025, travaille sur JEPA, Joint Embedded Predictive Architecture. L'idée : faire prédire au modèle dans l'espace des représentations, pas dans l'espace des tokens. Une manière de construire une compréhension du monde par anticipation plutôt que par génération. Aucun produit connu n'intègre cette architecture à ce jour. Mais c'est la seule approche qui s'attaque au problème à sa racine.
L'intelligence au sens plein et entier, discutée par les philosophes depuis des millénaires, est encore loin d'être atteinte par nos modèles actuels. Yann LeCun le dit lui-même, et il a raison.
L'incarnation
La mémoire et le world model ne sont pas des problèmes abstraits. Ils deviennent concrets, urgents, inévitables dès qu'on suit la trajectoire naturelle de l'IA jusqu'à son aboutissement logique : la robotique.
La chaîne est simple. Un agent sans mémoire oublie ce qu'il a fait. Sans world model, il ne comprend pas où il est ni ce qui va se passer. Dans un environnement purement logiciel, ces lacunes sont gérables. Dans un corps physique qui doit traverser un couloir, saisir un objet, interagir avec des humains en temps réel, elles deviennent fatales.
La robotique n'est pas un horizon lointain qu'on ajoute pour faire rêver. C'est l'épreuve de vérité des problèmes que l'IA n'a pas encore résolus. Un robot sans mémoire persistante et sans modélisation du monde n'est pas un agent : c'est une boîte automatisée. La direction de l'industrie est claire. L'objectif est l'autonomie complète, de plier le linge à gérer des lignes de production. Ce n'est pas de la science-fiction. C'est le programme de travail explicite des acteurs les plus avancés.
Le fossé
Il y a quelque chose qu'on ne dit pas assez, et qui devrait pourtant s'imposer comme une évidence : la plupart des décideurs ne savent pas ce qu'est un token. Ni une API. Ni un agent. Lovable, v0, Manus, Hermes, OpenClaw : ces noms n'existent pas en dehors d'un cercle restreint d'initiés.
Le fossé se creuse chaque jour. Et ce n'est pas le fossé habituel entre early adopters et grand public. C'est un fossé entre ceux qui construisent l'infrastructure du prochain cycle économique et ceux qui l'utiliseront sans jamais avoir eu de prise sur elle.
La mauvaise question est : l'IA va-t-elle remplacer les métiers ? Elle est déjà dépassée. Les vraies questions sont plus inconfortables : l'industrie va-t-elle atteindre son objectif déclaré, l'autonomie complète de la machine ? Dans quel délai ? Et surtout : quels effets inattendus allons-nous traverser en chemin ?
La direction
Demis Hassabis, cofondateur de DeepMind, a dit quelque chose de simple et de vertigineux : "Il suffit de résoudre le problème de l'intelligence pour ensuite régler tous les autres problèmes."
Voilà où on en est. Les systèmes agentiques sont en cours de finalisation. La mémoire et le world model sont des problèmes ouverts, traités mais non résolus. La robotique est l'horizon immédiat, conditionné à ces résolutions. Et la compression des cycles s'accélère : ce qui prenait des décennies prend maintenant des semaines.
L'industrie ne reculera pas. Elle peut ralentir, trébucher, se tromper de chemin. Mais la direction est fixée, et elle est claire depuis que les premiers agents ont montré ce qu'il était possible de faire.
Ce qui reste ouvert, vraiment ouvert, c'est ce que nous allons choisir de faire de tout ça. Et ça, aucun modèle ne peut encore y répondre à notre place.