Quand l'IA s'entraîne sur elle-même, elle finit comme les Habsbourg

Regardez un portrait de Charles II d'Espagne — celui de Juan Carreño de Miranda, par exemple. Le menton d'abord : énorme, projeté en avant, si loin devant la mâchoire supérieure que les dents du roi ne se rencontraient jamais. Il ne pouvait ni mâcher sa nourriture ni parler distinctement. Il mourut en 1700, stérile, épileptique, dernier de sa lignée espagnole. Deux siècles de mariages entre oncles et nièces, cousins et cousines, avaient porté son coefficient de consanguinité à 0,25 — celui d'un enfant né d'un frère et d'une sœur.

Cette histoire macabre est le modèle biologique exact de la peur qui hante aujourd'hui les laboratoires d'IA. Une population qui ne se reproduit qu'avec elle-même perd sa diversité génétique, amplifie ses défauts et finit par s'effondrer. La question de 2026 : les intelligences artificielles, qui apprennent désormais en grande partie sur des textes générés par d'autres intelligences artificielles, sont-elles en train de devenir les Habsbourg du silicium ?

Pour y répondre, corrigeons trois intuitions répandues sur l'IA de demain. Aucune n'est tout à fait fausse ; aucune n'est tout à fait juste. C'est dans l'écart que se trouve l'ingénierie réelle.

Idée reçue n°1 : « À force d'apprendre d'elle-même, l'IA va dégénérer »

L'intuition est solide, et elle porte un nom savant : le model collapse. Photocopiez une photocopie, puis la copie de la copie ; au bout de quelques générations, il ne reste qu'une bouillie grise. Des travaux publiés dans Nature en 2024 ont montré le phénomène sur des modèles de langage entraînés récursivement sur leurs propres sorties : la diversité s'effondre, les queues de distribution — les cas rares, les tournures originales — disparaissent les premières. Exactement comme les allèles rares dans une population consanguine : ce sont les variantes marginales qui meurent d'abord, et avec elles la capacité d'adaptation. Les travaux de 2025-2026 ont durci le constat : la dérive s'amorce même quand la donnée synthétique ne représente qu'une petite fraction du corpus — il suffit d'un peu de consanguinité répétée à chaque génération.

Et pourtant, la conclusion catastrophiste est dépassée, car l'industrie a changé de régime alimentaire. On ne se contente plus de faire ingérer passivement du texte au modèle : on le fait raisonner, puis on vérifie son raisonnement contre une réalité extérieure. La technique dominante — illustrée par la méthode STaR (Self-Taught Reasoner) et généralisée dans les modèles de raisonnement — fonctionne ainsi : le modèle génère mille tentatives pour résoudre un problème, un « oracle » déterministe (un compilateur Python, un prouveur formel, un simulateur) teste chacune, on jette impitoyablement les 999 fausses, et on n'entraîne le modèle que sur la trace gagnante. En termes d'élevage : on ne laisse se reproduire que les individus testés contre le réel.

La nuance est cruciale, et la recherche récente la précise avec une honnêteté qui mérite d'être soulignée. Un papier d'octobre 2025 (Escaping Model Collapse via Synthetic Data Verification) démontre deux choses à la fois : oui, la vérification évite l'effondrement à court terme ; mais à long terme, le modèle converge vers le « centre de connaissance » du vérificateur. Autrement dit, votre IA ne peut pas devenir durablement plus juste que l'oracle qui la corrige. C'est le paradoxe du maître et de l'élève : un élève qui n'apprend qu'en étant corrigé par un seul maître finit borné par les limites de ce maître. La donnée synthétique ne dilue pas l'intelligence — à condition qu'elle traverse un filtre de vérité. La consanguinité n'est évitée ni par magie ni par décret, mais par l'introduction constante de « sang neuf » : le réel, mesuré, testé. C'est, au fond, la même intuition qui conduit Yann LeCun à vouloir ancrer les machines dans un modèle du monde plutôt que dans le seul texte — les deux débats n'en font qu'un.

Idée reçue n°2 : « L'avenir, ce sont des IA ultra-spécialisées, une par domaine »

Créer une IA pour la physique, une autre pour le droit, une troisième pour la biologie : ça paraît raisonnable. C'est pourtant une erreur, et Aristote l'avait pressentie il y a vingt-trois siècles. Le Stagirite refusait de cloisonner les savoirs : sa physique nourrit sa métaphysique, sa biologie informe son éthique, parce que le réel ne se présente pas en départements universitaires. Un cardiologue enfermé dans son bâtiment, ignorant tout de la psychologie, passera à côté d'un infarctus lié au stress. La connaissance est un tissu, pas une collection de silos. La génétique dit la même chose à sa manière : les lignées trop étroites, trop « pures », sont les plus fragiles.

L'ingénierie a redonné raison à Aristote pour deux motifs très concrets. D'abord le transfer learning : savoir coder en Python améliore mesurablement la logique juridique d'un modèle, car les structures de raisonnement se transfèrent. Ensuite la pure logistique : charger et décharger des modèles de 100 Go en mémoire prend des secondes coûteuses.

La solution élégante s'appelle LoRA (Low-Rank Adaptation), une technique de fine-tuning parcimonieux. On garde un grand modèle généraliste dont les poids sont gelés — le socle culturel commun — et l'on entraîne par-dessus de minuscules modules d'expertise, les adapters, qui ne pèsent que quelques mégaoctets et se chargent à la volée. C'est la différence entre rééduquer un adulte cultivé à un nouveau métier (quelques semaines de formation ciblée) et le renvoyer à l'école primaire apprendre à lire. L'honnête homme de la Renaissance, ce généraliste capable de spécialisations rapides, s'avère un meilleur modèle d'architecture que l'expert monomaniaque.

Idée reçue n°3 : « Un chef d'orchestre IA coordonne des IA spécialistes qui ‘discutent' entre elles »

L'intuition du coordinateur central est juste — c'est le passage du Système 1 de Kahneman (la réponse-réflexe instantanée) au Système 2 (le raisonnement délibéré, planifié). Mais l'image des IA qui « bavardent » en français entre elles est trompeuse. Le coordinateur réel est un routeur sémantique : un petit modèle rapide entraîné au function calling, qui analyse une requête et appelle les bons outils.

Et il ne parle surtout pas notre langue pour communiquer avec ses experts. La raison touche à une limite cognitive fascinante, valable pour les machines comme pour nous : le phénomène du lost-in-the-middle. Noyé sous un rapport de 200 pages en texte brut, un modèle — comme un lecteur humain — retient bien le début et la fin, mais perd le milieu. Pour l'éviter, la communication entre le routeur et les experts passe par des formats structurés (JSON, tenseurs), denses et sans ambiguïté. La langue naturelle, trop floue, est réservée à l'interface avec l'humain. Il y a là une leçon presque wittgensteinienne : la précision d'un échange dépend de la rigueur du langage qu'il emploie, et le français, merveille d'expressivité, est un mauvais protocole d'ingénierie.

L'atelier confirme le laboratoire

Cette architecture — un routeur, des experts modulaires, une boucle de vérification — porte un nom dans la recherche : Agentic RAG with Tool Use. On la présente comme le Saint-Graal actuel. Or je la construis, à mon échelle et avec des outils grand public, depuis plus d'un an. Mes pipelines n8n ne font pas autre chose : un agent orchestrateur découpe une tâche (choisir un sujet, rédiger, vérifier le SEO, générer les visuels, publier), délègue chaque étape à un module spécialisé, fait circuler des données structurées plutôt que de la prose, et vérifie chaque sortie contre une base Airtable avant publication. Ce que les grands laboratoires câblent dans les poids de leurs modèles, l'artisan de l'IA le réplique avec des workflows et des tables. La frontière entre « architecture de modèle » et « architecture de système » est bien plus poreuse qu'on ne le croit — et c'est une excellente nouvelle pour les PME, qui n'ont pas besoin d'un milliard de dollars pour bâtir de l'intelligence utile. C'est ce que je m'emploie à démontrer dans mon accompagnement des entreprises en intelligence artificielle : ces architectures sont à leur portée, pourvu qu'on les conçoive avec méthode.

Une règle d'hygiène pour finir

Les Habsbourg ont péri d'avoir voulu garder le sang pur. Les IA qui prospéreront seront celles qui accueillent le sang neuf : la vérification par le réel contre la consanguinité des données, la modularité généraliste contre le cloisonnement, le protocole rigoureux contre le bavardage.

Et pour l'entreprise qui bâtit aujourd'hui ses propres systèmes — un chatbot nourri de ses documents, un agent qui rédige, une base enrichie par IA — la morale se condense en une règle d'hygiène des données que je formule ainsi : aucun contenu généré ne rejoint le patrimoine documentaire sans avoir été vérifié contre une source qui n'en descend pas. Tracez la provenance de chaque document, étiquetez ce qui vient d'une machine, et imposez à vos corpus un quota de réel frais — mesures de terrain, retours clients, documents primaires. Charles II a payé de sa mâchoire deux siècles de généalogie fermée ; vos données, elles, peuvent encore épouser hors de la famille.