OpenAI affirme que 80 à 90 % de sa recherche cible désormais GPT-7 et au-delà

OpenAI consacre l'essentiel de sa recherche à des modèles qui n'existent pas encore

OpenAI consacre la très grande majorité de sa capacité de recherche à des modèles qui n'ont pas encore été construits. Boris Power, responsable de la recherche appliquée de l'entreprise, chiffre cette part à 80 ou 90 % de l'ensemble de l'effort de recherche dirigé vers GPT-7, GPT-8 et les générations suivantes. La logique est simple : c'est là, selon l'entreprise, que « l'essentiel de la valeur » sera finalement créée.

Cette révélation, faite lors d'une session au Fellows Forum, change la façon dont les observateurs extérieurs doivent interpréter le flux régulier de sorties de modèles en milieu de cycle d'OpenAI. Ces mises à jour sont de vrais produits que les clients utilisent au quotidien, mais ce n'est pas là que se concentre l'attention de recherche de l'entreprise.

La formulation de Power suggère une organisation qui traite chaque génération numérotée comme un changement de plateforme plutôt que comme une itération de produit — un saut qui redéfinit les hypothèses sur ce que la technologie peut faire et d'où viendront les retours.

L'ampleur de cet engagement est inhabituelle, même selon les standards des laboratoires d'IA de pointe. Allouer la nette majorité des ressources de recherche à des systèmes qui sont à plusieurs générations de leur mise sur le marché implique la conviction que les plus grands gains économiques et de capacités ne proviendront pas d'une amélioration de ce qui existe déjà.

Les mises à jour incrémentales sont un pari délibéré à court terme

Entre les grandes générations, OpenAI livre des améliorations plus modestes. Power a cité le passage de GPT-5.1 à GPT-5.2 comme exemple représentatif. Ce type de travail s'appuie fortement sur des données d'entraînement spécialisées — des jeux de données ciblés qui affinent le comportement d'un modèle dans des domaines précis sans modifier l'approche sous-jacente.

En interne, a déclaré Power, ces sorties incrémentales sont considérées comme « extrêmement court-termistes ». Ce n'est pas tant une critique qu'un aveu de stratégie : l'entreprise sait qu'elles ne constituent pas le jeu à long terme, et elle les publie quand même.

La justification est la vitesse. Des mises à jour fréquentes permettent à OpenAI d'itérer, de recueillir des signaux et d'apprendre plus vite dans le présent, même si cette approche ne mènera pas l'entreprise là où elle veut aller sur le long terme. Autrement dit, les paris à court terme financent l'apprentissage qui nourrit les paris à long terme.

• La majeure partie de la capacité de recherche : orientée vers GPT-7, GPT-8 et au-delà.
• Les mises à jour en milieu de cycle : portées par des données d'entraînement spécialisées.
• Vue interne : ces mises à jour sont utiles, mais stratégiquement limitées.
• Gain à long terme : attendu avec les nouvelles générations de modèles.

Le véritable bond survient avec une nouvelle génération

Power a décrit le saut générationnel comme le moment où « tout le reste fonctionne simplement beaucoup mieux ». Les capacités qui étaient fragiles ou partielles dans une génération tendent à se coordonner dans la suivante, produisant des gains qu'aucun ajustement du modèle précédent ne peut reproduire.

La distinction tient à la différence entre affiner un modèle sur des tâches étroites et élever simultanément le plafond de tout. Des données d'entraînement spécialisées peuvent améliorer la façon dont un modèle traite certaines catégories de requêtes ; une nouvelle génération peut améliorer sa manière de raisonner, de suivre des instructions et de gérer l'ambiguïté de façon générale.

Cette dynamique entraîne un coût opérationnel inhabituel. Après chaque progression, OpenAI doit réapprendre où investir pour obtenir des gains rapides. Des techniques qui produisaient autrefois des gains significatifs peuvent devenir redondantes lorsque le modèle de base s'améliore de lui-même — une cible mouvante qui oblige l'entreprise à reconstruire son manuel à chaque génération.

L'intégration des utilisateurs, et non la qualité des modèles, est le goulot d'étranglement

La partie la plus lourde de conséquences du témoignage de Power concerne peut-être ce qu'il considère comme le principal obstacle auquel sont confrontés les assistants d'IA aujourd'hui. Ce n'est pas la qualité des modèles. C'est l'intégration des utilisateurs.

La plupart des utilisateurs de ChatGPT, a-t-il dit, ne savent pas ce qu'ils peuvent réellement faire avec l'IA. L'écart n'est pas un écart de capacité mais de découverte : les modèles peuvent déjà gérer un large éventail de tâches que beaucoup d'utilisateurs ne pensent jamais à tenter. Combler cet écart est autant un problème de conception et de produit qu'un problème de recherche.

C'est une affirmation notable de la part de quelqu'un dont le poste se situe près de la frontière de la recherche. Elle suggère que le facteur limitant de la valeur réelle dépend moins de l'intelligence du prochain modèle que de la capacité des gens à comprendre quoi lui demander. Un système plus performant mais sous-utilisé par les utilisateurs délivre moins que son potentiel.

La prescription de Power pour les futurs modèles est qu'ils devraient devenir meilleurs pour faire émerger ce qui est possible et pour anticiper ce dont un utilisateur a besoin avant qu'il ne le demande. Cela pointe vers des assistants qui proposent des actions, suggèrent des flux de travail et réduisent la charge de devoir déterminer par où commencer.

Comment chaque génération change l'expérience utilisateur

Power a esquissé en termes concrets l'évolution de l'ergonomie à travers les récents modèles d'OpenAI :

• GPT-4 exigeait des prompts soignés — les utilisateurs devaient apprendre l'art de la demande.
• GPT-5 est devenu plus facile à utiliser, mais nécessitait encore beaucoup de retours pour rester sur la bonne voie.
• GPT-6 se comporte davantage comme un collègue compétent : on peut lui confier un objectif et le laisser travailler.

La trajectoire qu'il décrit est un passage de l'instruction d'un outil à la délégation à un collaborateur. Chaque étape réduit le niveau d'expertise requis de l'utilisateur, ce qui devrait à son tour élargir le nombre de personnes capables d'en tirer de la valeur.

Ce que cela dit de la logique de feuille de route d'OpenAI

Pris dans leur ensemble, les propos de Power dessinent une stratégie à deux voies. Une voie maintient le produit actuel compétitif grâce à des mises à jour fréquentes et fondées sur les données. L'autre voie — où afflue l'essentiel du budget de recherche — vise des remises à zéro générationnelles qui rendent obsolètes les optimisations de la première voie.

Cette division explique aussi pourquoi l'entreprise traite chaque nouvelle génération comme l'événement décisif. Si les plus grands gains viennent de la remise à zéro plutôt que de l'affinement, alors les priorités de recherche doivent suivre la remise à zéro, même lorsque ce sont les versions intermédiaires que les clients utilisent réellement aujourd'hui.

La question non résolue est celle que Power lui-même a soulevée : la valeur déjà intégrée aux modèles actuels peut-elle atteindre les personnes qui ne les utilisent pas encore bien ? De son propre aveu, cela tient moins au fait de rendre les modèles plus intelligents qu'à celui de les rendre lisibles pour tous les autres.

Pour l'instant, l'entreprise semble à l'aise avec ce compromis. Elle continuera de livrer les petites mises à jour tout en misant l'essentiel de sa recherche sur les générations qui ne sont pas encore arrivées.

Cet article est basé sur un reportage de The Decoder. Lire l'article original.