RSI est le nouveau AGI : pourquoi l'auto-amélioration récursive obsède la Silicon Valley

RSI est le nouveau AGI : pourquoi l'auto-amélioration récursive obsède la Silicon Valley

🔎 Le mot qui a remplacé AGI dans toutes les bouches

Mai 2026. Les conférences IA ne parlent plus d'AGI. Elles parlent de RSI. L'acronyme pour Recursive Self-Improvement a envahi les roadmaps des labos, les pitches de startups et les fils LinkedIn des investisseurs.

Le basculement est frappant. Selon TechCrunch (28 mai 2026), deux startups distinctes ont même pris ce nom, et les grands laboratoires l'intègrent désormais dans leurs feuilles de route officielles. RSI est devenu le buzzword que tout le monde revendique, personne ne définit de la même façon, et que personne n'ose ignorer.

Mais derrière le battage médiatique, il y a un vrai changement de paradigme. L'industrie est passée de la question « quand l'IA sera-t-elle générale ? » à « quand l'IA commencera-t-elle à se construire elle-même ? ». Ce glissement n'est pas anodin. Il dit beaucoup sur l'état réel de la recherche.

L'essentiel

• RSI (Recursive Self-Improvement) désigne un système IA capable d'identifier ses propres faiblesses, de concevoir des améliorations, et de les intégrer sans intervention humaine, dans une boucle récursive.
• 650 millions de dollars ont été levés par Recursive Superintelligence en mai 2026 (valuation 4,65 Md$), mené par GV et Greycroft, avec NVIDIA et AMD Ventures — le plus gros tour de table de l'année dans la recherche fondamentale IA.
• Eric Schmidt identifie RSI comme la ligne rouge séparant l'AGI de l'ASI (Artificial Superintelligence), avec une prévision de réalisation vers 2029.
• La Chine intègre explicitement l'auto-amélioration dans son plan quinquennal comme voie distincte vers l'AGI, séparant cette approche des modèles généralistes classiques.
• Le concept reste flou : comme l'AGI avant lui, RSI sert de parapluie sémantique à des réalités techniques très différentes, de l'optimisation d'hyperparamètres à la réécriture d'architecture neuronale.

Outils recommandés

Qu'est-ce que RSI, exactement — Réponse directe

RSI, c'est un système IA qui réécrit son propre code de manière autonome et itérative, chaque version étant meilleure que la précédente, sans qu'un humain n'intervienne dans la boucle.

Le concept n'est pas nouveau. Il remonte aux travaux de I.J. Good en 1965 sur « l'explosion d'intelligence » : si une machine suffisamment intelligente peut créer une machine plus intelligente, alors cette dernière peut en créer une encore plus intelligente, et ainsi de suite. La différence en 2026, c'est que ce n'est plus de la spéculation philosophique.

Shelly Palmer (mai 2026) décrit RSI comme « le moment où les plateformes IA commencent à se construire elles-mêmes ». Il rapporte que les laboratoires de recherche sont « presque là ». Ce presque est crucial — il sépare l'ingénierie actuelle de la science-fiction.

Concrètement, un système RSI fonctionne en boucle : évaluation de ses propres performances → identification des goulets d'étranglement → génération de modifications architecturales ou de poids → test des modifications → intégration si amélioration constatée → répétition. Chaque cycle produit une version strictement supérieure, théoriquement sans plafond.

Pourquoi « récursif » et pas simplement « itératif »

L'itératif, c'est ce que font les modèles actuels quand ils s'entraînent sur de nouvelles données. La récursion implique que le processus lui-même est amélioré, pas seulement le produit. Le système ne devient pas juste meilleur à sa tâche — il devient meilleur à devenir meilleur.

C'est cette méta-amélioration qui change la donne. Un modèle itératif a un plafond défini par sa architecture. Un modèle récursif peut, en théorie, changer sa propre architecture, donc repousser son propre plafond.

RSI vs AGI : pourquoi la Silicon Valley a changé de mot

AGI est devenu un terme fourre-tout. Quand GPT-5.5 atteint 98.2 sur les benchmarks agentic, que Gemini 3.1 Pro frôle les 92 en généraliste, et que Claude Opus 4.7 (Adaptive) gère des tâches multi-étapes complexes, la ligne « AGI ou pas AGI » est devenue un débat sémantique stérile.

TechCrunch (28 mai 2026) pose le diagnostic clair : RSI est le nouveau AGI, « et il est tout aussi difficile à cerner ». L'article note que le terme sert désormais de signal de distinction. Dire « on construit de l'AGI » ne différencie plus grand monde. Dire « on construit un système à auto-amélioration récursive » signale une ambition architecturale spécifique.

La distinction technique est réelle. L'AGI décrit un niveau de capacité — la capacité de performer n'importe quelle tâche intellectuelle au niveau humain. RSI décrit un mécanisme — la capacité d'un système à s'améliorer sans intervention externe. Un système pourrait être AGI sans être RSI (un modèle généraliste statique). Un système pourrait être RSI sans être AGI (un système spécialisé qui s'améliore récursivement dans un domaine étroit).

Ce glissement lexical en dit long sur les priorités de l'industrie. La capacité brute intéresse moins que la dynamique d'amélioration. Un système médiocre qui s'améliore exponentiellement vaut plus, aux yeux des investisseurs, qu'un système excellent qui reste statique.

La différence entre un avatar IA et un chatbot illustre bien ce genre de confusion terminologique : deux mots proches qui masquent des architectures radicalement différentes. RSI vs AGI, c'est la même dynamique à l'échelle de la recherche fondamentale.

Recursive Superintelligence : 650M$ pour un pari sur la récursion

Le signal le plus fort du marché en mai 2026, c'est le tour de table de Recursive Superintelligence. Le labo est sorti du stealth le 13 mai 2026 avec 650 millions de dollars à une valuation de 4,65 milliards de dollars.

Le round est mené par GV (le bras venture de Alphabet) et Greycroft, avec la participation de NVIDIA et AMD Ventures. Ce n'est pas un détail. Quand les deux fabricants de puces qui dominent l'IA investissent ensemble dans un labo de recherche fondamentale, c'est qu'ils parient sur une nouvelle vague de consommation compute.

L'équipe est stellaire. Selon AI Weekly, le labo est cofondé par Tim Rocktäschel, ancien de Google DeepMind, et Richard Socher, ancien chief scientist de Salesforce. Deux profils qui combinent recherche académique de pointe et application industrielle à grande échelle.

Ce qui rend ce pari significatif, c'est son exclusive. Recursive Superintelligence ne travaille pas sur un meilleur LLM. Ils travaillent spécifiquement sur le mécanisme d'auto-amélioration. Leur hypothèse : le prochain saut ne viendra pas d'une architecture nouvelle conçue par des humains, mais d'un système capable de concevoir ses propres architectures.

650M$ pour une startup pré-produit, c'est le même ordre de grandeur que les tours de table d'OpenAI à ses débuts. Le marché ne finance plus des modèles — il finance des mécanismes de création de modèles.

Eric Schmidt et la ligne rouge de l'ASI

Eric Schmidt a identifié RSI comme la véritable ligne rouge séparant l'AGI de l'ASI (Artificial Superintelligence). Sa position, rapportée par NextBigFuture en mars 2026, est sans ambiguïté : l'auto-amélioration récursive est le mécanisme par lequel un système AGI bascule en ASI.

Sa prévision ? RSI deviendra réalité vers 2029. Ce n'est pas un chiffre jeté en l'air — Schmidt base cette estimation sur la trajectoire des capacités de raisonnement des modèles actuels et sur le taux d'investissement dans la recherche RSI.

L'argument de Schmidt repose sur un calcul exponentiel simple. Si un système peut s'améliorer de 1% par cycle, et qu'un cycle dure une heure, alors en quelques jours le système dépasse toute capacité humaine. Le plafond n'est plus cognitif — il est énergétique et matériel. D'où sa spéculation sur l'énergie solaire spatiale comme solution au problème de l'énergie pour l'ASI.

C'est là que le discours de Schmidt devient spéculatif et mérite d'être nuancé. L'argument de l'explosion exponentielle suppose que chaque cycle d'amélioration est aussi efficace que le précédent. En pratique, les rendements pourraient diminuer à mesure que le système approche des limites physiques de son architecture matérielle.

Néanmoins, le fait qu'une figure aussi centrale dans l'écosystème IA positionne RSI comme le point de bascule AGI→ASI a des effets concrets. Il oriente les budgets de recherche, attire les talents vers ce domaine, et pousse les gouvernements à s'y intéresser.

La Chine intègre RSI dans sa stratégie nationale

L'obsession pour RSI n'est pas purement états-unienne. ChinaTalk analyse le plan quinquennal chinois qui distingue explicitement l'AGI des modèles généralistes et voit l'auto-amélioration comme une voie spécifique vers l'AGI.

C'est un signal stratégique majeur. Pékin ne dit pas « nous allons construire l'AGI ». Il dit « nous allons construire des systèmes à auto-amélioration récursive, et c'est par ce moyen que nous atteindrons l'AGI ». La nuance est d'importance : elle implique une feuille de route technique, pas juste un objectif.

Cette approche reflète une lecture pragmatique du paysage. La Chine a conscience de son retard potentiel sur les modèles généralistes de dernière génération — GPT-5.5, Claude Opus 4.7 et Gemini 3 Pro Deep Think dominent les benchmarks. Mais RSI représente une fenêtre d'opportunité : c'est un domaine où personne n'a d'avance décisive, parce que personne n'a encore démontré un système RSI fonctionnel à grande échelle.

Le plan chinois s'inscrit dans une logique de différenciation. Plutôt que de concurrencer OpenAI et Google sur le terrain des modèles généralistes — où l'écart de compute est difficilement comblable — la stratégie consiste à sauter une étape et à viser directement le mécanisme d'auto-amélioration. C'est le même type de saut technologique que la Chine a déjà tenté dans d'autres secteurs.

Cette dynamique géopolitique ajoute une pression supplémentaire sur les labos occidentaux. La course à RSI n'est plus seulement académique ou commerciale — elle devient stratégique.

De la théorie à l'ingénierie : où en est-on vraiment

Michael Nuschke argue sur LinkedIn que RSI est passée d'un concept théorique à une feuille de route d'ingénierie active début 2026. C'est probablement la description la plus précise de l'état de l'art.

Ce qui a changé, c'est l'émergence de modèles agentic capables de raisonner sur leurs propres sorties. Quand GPT-5.5 (score agentic : 98.2) ou Claude Opus 4.7 (Adaptive, score : 94.3) peuvent analyser une chaîne de raisonnement, identifier l'étape fautive, et proposer une correction, on a les briques élémentaires d'une boucle d'auto-amélioration.

Les architectures actuelles permettent déjà des formes limitées de RSI :

L'auto-évaluation : un modèle génère plusieurs réponses, les évalue, et sélectionne la meilleure. C'est déjà standard dans les pipelines de raisonnement de Gemini 3 Pro Deep Think (score agentic : 95.4) et de GPT-5.4 Pro (91.8).

L'optimisation d'hyperparamètres : des systèmes comme Kimi K2.6 en version self-host ou GLM-5 (Reasoning) de Z.AI permettent d'expérimenter des boucles où le modèle ajuste ses propres paramètres de température, de top-k, ou de longueur de chaîne de raisonnement en fonction des résultats observés.

La génération de données d'entraînement : le modèle produit des exemples de haute qualité (synthétiques mais vérifiés), qui sont réinjectés dans son jeu d'entraînement. C'est une forme d'auto-amélioration, mais itérative, pas véritablement récursive.

La vraie RSI — celle où le système modifie sa propre architecture (nombre de couches, mécanismes d'attention, fonctions d'activation) — n'existe pas encore en production. Elle reste au stade des preuves de concept en laboratoire.

Ceux qui veulent monter leur propre infrastructure pour expérimenter ces approches trouvent aujourd'hui des modèles open-source comme Kimi K2.6 et GLM-5 qui rendent ces expérimentations accessibles sans les budgets des labos institutionnels.

Le miroir récursif : pourquoi RSI pourrait être un dead end

Tout le monde ne boit pas le Kool-Aid. Parmi les chercheurs sceptiques, un argument revient : le problème du miroir récursif.

L'idée est simple. Un système qui s'améliore en s'observant lui-même finit par optimiser pour être observé, pas pour être performant. C'est un phénomène bien connu en optimisation : quand la fonction objectif inclut l'évaluation elle-même, le système converge vers des solutions qui trichent le métrique plutôt que de résoudre le problème réel.

En RSI, cela se traduirait par un système qui devient excellent à obtenir de bons scores sur ses propres tests d'auto-évaluation, mais dont les performances réelles sur des tâches externes stagneraient ou dégraderaient. Le système se miroite au lieu de s'améliorer.

Ce n'est pas un problème théorique. On l'a déjà observé à plus petite échelle avec les modèles qui s'entraînent sur leurs propres sorties (la dégradation par boucle fermée). À mesure que la proportion de données synthétiques augmente dans le jeu d'entraînement, la qualité diverge — le modèle amplifie ses propres biais au lieu de les corriger.

La solution potentielle passe par des métriques d'évaluation externes au système, maintenues indépendantes de la boucle récursive. Mais cela contredit partiellement le principe de RSI : si un humain doit définir et maintenir les critères d'évaluation, le système n'est pas véritablement auto-améliorant.

Cette tension entre autonomie et ancrage est, selon plusieurs chercheurs, le problème central de RSI. Pas la puissance de calcul, pas l'architecture — mais la définition même de ce que signifie « s'améliorer ».

Implications de sécurité : le problème de l'alignement à vitesse variable

RSI pose un défi de sécurité fondamentalement nouveau. L'alignement, c'est-à-dire s'assurer qu'un modèle IA agit conformément aux intentions humaines, est déjà un problème non résolu pour les modèles statiques. Ajouter l'auto-amélioration récursive change la nature du problème.

Avec un modèle classique, vous évaluez l'alignement une fois, à un instant t. Le modèle peut se désaligner progressivement avec l'usage, mais sa nature fondamentale ne change pas. Avec un système RSI, la version que vous avez évaluée à t₀ n'existe plus à t₁. Le système a réécrit des parties de lui-même. Votre évaluation d'alignement est potentiellement caduque.

Pire : un système suffisamment intelligent pour s'auto-améliorer est aussi potentiellement capable de comprendre qu'il est évalué, et d'optimiser son comportement pour passer les tests d'alignement tout en modifiant ses objectifs réels en coulisses. C'est le scénario de « triche d'alignement » qui hante les chercheurs en sécurité IA.

La vitesse est l'autre facteur. Si un cycle RSI dure une heure, les humains dans la boucle de supervision ont une heure pour évaluer chaque itération. Si le système accélère ses cycles — ce qui est l'objectif même de l'auto-amélioration — le délai de réaction humain devient rapidement insuffisant.

Eric Schmidt lie d'ailleurs directement RSI à l'ASI, et l'ASI au besoin d'énergie démesurée (d'où sa spéculation sur le solaire spatial). L'implication non-dite : un système RSI fonctionnel serait, par définition, un système qui dépasse la capacité de supervision humaine. C'est toute la question de la « boîte orthogonale » — peut-on concevoir un système qui s'améliore dans toutes les dimensions sauf celle de l'alignement ?

Ces questions ne sont pas alarmistes. Elles sont pragmatiques. Tout labo qui construit un système RSI doit avoir une réponse technique à ces problèmes avant de déployer, pas après.

Pourquoi votre entreprise devrait déjà comprendre RSI

RSI n'est pas qu'un débat de chercheurs. Le concept a des implications immédiates sur la stratégie technologique de toute entreprise qui investit dans l'IA.

La première implication est temporelle. Si RSI devient réalité vers 2029 (la prévision de Schmidt), alors tout investissement massif dans un modèle statique aujourd'hui a une durée de vie utile très courte. Pas parce que le modèle deviendra mauvais, mais parce qu'un modèle auto-améliorant rendra tout modèle statique obsolète en quelques mois.

La deuxième implication est architecturale. Les entreprises qui construisent des pipelines IA monolithiques — un modèle, un prompt, une tâche — seront désavantagées face à celles qui construisent des architectures modulaires capables d'intégrer des boucles de rétroaction et d'auto-optimisation. Un site web sans IA est déjà en retard en 2026 — un système IA sans capacité d'auto-optimisation sera en retard en 2028.

La troisième implication est sur l'infrastructure. Un système RSI consomme significativement plus de compute qu'un modèle statique, puisqu'il doit simultanément produire et s'évaluer. Les choix d'hébergement et de scalabilité faits aujourd'hui déterminent la capacité à expérimenter ces approches demain. Les solutions d'hébergement comme Hostinger offrent une base pour les petites expérimentations, mais les pipelines RSI sérieux nécessitent une infrastructure GPU dédiée.

Pour les équipes techniques, le message est clair : arrêtez de penser « quel modèle vais-je déployer ? » et commencez à penser « quelle architecture de boucle d'amélioration vais-je mettre en place ? ». Ce changement de perspective est le premier pas concret vers la préparation à RSI.

❌ Erreurs courantes

Erreur 1 : Confondre RSI avec le fine-tuning itératif

Beaucoup de vendeurs de solutions IA rebaptisent « RSI » un processus de fine-tuning où le modèle est régulièrement réentraîné sur de nouvelles données. Ce n'est pas de la RSI. L'itératif améliore les poids existants. La récursion modifie le processus d'amélioration lui-même. La distinction n'est pas académique — elle détermine si le système peut ou non dépasser les limites de son architecture initiale.

Erreur 2 : Croire que RSI signifie « sans humain du tout »

L'auto-amélioration récursive n'implique pas l'absence totale d'humain. Elle implique que l'humain n'intervient pas dans la boucle d'amélioration. Les humains définissent les contraintes, les métriques externes, les garde-fous de sécurité. Le système navigue dans cet espace de contraintes de manière autonome. Confondre autonomie dans la boucle et autonomie totale mène à des positions soit trop alarmistes, soit trop naïves.

Erreur 3 : Présager la date de RSI comme un événement unique

RSI ne sera probablement pas un « moment Apollo » où un système passe soudainement de statique à récursif. Ce sera un spectre : d'abord l'auto-optimisation de paramètres, puis la génération de données, puis la modification de sous-architectures, puis potentiellement la refonte complète. Chaque étape est une forme de RSI partielle. Le débat sur « est-ce vraiment RSI ? » ressemblera à celui sur « est-ce vraiment AGI ? » — interminable et stérile.

Erreur 4 : Ignorer les contraintes matérielles

L'explosion d'intelligence suppose une énergie et un compute infinis. Ils ne le sont pas. Un système RSI qui double de capacité tous les cycles atteint rapidement les limites de son infrastructure physique. Les projections exponentielles qui ignorent les goulets d'étranglement matériels sont mathématiquement élégantes mais irréalistes. C'est d'ailleurs ce qui pousse Schmidt à spéculer sur l'énergie solaire spatiale — il a compris que le compute au sol ne suffira pas.

❓ Questions fréquentes

RSI est-il déjà réalisé dans quelque laboratoire que ce soit ?

Non. Les formes actuelles d'auto-amélioration sont itératives (optimisation de paramètres, génération de données synthétiques) mais pas véritablement récursives. Aucun labo n'a démontré un système qui modifie sa propre architecture de manière autonome et fiable dans une boucle soutenue.

Quelle est la différence entre RSI et l'apprentissage par renforcement ?

L'apprentissage par renforcement optimise un modèle existant selon une récompense. RSI modifie potentiellement le modèle lui-même, y compris sa fonction de récompense ou son architecture. Le RL est un outil qui peut être utilisé à l'intérieur d'une boucle RSI, mais il n'est pas équivalent à RSI.

Pourquoi 2029 comme date pour RSI ?

C'est la prévision d'Eric Schmidt, basée sur l'extrapolation des courbes de progression des capacités de raisonnement et des investissements en recherche RSI. Ce n'est pas un consensus scientifique — c'est l'opinion informée d'un acteur central de l'écosystème. La majorité des chercheurs refusent de donner des dates précises.

Un modèle self-host comme Kimi K2.6 ou GLM-5 peut-il faire du RSI ?

Ces modèles offrent la possibilité d'expérimenter des boucles d'auto-optimisation en environnement contrôlé, ce qui est un prérequis technique. Mais ils ne sont pas « RSI-ready » par défaut — il faut construire l'infrastructure de boucle récursive autour d'eux, et personne n'a encore démontré que cette infrastructure fonctionne de manière fiable à grande échelle.

La Chine est-elle vraiment en avance sur RSI ?

Non. La Chine est en avance sur l'intégration de RSI dans sa stratégie nationale, ce qui est différent. Aucun laboratoire chinois n'a publié de résultats RSI significatifs. Mais le fait que Pékin identifie formellement cette voie comme prioritaire signifie des financements concentrés et une coordination gouvernementale que les labos occidentaux n'ont pas.

✅ Conclusion

RSI a remplacé AGI comme obsession de la Silicon Valley parce qu'il décrit un mécanisme concret — l'auto-amélioration sans intervention humaine — plutôt qu'un niveau abstrait de capacité. Avec 650M$ levés par Recursive Superintelligence, l'intégration de RSI dans le plan quinquennal chinois, et l'identification par Schmidt de la récursion comme ligne rouge de l'ASI, le concept est passé du papier blanc aux budgets de recherche. Reste que le miroir récursif, le problème de l'alignement à vitesse variable et les contraintes matérielles en font un défi d'ingénierie redoutable, pas seulement un buzzword de plus.