Karpathy décrit une IA à plusieurs vitesses selon l’accès

L’intelligence artificielle n’offre pas la même expérience à celui qui l’essaie de temps en temps et à celui qui manipule les systèmes les plus avancés. Dans une publication diffusée sur les réseaux sociaux, Andrej Karpathy – cofondateur d’OpenAI, ancien responsable de l’IA chez Tesla, qui a rejoint l’équipe de pré-entraînement d’Anthropic en mai 2026 – décrit un fossé qui se creuse entre ces usages. Selon lui, la façon dont on perçoit les grands modèles de langage dépend désormais surtout des outils auxquels on a accès, des tâches qu’on leur confie et de la fréquence d’utilisation. Ses chiffres restent toutefois des ordres de grandeur, pas un recensement documenté.

Quatre cercles qui se rétrécissent

Karpathy distingue quatre groupes, de plus en plus restreints à mesure que l’accès aux technologies les plus performantes se resserre. Le premier rassemblerait environ six milliards de personnes qui n’ont eu que peu de contacts avec ces modèles. Le deuxième réunirait un à deux milliards d’utilisateurs occasionnels de services gratuits de type ChatGPT. Pour eux, l’IA reste avant tout un moteur de recherche amélioré, une aide à la rédaction ou un assistant pour des demandes ponctuelles.

Cet usage limité forge, estime-t-il, une image partielle de ce que la technologie permet. Ces utilisateurs côtoient des agents conversationnels utiles, mais aussi capables d’erreurs grossières. Karpathy note que ce constat vaut pour de nombreux professionnels étrangers aux mathématiques et à la programmation : même attentifs aux évolutions du secteur, ils n’en connaîtraient souvent les capacités que par ouï-dire, faute de les éprouver dans leur propre travail.

Le troisième cercle compterait quelque vingt millions de personnes qui utilisent au quotidien, dans ces deux domaines, les modèles les plus avancés. Ces utilisateurs verraient fondre le temps nécessaire à certains projets complexes : des travaux qui demandaient des semaines, voire des mois, pourraient désormais être confiés à des agents à partir d’une simple consigne. Karpathy cite la création, la reproduction ou la traduction d’applications, ou encore l’analyse de logiciels à partir de leurs fichiers binaires.

Le dernier cercle serait bien plus étroit : environ cinq mille personnes disposeraient, à l’intérieur des laboratoires, d’un accès interne aux systèmes de pointe. Leur expérience différerait encore de celle des professionnels qui utilisent les produits commercialisés. Karpathy évoque des milliers d’agents mobilisés pendant des semaines sur de vastes chantiers logiciels, la recherche de failles informatiques, des opérations de cybersécurité ou l’exploration de problèmes scientifiques et mathématiques. Il s’agit là de ses propres observations, non d’une mesure indépendante des performances.

Une question d’usage plus que de conviction

L’écart tiendrait donc moins à une opposition entre enthousiastes et sceptiques qu’à des conditions d’utilisation radicalement différentes. La complexité des tâches, le niveau variable des modèles et les restrictions d’accès jouent ici un rôle central. Des requêtes simples ne permettent pas de mesurer ce que certains systèmes accomplissent sur des travaux de longue haleine. Les problèmes dont le résultat peut être vérifié automatiquement – en code ou en mathématiques – offrent en outre un terrain propice aux progrès par apprentissage par renforcement.

Karpathy pointe enfin un décalage entre la production des machines et la capacité humaine à en contrôler les résultats : plus les agents produisent, plus la vérification et la compréhension de leur travail risquent de devenir le goulot d’étranglement. Son propos dessine ainsi deux réalités difficilement comparables : celle d’un grand public confronté aux limites visibles des assistants, et celle d’un cercle restreint qui observe des usages hautement spécialisés. Les effectifs avancés illustrent cette fracture, sans suffire à en établir l’ampleur réelle.