88 % des changements de code chez Google DeepMind passent encore par un humain, et cela dicte vos prompts

Mi-octobre 2026, une rumeur circule sur X : Google aurait atteint l'auto-amélioration récursive, ou en serait tout proche. Le lancement de Gemini 4 Argon le 30 septembre, avec des scores de pointe en programmation et une sortie d'un million de tokenstokensUn token est l'unité de base de texte que traitent les modèles de langage : le plus souvent un fragment de mot, un mot entier ou un signe de ponctuation, plutôt qu'un simple caractère.Voir la définition complète →, a nourri cette idée. Le 14 octobre, The Decoder rapporte la réponse d'un ingénieur de Google, Haydn Belfield : Google DeepMind n'a constaté aucune accélération mesurable de sa recherche en IA due à l'IA elle-même.

Ses chiffres sont plus instructifs que son démenti. L'IA écrit désormais plus de 75 % du code de production, mais environ 88 % des changements de code exigent encore une supervision ou une relecture humaine, et chaque changement est relu par un humain avant soumission. La part des changements entièrement délégués à l'IA est passée de 7,5 à 11,9 %. Pour quiconque rédige des prompts au quotidien, la leçon est simple. Les patterns qui fonctionnent de façon constante donnent au modèle un critère de réussite vérifiable et gardent un humain au moment où le résultat devient irrirrLe taux de rendement interne est le taux d'actualisation qui annule la valeur actuelle nette d'un projet. Il exprime le rendement annualisé attendu d'un investissement.Voir la définition complète →éversible. Les formulations astucieuses et les rôles flatteurs pèsent peu à côté. Google DeepMind applique cette règle à son propre modèle et l'a mise par écrit.

Comment Google DeepMind brief désormais Gemini 4 argon

Le diagnostic interne a précédé la méthode. Plus une tâche est complexe et longue, moins l'IA a de chances de la mener seule. Sur 1 389 exécutions internes d'agents Argon, le taux de réussite sans intervention humaine a chuté nettement à mesure que la complexité augmentait. Une enquête auprès de douze chercheurs seniors de DeepMind a confirmé ce schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète → : l'automatisation est la plus forte sur les tâches bien définies et vérifiables, et la plus faible sur l'idéation scientifique ouverte.

Le guide développeur d'Argon, publié sur Google AI Studio, transforme ce constat en consignes de prompt. Quatre d'entre elles valent pour tous les usages.

Aligner l'intention avant de lancer le modèle

Le premier conseil consiste à faire confirmer par Argon, avant de commencer, qu'il a accès aux outils et documents nécessaires et qu'il a compris l'intention. Dans l'environnement Antigravity, la commande /grill-me demande à Argon d'interroger l'utilisateur pour fixer les objectifs et l'approche avant d'écrire la moindre ligne de code. Côté AI Studio, Google suggère d'écrire simplement « Ask me questions about the plan first », c'est-à-dire de demander au modèle de poser ses questions sur le plan avant de démarrer. Ce pattern inverse la charge : le modèle signale ce qui manque au brief au lieu de combler les trous par des suppositions.

Donner au modèle un moyen de vérifier son travail

C'est le cœur du guide. Plutôt que de laisser Argon deviner si une correction a fonctionné, Google recommande de lui fournir un signal concret : la suite de tests, les journaux d'exécution, des captures d'écran du navigateur, ou un script de vérification à faire tourner en boucle jusqu'à ce que tous les contrôles passent. Mieux encore, faire écrire à Argon un script de vérification reproductible, enregistrer un score de référence, puis tester chaque changement contre ce script jusqu'à atteindre la cible.

Laisser courir, mais bloquer l'irréversible

Google conseille d'arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →êter le pilotage tour par tour et de laisser Argon exécuter le plan complet de façon autonome, tout en marquant une pause pour obtenir la confirmation de l'utilisateur avant toute étape irréversible. L'autonomie est accordée sur ce qui se défait facilement. La validation humaine est réservée à ce qui ne se défait pas.

Faire relire la session par le modèle

Le dernier conseil est le plus proche de l'auto-amélioration dont parle la rumeur, à une différence près. Le prompt suggéré demande au modèle d'examiner la session en cours pour repérer où les choses ont bloqué ou demandé des étapes supplémentaires, puis de proposer des mises à jour du fichier AGENTS.md ou des compétences personnalisées. Le modèle propose, l'humain valide le fichier d'instructions. La boucle d'amélioration existe, mais elle passe par une personne.

Quels résultats Google DeepMind obtient-il avec ces patterns ?

Les gains sont réels, mais ils se concentrent sur les tâches vérifiables, et c'est Google qui les mesure. Sur RE-Bench, le benchmark interne de DeepMind composé de 74 tâches réalistes d'ingénierie en apprentissage automatique, Argon en résout environ la moitié. C'est un gros progrès par rapport aux 27 % de Gemini 3.7 Flash, mais on reste loin de la performance quasi parfaite qu'exigerait une automatisation complète. L'indice interne de capacité générale de l'entreprise montre une croissance régulière, sans accélération soudaine.

Google met aussi en avant des cas d'usage interne. Selon l'entreprise, Argon a repéré un rendu d'emoji redondant dans le système de commentaires de YouTube, et sa suppression a réduit la charge serveur de 45 %. Il aurait aussi trouvé dans le simulateur physique de drones de Project Wing des bogues critiques présents depuis 2018. Ces deux exemples ont un point commun : un résultat mesurable (une charge serveur, un bogue reproductible). Ils restent toutefois déclaratifs, et les gains d'ingénierie internes rapportés par Google ne sont pas des mesures indépendantes. Il n'existe pas non plus de chiffre public isolant la contribution de chaque pattern du guide. On sait que le dispositif global fonctionne sur les tâches vérifiables, pas lequel de ses éléments pèse le plus.

OpenAI fournit un indice convergent, à lire avec prudence puisqu'il s'agit d'un concurrent commercial. Pour le score de GPT-6 Astra sur ARC-AGI-3, OpenAI a utilisé un harnais qui conserve le raisonnement entre les tours et compacte les longs contextes. L'entreprise avait déjà montré que ces choix de système peuvent relever nettement les scores sans changer le modèle sous-jacent. Le cadre qui entoure le modèle (consignes, boucle de contrôle, gestion du contexte) déplace donc le résultat autant que le choix du modèle.

Quels patterns de prompt fonctionnent hors de Google ?

Ce sont les mêmes, à condition de remplacer « suite de tests » par le contrôle propre à votre métier. Trois exemples récents le montrent dans des contextes très différents.

Floqer, une start-up de prospection B2B présentée chez TechCrunch le 14 octobre 2026, fonctionne sur un brief en langage naturel : l'utilisateur décrit ce qu'il cherche, puis les agents explorent différentes sources pour constituer des listes d'entreprises et de contacts. La vérification est intégrée au processus : pour obtenir une adresse e-mail ou un numéro de téléphone vérifié, Floqer procède « en cascade », en interrogeant un fournisseur de données après l'autre. L'entreprise affirme que ses clients ont réduit leur temps de prospection de 70 % au maximum. C'est un chiffre déclaré par la société, sans audit externe connu.

Pour la classification de textes, KDnuggets a publié le même jour un tutoriel sur Scikit-LLMLLMUn Large Language Model est un système d'IA entraîné sur d'énormes volumes de texte pour prédire et générer du langage, ce qui permet de rédiger, résumer ou répondre à des questions.Voir la définition complète →, une bibliothèque qui classe des textes à partir d'un petit nombre d'exemples étiquetés qui indiquent au LLM quoi faire et comment. La documentation du projet recommande que le jeu d'exemples tienne dans un seul prompt, jusqu'à 10 exemples par étiquette. Un aide-mémoire de KDnuggets ajoute que des étiquettes vagues donnent des résultats vagues, et qu'il vaut mieux les rédiger comme des descriptions. Quand onapprend au modèle par l'exemple, les exemples jouent le rôle de la suite de tests : ils définissent ce qu'est une bonne réponse.

Amp, éditeur d'un agent de développement, illustre le dernier levier. Le témoignage est publié par OpenAI, fournisseur des modèles concernés, et il faut donc le lire comme un contenu commercial. Selon son PDG Quinn Slack, l'intégration Sign in with ChatGPT donne aux utilisateurs plus de tokens et l'accès à GPT-6 Astra, ce qui modifie leur disposition à confier une tâche plus large à un agent. Le budget disponible change donc la taille de ce qu'on délègue, et c'est un paramètre de prompt à part entière.

La grille vérifiable / réversible

Voici la règle à écrire au tableau :pas de critère écrit, pas de délégation longue ; pas de retour arrière possible, pas d'exécution sans validation. Deux questions suffisent avant chaque prompt. Puis-je écrire le test qui dira si la réponse est bonne ? Le résultat peut-il être annulé sans coût ?

• Vérifiable et réversible (reformater un tableau, classer 500 tickets, refactoriser un fichier sous contrôle de version) : long run autonome, avec critères explicites et autocontrôle demandé au modèle.
• Vérifiable mais irréversible (envoyer une campagne, modifier une base client) : même run, avec une pause obligatoire avant l'action finale, comme dans le guide Argon.
• Non vérifiable mais réversible (note stratégique, première version d'un argumentaire) : itérations courtes, exemples de référence, et c'est vous qui jugez.
• Ni vérifiable ni réversible (décision d'investissement, réponse à un régulateur) : le modèle rédige des options, l'humain décide et signe.

Le contexte d'un lecteur non technique diffère de celui de DeepMind sur un point. Le code est l'un des domaines les plus faciles à vérifier, et les 88 % de relecture concernent pourtant ce domaine favorable. Dans le travail de connaissance, le contrôle consiste le plus souvent à vérifier les affirmations factuelles et les citations par rapport aux documents sources. La part que vous pourrez déléguer entièrement sera donc plus faible que les 11,9 % de Google.

Exemple chiffré : ordonner le prompt pour profiter du cache

Le pattern « contexte stable d'abord, question variable à la fin » a un effet direct sur les coûts. Pour Argon, le tarif d'introduction est de 2 dollars par million de tokens en entrée et 10 dollars en sortie, avec une remise de 95 % sur les tokens mis en cache, qui reviennent à 0,10 dollar par million.

Cas hypothétique, en arithmétique seule : un dossier contractuel de 200 000 tokens est interrogé 20 fois dans la semaine. Sans cache, cela fait 4 millions de tokens en entrée, soit 8 dollars. Si le dossier forme le même préfixe à chaque appel et que le cache fonctionne après le premier, on paie 0,40 dollar pour le premier envoi, puis 3,8 millions de tokens à 0,10 dollar, soit 0,38 dollar. Le total tombe à 0,78 dollar, environ dix fois moins. Il y a deux réserves. Le cache implicite suppose l'éligibilité et un succès de cache, ce n'est pas une remise universelle. De plus, les tarifs d'entrée et de sortie doublent le 1er décembre.

Ce qu'il faut faire lundi pour fiabiliser vos prompts

• Listez vos cinq tâches IA les plus fréquentes et placez chacune dans un quadrant de la grille vérifiable / réversible. Arrêtez les longs runs autonomes sur celles qui tombent dans les quadrants non vérifiables.
• Pour chaque tâche vérifiable, écrivez trois à six critères de réussite avant d'écrire le prompt. Collez-les dans la consigne et demandez au modèle d'indiquer, critère par critère, s'il les respecte.
• Ajoutez une ligne de cadrage en tête de vos prompts longs : « Avant de commencer, pose-moi les questions qui te manquent et reformule l'objectif en une phrase. »
• Pour toute tâche de classement (tickets, verbatims clients, factures), constituez une banque de trois à dix exemples étiquetés par catégorie, avec des intitulés de catégorie rédigés comme des descriptions.
• Réorganisez vos prompts récurrents : documents de référence en premier, toujours dans le même ordre, et la question du jour en dernier.
• Vendredi, demandez au modèle d'analyser la semaine (où il a bloqué, où vous avez dû le corriger), puis mettez vous-même à jour vos instructions personnalisées. Cetteboucle de relecture et de recadrage est la seule forme d'auto-amélioration à votre portée aujourd'hui.

Les données de Belfield montrent que, même chez Google, la boucle d'amélioration passe encore par un humain qui définit ce qu'est un bon résultat. Dans votre travail, ce rôle se joue dans le prompt : le critère que vous écrivez est celui contre lequel le modèle optimise. Sans critère écrit, vous n'avez aucun moyen de juger la réponse.