Le vieux fantasme d’une IA capable d’écrire ses propres mises à jour vient de quitter les rayons de la science-fiction pour s’inviter directement dans vos dépôts GitHub. Si l’idée d’agents auto-évolutifs infuse dans l’écosystème depuis un moment, une nouvelle vague de projets open source est en train de transformer ce concept en une réalité concrète, bien qu’un brin déconcertante. En première ligne, on trouve MetaClaw, un framework permettant aux agents de forger de nouvelles compétences à partir de leurs échecs, et AutoResearch, un outil minimaliste signé Andrej Karpathy qui met le développement des LLM sous pilote automatique.
MetaClaw, mis au point par le AIMING Lab de l’université UNC-Chapel Hill, a été conçu pour apprendre “sur le tas”, directement via les conversations avec les utilisateurs. Plutôt que de miser sur de lourdes phases de réentraînement hors ligne, MetaClaw analyse les interactions qui ont échoué et sollicite un LLM pour générer automatiquement de nouvelles “skills” (compétences) afin d’éviter de trébucher deux fois sur le même obstacle. En substance, le système permet à un agent d’évoluer en tirant les leçons de ses propres bourdes — une fonctionnalité que beaucoup d’humains attendent encore de recevoir via une mise à jour logicielle. L’intégralité du projet est détaillée sur le dépôt GitHub de MetaClaw.
Pour ne rien arranger au vertige ambiant, Andrej Karpathy, l’ancien ponte de l’IA chez Tesla et membre fondateur d’OpenAI, vient de jeter un pavé dans la mare avec AutoResearch. Ce framework, d’une simplicité brillante, permet à un agent d’IA de mener ses propres expériences de machine learning en toute autonomie. L’agent modifie le code d’entraînement, lance une expérimentation éclair de cinq minutes, évalue les résultats, puis décide de conserver ou de jeter la modification avant d’entamer le cycle suivant. Comme Karpathy l’a souligné avec son ironie habituelle, l’ère des « ordinateurs de chair » (comprenez : nous) effectuant de la recherche en IA pourrait bien toucher à sa fin. Le projet est disponible sur le dépôt GitHub de AutoResearch.
L’idée n’est pas tout à fait neuve — certains développeurs comme Máté Benyovszky évoquaient déjà leurs travaux sur une « deuxième génération » d’agents auto-évolutifs dès février 2026. Cependant, l’arrivée de frameworks open source robustes marque un véritable point d’inflexion.
Pourquoi est-ce une révolution ?
Les modèles d’IA statiques, obsolètes à la seconde même où ils sont déployés, constituent aujourd’hui un goulot d’étranglement majeur. Les agents auto-évolutifs représentent un changement de paradigme fondamental : on ne livre plus un produit fini, mais un système capable de s’adapter et de s’améliorer en continu dans le monde réel. Pour la robotique, les implications sont vertigineuses. Au lieu de programmer méticuleusement chaque action et chaque exception, un robot pourrait acquérir de nouvelles capacités physiques par lui-même après avoir échoué à une tâche. C’est toute la différence entre un simple automate et un système véritablement autonome, et il semblerait que les outils pour bâtir ce futur soient enfin à portée de main.
