Les capacités de l'IA doublent tous les 7 mois : ce que révèle l'étude METR

La mesure de METR, souvent surnommée la « loi de Moore de l'IA » par analogie avec le doublement biennal de la densité des transistors théorisé par Gordon Moore en 1965, mérite qu'on s'y arrête. Non pas pour céder à l'emballement médiatique qui accompagne chaque avancée du secteur, mais parce qu'elle a des conséquences très concrètes sur la manière dont les entreprises devraient penser leur stratégie IA aujourd'hui.

Ce que mesure vraiment METR

L'originalité de l'étude METR tient à son unité de mesure. Plutôt que de comparer les modèles sur des benchmarks académiques classiques, souvent saturés en quelques mois par les derniers systèmes, les chercheurs ont introduit une métrique baptisée time horizon : la durée d'une tâche qu'un humain qualifié mettrait à accomplir, et qu'un modèle d'IA peut désormais réaliser avec un taux de succès équivalent.

En clair, si un développeur senior met deux heures à écrire un module logiciel donné, et qu'un modèle parvient à produire ce même module avec une qualité comparable, alors ce modèle a franchi la barre du « time horizon de deux heures ». METR a mesuré cette durée sur plus de six ans, en évaluant systématiquement les modèles disponibles sur des tâches réelles d'ingénierie logicielle.

Le résultat est net : depuis 2019, cette durée double tous les sept mois environ. GPT-2 tenait sur des tâches de quelques secondes. Aujourd'hui, les meilleurs modèles franchissent la barre des tâches qui prennent plusieurs heures à un ingénieur expérimenté. La mise à jour de janvier 2026, publiée par METR sous le nom Time Horizon 1.1, confirme que cette tendance ne s'infléchit pas, elle se maintient, avec plus de données et une méthodologie affinée.

Vous pouvez consulter l'étude originale directement sur le site de METR

Pourquoi cette mesure change tout

La plupart des dirigeants perçoivent l'évolution de l'IA à travers un fil d'actualité : un nouveau modèle sort chez OpenAI, un autre chez Anthropic, Mistral publie une version open source, Google réplique. C'est un ruissellement continu de nouveautés qui donne l'impression d'un progrès rapide mais indistinct. La courbe de METR, elle, met un chiffre sur cette impression, et ce chiffre est vertigineux.

Un doublement tous les sept mois signifie que dans dix-huit mois, les modèles seront capables d'accomplir des tâches environ six fois plus longues qu'aujourd'hui. Sur trois ans, l'écart est d'un facteur trente. Autrement dit, un modèle qui peine aujourd'hui sur un dossier client complexe traitera sans difficulté, en 2028, l'équivalent d'une semaine de travail d'un analyste. Cela ne signifie pas qu'il remplacera cet analyste, la question de la valeur ajoutée humaine est autrement plus subtile, mais que la surface de tâches automatisables va s'étendre à un rythme qui rend caduque toute stratégie IA figée.

C'est là que le raisonnement bascule du terrain technique vers le terrain stratégique. Si les capacités des modèles évoluent aussi vite, la pire décision qu'une entreprise puisse prendre en 2026 est de s'enfermer chez un fournisseur unique. Non pas parce que ce fournisseur serait mauvais aujourd'hui, mais parce que le meilleur modèle du moment aura, statistiquement, été surclassé dans les six à douze mois.

Le vrai risque n'est pas le modèle. C'est la dépendance.

Beaucoup d'organisations, séduites par la facilité d'intégration de ChatGPT Enterprise ou de Copilot, ont construit leurs premiers cas d'usage IA autour d'un unique fournisseur. C'était rationnel il y a deux ans, quand OpenAI dominait sans partage. Ça l'est beaucoup moins aujourd'hui, dans un paysage où Anthropic surpasse régulièrement GPT sur le raisonnement, où Mistral rattrape son retard sur le multilingue, où Google DeepMind mène sur la vidéo, et où des acteurs chinois comme DeepSeek publient en open source des modèles au niveau des meilleurs propriétaires occidentaux.

Le rythme de progression mesuré par METR rend cette diversité structurelle. Aucun acteur ne peut garantir qu'il tiendra la tête du peloton pendant plus de quelques trimestres. Une entreprise qui a bâti tout son édifice IA sur un seul moteur se retrouve face à un choix pénible tous les six mois : rester en retrait sur les capacités, ou tout migrer.

La bonne nouvelle, c'est qu'il existe désormais une réponse architecturale à ce problème. Plutôt que de choisir un modèle, on choisit une couche d'orchestration qui donne accès à tous. C'est la philosophie sur laquelle nous avons construit OUPI : une plateforme unique qui fédère plus de soixante modèles (GPT, Claude, Gemini, Mistral, Llama, DeepSeek, Flux, Veo, Kling...) avec une mémoire commune, des intégrations métier partagées et un socle de sécurité unifié. Quand un nouveau modèle sort, il rejoint simplement le catalogue. Vos utilisateurs ne changent pas d'outil, votre DSI ne refait pas ses intégrations, votre conformité reste stable. Vous suivez la courbe METR sans en subir les à-coups.

La souveraineté n'est pas un frein, c'est un accélérateur

Un contre-argument revient souvent : « Si l'IA évolue si vite, mieux vaut prendre le leader américain et suivre le mouvement, plutôt que de se compliquer la vie avec la souveraineté. » Ce raisonnement passe à côté de deux réalités.

La première est réglementaire. L'IA Act européen, désormais en vigueur, impose des obligations de transparence, de traçabilité et de conformité qui ne se contentent pas d'un contrat commercial avec un éditeur situé hors UE. Les entreprises qui traitent des données sensibles, finance, santé, juridique, secteur public, ne peuvent plus se permettre l'ambiguïté sur le lieu de traitement, sur les logs, sur les possibilités d'audit.

La seconde est industrielle. Utiliser des modèles américains n'est pas incompatible avec la souveraineté, à condition que l'orchestration, la mémoire, le stockage et la gouvernance restent sous contrôle européen. C'est le parti que nous avons pris chez OUPI : les meilleurs modèles mondiaux, accessibles depuis une plateforme hébergée en France, avec un mode Privacy Protection qui garantit un routage exclusivement européen quand la nature des données l'exige. La souveraineté, dans cette approche, ne signifie pas se priver de l'innovation. Elle signifie garder la main sur le cadre dans lequel cette innovation est consommée.

Ce que devraient faire les entreprises dès maintenant

Si l'on prend au sérieux la mesure de METR, trois convictions découlent naturellement. D'abord, considérer l'IA comme une capacité qui va continuer à s'étendre rapidement, et non comme un ensemble figé d'outils dont on aurait fait le tour. Ensuite, éviter toute architecture qui rendrait coûteux le remplacement d'un modèle par un autre, c'est le principe même de l'orchestration. Enfin, investir dans les couches qui durent : la mémoire de l'organisation, ses intégrations métier, sa gouvernance des données, sa culture de l'usage. Ces couches survivront à tous les modèles qui se succéderont.

La courbe publiée par METR n'est pas une prédiction. C'est une constatation empirique sur six années de données. Elle peut ralentir, elle peut s'accélérer, elle peut se rompre. Mais miser sur son maintien est aujourd'hui l'hypothèse rationnelle, et c'est celle sur laquelle il faut construire une stratégie IA d'entreprise en 2026.

Sources

• METR, Dashboard Time Horizons — https://metr.org/time-horizons/