Du code à la transformation du monde physique
Les IA modernes savent déjà écrire du code, analyser des documents et automatiser les tâches routinières. Mais la prochaine étape véritablement ambitieuse consiste à apprendre aux modèles à agir sur des objets réels, et non seulement sur des systèmes numériques. C'est exactement ainsi que l'ingénieur de 21 ans Konstantin Maruntchenko envisage l'avenir. Sa thèse est simple : l'humain doit pouvoir « éditer » la matière aussi naturellement que les agents de codage éditent le code logiciel.
Une carrière hors normes : des jeux vidéo à l'infrastructure IA
Le parcours de Konstantin ne ressemble pas au chemin standard d'un diplômé d'une école spécialisée. Il a quitté l'Ukraine, a délibérément choisi de ne pas aller à l'université et a commencé à programmer dès l'âge de huit ans. À douze ans, il a suivi un cours pour adultes, à quatorze ans il a décroché son premier emploi, et à quinze ans il a fondé une société de jeux mobiles. L'entreprise a existé pendant quatre ans, générait des revenus et comptait des employés — pour un adolescent, ce fut un cours intensif en gestion.
L'étape suivante a été son entrée dans la startup IA Echelon, où Konstantin a été l'un des premiers ingénieurs. Il a contribué à créer le cœur des pipelines IA d'entreprise et a dirigé l'intégration des entreprises clientes. L'équipe a fini par compter douze personnes et plusieurs contrats d'entreprise. Mais l'essentiel n'est pas dans les chiffres, mais dans la conclusion que Konstantin a tirée de cette expérience : les systèmes réels n'arrivent pas dans un format idéal et préparé. Leur structure doit être découverte, pas prise toute faite.
Son parcours dans le jeu vidéo a aussi influencé sa vision du monde. Même dans les jeux mobiles, où tout semble contrôlable, le comportement des utilisateurs est impossible à prédire à l'avance. Les gens agissent de manière inattendue, ce qui incite à la prudence vis-à-vis des prévisions. Si un produit numérique est imprévisible, qu'en est-il du monde physique.
Pourquoi les modèles « étroits » ne suffisent pas
De nombreux projets en robotique et en automatisation suivent la voie de l'apprentissage de modèles hautement spécialisés : un pour un bras robotique spécifique, un autre pour une machine-outil donnée, un troisième pour le tri de pièces. Konstantin considère cette approche comme limitée. Le monde physique n'est pas « étroit », il est changeant, complexe et ne cesse de présenter de nouvelles conditions.
Les grands modèles pourraient constituer une alternative flexible. Ils sont moins prévisibles dans des tâches étroites, mais ils savent généraliser, transférer des connaissances d'un domaine à un autre et s'adapter au contexte. Et les agents de codage montrent comment structurer l'interaction : l'agent ne se contente pas de fournir une réponse, il planifie des modifications, les applique, vérifie le résultat et, si nécessaire, revient en arrière.
C'est ainsi que devraient fonctionner les systèmes qui modifient l'environnement physique. L'idée est que l'IA aide l'humain à planifier une opération, à choisir les paramètres, à tester des hypothèses et à contrôler le processus — tandis que l'humain reste celui qui prend la décision finale.
Les données réelles ne pardonnent pas la négligence
Le travail sur les pipelines IA d'entreprise a révélé une autre chose : les données « sales » et l'incertitude sont la norme, pas l'exception. Les entreprises fournissent rarement des ensembles de données propres et annotés. On rencontre plus souvent des enregistrements disparates, des formats différents, le facteur humain et des instructions incomplètes. L'ingénieur ne doit pas attendre des conditions idéales, mais savoir extraire une structure du chaos.
Dans les logiciels, les erreurs peuvent généralement être corrigées par le commit suivant. Dans le monde physique, c'est différent : les modifications des matériaux, des ressources, des machines et de l'environnement peuvent être directes et irréversibles. C'est pourquoi il faut construire ces systèmes avec une prudence particulière. Il est préférable de commencer par de petites étapes, de tester les hypothèses en simulation et de ne les transférer qu'ensuite sur des objets réels.
Plus l'IA est puissante, plus le jugement humain est important
Le principal paradoxe dont parle Konstantin est le rôle de l'humain à mesure que les outils d'IA se renforcent. On pourrait penser que plus le modèle est intelligent, moins la participation d'un expert est nécessaire. En réalité, c'est l'inverse : plus l'IA sait faire, plus le choix de la bonne tâche et la vérification de la pertinence de la résoudre deviennent critiques.
Dans les jeux mobiles, il est facile de lancer une fonctionnalité qui ne plaira pas au public et d'obtenir rapidement une réaction négative. Dans les systèmes réels, le coût d'une mauvaise décision est bien plus élevé. C'est pourquoi l'avenir qu'imagine le jeune ingénieur ne repose pas seulement sur l'accélération du développement, mais aussi sur une gestion du changement plus précise et plus responsable. L'IA pourrait devenir non pas un dictateur, mais un partenaire : elle planifie, configure, teste et contrôle, mais l'humain garde le dernier mot.
Peut-être qu'écrire un prompt ressemblera bientôt moins à une requête adressée à un chatbot qu'à un plan de transformation future. L'essentiel est de développer une culture de la prudence avant que ces outils ne soient massivement utilisés dans la production, l'énergie et l'environnement urbain. Le monde physique est trop important pour laisser les modèles apprendre sur lui par essais et erreurs.
