> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/fr/2026/w29-the-boundary-between-loop-engineering-and-rsi.md). # W29-La frontière entre Loop Engineering et RSI Loop Engineering et RSI suscitent beaucoup d'intérêt. En apparence, ils se ressemblent : l'IA propose, exécute, vérifie, consigne le résultat, puis recommence. La ressemblance tient à la forme ; la différence, à l'objet. **Le Loop Engineering confie le travail à une boucle. La RSI lui confie aussi la capacité d'améliorer la boucle elle-même.** **Le premier optimise surtout le système d'exécution. La seconde touche au système qui produit les capacités. C'est leur frontière essentielle.** ### Le Loop Engineering est une conception de l'environnement d'exécution Nous utilisions surtout l'IA en conversation : une personne pose une question, l'IA répond. Si le résultat déçoit, la personne ajoute du contexte, modifie le prompt et recommence. L'opération centrale reste l'instruction humaine continue. L'IA est un outil ; l'humain conduit. Le Loop Engineering remonte d'un niveau. L'humain conçoit un petit système qui décide lui-même du prompt suivant. Une boucle typique comprend au moins cinq éléments. D'abord, un déclencheur : tâche programmée, échec CI, issue en file d'attente ou objectif non atteint. Ensuite, un état. L'agent ne doit pas repartir de zéro. Il doit conserver les essais précédents, les échecs et les voies écartées. Puis des outils : lire le code, modifier les fichiers, exécuter les tests, consulter les journaux, soumettre un diff. Il faut aussi un vérificateur. Tests, lint, compilation, benchmark ou évaluateur externe : quelque chose doit pouvoir rejeter un mauvais résultat. Enfin, des conditions d'arrêt claires : budget, nombre de tours, temps ou approbation humaine. On conçoit donc un environnement d'exécution : entrée du contexte, appels d'outils, validation des résultats, conservation de l'état et limites des permissions. C'est pourquoi beaucoup disent que le levier de l'ingénieur passe du prompt à la boucle. La vraie valeur réside dans un workflow répétable, vérifiable et réversible. ### La RSI agit un niveau plus profond La Recursive Self-Improvement, ou auto-amélioration récursive, traite d'un autre niveau. Dans *Harness Engineering for Self-Improvement*, Lilian Weng rattache sa définition classique à I. J. Good et Yudkowsky : un système utilise son intelligence actuelle pour améliorer le mécanisme qui produit l'intelligence. Aujourd'hui, ce mécanisme ne se limite pas nécessairement aux poids du modèle. Il peut inclure entraînement, génération des données, évaluation, harness de déploiement et processus de recherche. Anthropic adopte un cadre voisin dans *When AI builds itself*. L'IA accélère déjà l'ingénierie et la recherche des entreprises de modèles. Plus loin, elle pourrait contribuer à concevoir et entraîner ses successeurs. Anthropic précise toutefois que la RSI complète n'a pas encore eu lieu et n'est pas inévitable. La question est ce que la boucle modifie. Un agent qui corrige chaque jour le lint, met à jour les dépendances ou résout des échecs CI simples automatise le travail. S'il modifie son propre workflow pour mieux corriger la CI au tour suivant, il entre dans un harness qui s'améliore lui-même. Si cette amélioration touche ensuite l'entraînement, les décisions de recherche, la recherche expérimentale ou la génération de données, renforce le modèle suivant, puis permet à celui-ci d'améliorer la génération d'après, on approche du cœur de la RSI. Je place donc la frontière ainsi : **Le Loop Engineering vise le débit des tâches. La RSI vise l'accumulation des capacités.** **Les gains du premier sont généralement locaux : corriger plus vite, expérimenter plus vite, réduire la surveillance humaine.** Les gains et risques de la RSI sont composés. Le système améliore le mécanisme des améliorations futures ; la vitesse et l'étendue des effets peuvent s'amplifier. ### AutoResearch est une forme intermédiaire AutoResearch permet de bien observer cette frontière. Le dépôt autoresearch de Karpathy est épuré. Un agent reçoit un environnement petit mais réel d'entraînement LLM, modifie `train.py`, entraîne pendant cinq minutes fixes et mesure `val_bpb`. Si le résultat progresse, il conserve ; sinon, il revient en arrière. L'humain modifie surtout `program.md`, l'organisation de la recherche et les limites des instructions. Dans sa forme, c'est du Loop Engineering : objectif clair, retour rapide, mesure objective, état conservable, code réversible. L'agent parcourt toute la boucle : hypothèse, code, expérience, mesure, journal, tour suivant. Mais il se rapproche davantage de la RSI qu'une boucle ordinaire, car il optimise la recette d'entraînement du modèle. Il est déjà à côté de la chaîne qui produit les capacités de l'IA. *First Steps Toward Automated AI Research*, publié par Recursive en juin 2026, poursuit cette direction. Son système conduit des recherches sur NanoChat Autoresearch, NanoGPT Speedrun et SOL-ExecBench : idées, réalisation, expériences, validation et choix du prochain essai. Tous ces benchmarks ont un objectif clair, un retour rapide, une faible variance et un évaluateur relativement facile à renforcer. Cela montre que la recherche automatisée fonctionne aujourd'hui le plus facilement dans des espaces de recherche mesurables et proches de l'ingénierie : entraînement à budget fixe, vitesse de petits modèles, optimisation de kernels GPU. La récompense y est explicite et l'échec enregistrable. Bilevel Autoresearch est encore plus intéressant. Une boucle extérieure modifie le mécanisme de recherche intérieur, au lieu de laisser seulement la boucle intérieure modifier le code d'entraînement. Selon l'article, sur le benchmark de pré-entraînement GPT de Karpathy, cette méta-recherche obtient une amélioration cinq fois supérieure à celle de la boucle intérieure standard. Un seuil important est franchi : le système cherche aussi comment chercher une réponse. Cela dépasse le Loop Engineering ordinaire, sans atteindre la RSI complète. Le modèle de base reste inchangé, l'objectif défini par l'humain, l'évaluateur extérieur et l'espace de recherche étroit. On montre une auto-amélioration efficace du mécanisme, pas une IA capable de produire récursivement une IA plus puissante. ### Pourquoi cette frontière compte Confondre les deux provoque deux erreurs. La première est de sous-estimer le Loop Engineering. Le réduire à un script d'automatisation est trop étroit. Un script traditionnel suit généralement un chemin fixe et échoue face aux bifurcations. La boucle place l'agent dans un environnement maîtrisé où il peut essayer de nouveau entre objectifs, outils, état et vérificateurs. Son effet sur la productivité est concret : tri des incidents CI, dépendances, lint, couverture de tests, documentation, nettoyage des données, réglage de benchmarks. Au lieu de surveiller l'IA, l'humain conçoit un système qui travaille continuellement. La seconde erreur est de surestimer la RSI. Voir un agent modifier du code en boucle ne prouve pas qu'elle a eu lieu. La plupart des boucles automatisent seulement l'exécution, ou améliorent localement le harness, sans véritable effet composé sur les capacités. La RSI exige davantage : la cible doit influencer la production future d'intelligence ; les nouvelles capacités doivent se transférer à des tâches plus larges ; le détournement de la récompense ne doit pas facilement corrompre l'évaluation ; la boucle ne doit pas contourner ses permissions et frontières de sécurité ; l'humain doit conserver son jugement au bon niveau d'abstraction. Les preuves les plus fortes restent concentrées dans les domaines à retours rapides, mesures claires et expériences reproductibles. Plus on avance vers la recherche ouverte, le jugement produit, l'architecture longue ou la collaboration organisationnelle, plus les vérificateurs s'affaiblissent et la boucle risque de produire du bruit avec assurance. ### L'économie : qui possède l'évaluateur possède le levier Les deux approches modifient le coût des essais et erreurs. Il était élevé parce que chaque tour demandait à un humain de comprendre, exécuter, attendre et juger. L'IA baisse le coût d'exécution ; la boucle baisse celui de l'organisation. Avec un vérificateur assez peu coûteux, multiplier les essais permet d'améliorer le résultat. La rareté se déplace donc. La vraie différence vient de la qualité de l'évaluateur. En ingénierie, ce sont les tests, le système de types, les journaux, les indicateurs utilisateur et les ensembles de régression. En recherche IA, ce sont les benchmarks, la perte d'entraînement, le coût d'inférence, les résultats réels, la validation sur des données réservées et les mécanismes contre la triche. Dans les produits et les organisations, l'évaluation est plus rare, car beaucoup d'effets sont lents : maintenance durable, confiance utilisateur, santé architecturale ou érosion de la marque. Un benchmark rapide n'y répond pas. La frontière de la boucle est donc souvent celle de son évaluateur. Avec un vérificateur solide, on peut automatiser largement. Avec du jugement seulement qualitatif, il faut garder l'humain dans la boucle. Sans évaluateur, on accélère simplement la production d'erreurs. ### Mon jugement Voici ma lecture actuelle. Le Loop Engineering est un fondamental de l'ingénierie logicielle à l'ère de l'IA. Il place l'agent dans un système maîtrisé pour qu'il travaille durablement. La RSI est une récursion de capacités à un niveau supérieur : le système peut-il améliorer le mécanisme qui produit l'intelligence, puis utiliser ce progrès pour alimenter le suivant ? AutoResearch se trouve entre les deux. Karpathy automatise surtout un workflow de recherche. Recursive esquisse une première forme industrielle de recherche IA automatisée. Bilevel Autoresearch commence à toucher le mécanisme d'amélioration lui-même. La distinction reste claire. Quand la boucle modifie le résultat d'une tâche, c'est du Loop Engineering. Quand elle modifie le processus de réalisation, c'est un harness auto-améliorant. Quand elle modifie le mécanisme qui produit la génération suivante de capacités, avec une accumulation récursive des progrès, elle approche de la RSI. Cette frontière évite deux excès : déprécier un véritable levier d'ingénierie en le réduisant à un script, ou lire une explosion d'intelligence dans une automatisation locale. Le Loop Engineering est déjà une productivité réelle. La RSI reste une frontière que l'on approche. Entre les deux, les systèmes à suivre sont ceux qui réunissent boucle, harness, évaluateur, permissions et jugement humain. Dans les prochaines années, les ingénieurs devront peut-être surtout apprendre à concevoir une boucle qui ne perde pas le contrôle, ne se trompe pas elle-même et accumule durablement des expériences utiles. ### Références * [karpathy/autoresearch](https://github.com/karpathy/autoresearch) * [Loop Engineering : la méthode Karpathy](https://x.com/0xCodila/article/2072329149520232639) * [Loop Engineering : 14 étapes du prompt à la conception de boucles](https://x.com/0xCodez/status/2064374643729773029) * [Loop Engineering : feuille de route en 14 étapes](https://medium.com/coinmonks/loop-engineering-the-14-step-roadmap-from-prompter-to-loop-designer-bda3edc46fbc) * [Premiers pas vers la recherche IA automatisée — Recursive](https://www.recursive.com/articles/first-steps-toward-automated-ai-research) * [Quand l'IA se construit elle-même — Anthropic](https://www.anthropic.com/institute/recursive-self-improvement) * [Harness Engineering pour l'auto-amélioration — Lilian Weng](https://lilianweng.github.io/posts/2026-07-04-harness/) * [Bilevel Autoresearch : la méta-recherche automatisée sur elle-même](https://arxiv.org/abs/2603.23420) * [Des agents spécialisés de recherche automatisée conçoivent des recettes d'entraînement efficaces et non triviales](https://arxiv.org/abs/2605.05724)