En 2020, Human Code a surpassé les agents basés sur la vibration lors des évaluations d’agenticité

Dans l’univers en constante évolution de l’intelligence artificielle et de l’apprentissage automatique, une découverte étonnante a récemment bouleversé les certitudes. En 2020, une série d’évaluations rigoureuses d’agenticité a révélé que le Human Code — ce code programmé manuellement par des humains — surpassait largement les agents basés sur la vibration, pourtant conçus à l’aide des modèles linguistiques de dernière génération. Ce constat, issu d’une étude britannique, remet en question la suprématie apparente des technologies basées sur les grands modèles de langage (LLM) dans la programmation d’agents autonomes.

L’étude, menée entre autres par des chercheurs des universités d’Oxford, Southampton et l’Institut Alan Turing, s’est appuyée sur un environnement compétitif complexe impliquant des tournois à près de 40 000 matchs. Ces matchs opposaient des agents codés lors de travaux pratiques en 2020 à d’autres, développés récemment à l’aide de GPT-5 Thinking, Claude Opus 4.1, Gemini 2.5 Pro ou DeepSeek R1, incarnant l’évolution de la génération de code par IA. Une surprise surgit alors : malgré la sophistication des modèles IA, le Human Code demeure supérieur en termes de planification stratégique, d’optimisation et de capacité multi-agents, et ce, dans un contexte de défis logistiques d’enchères et de routage de véhicules.

La portée de ces résultats dépasse la simple confrontation technologique. Ils suggèrent un besoin crucial d’évolution dans les objectifs actuels de la génération de code par intelligence artificielle, en privilégiant la compétitivité et la robustesse plutôt que la simple génération de code exécutable sans erreurs. Dans ce regard, cet article explore en détail les différences fondamentales entre agents humains et agents basés sur la vibration, les méthodologies éprouvées lors des évaluations d’agenticité, ainsi que les implications pour l’avenir des technologies IA dans un marché profondément en transformation.

Human Code versus agents basés sur la vibration : une bataille d’agenticité surprenante

L’affrontement entre Human Code et agents basés sur la vibration lors des évaluations d’agenticité en 2020 ne relevait pas d’une simple compétition de code, mais d’une confrontation profonde entre deux philosophies de programmation. D’un côté, le Human Code représente l’œuvre directe d’humains passionnés et méthodiques, utilisant leur expertise pour construire des agents autonomes taillés sur mesure pour des défis complexes. De l’autre, les agents basés sur la vibration reposent sur les capacités émergentes des grands modèles de langage (LLM), censés automatiser et optimiser la création de code via apprentissage en contexte.

Ces agents étaient soumis à un test particulier : un problème appelé APDP (Auction-based Pickup and Delivery Problem), où les compétences d’enchères inversées et de planification logistique sont mises à rude épreuve. Dans ce tournoi, chaque agent devait non seulement remporter des tâches de livraison en optimisant ses offres, mais aussi gérer efficacement le routage de véhicules sous contraintes multiples.

Malgré l’impressionnante évolution des modèles IA, les agents humains ont démontré une conscience stratégique et une optimisation qui ont longtemps manqué aux solutions automatiques. En effet, sur 38 304 matchs disputés, les cinq premières places allaient invariablement à des agents du Human Code, et une majorité d’agents LLM — 33 sur 40 exactement — se sont fait battre par des agents de base très simples, illustrant une lacune profonde dans les capacités d’adaptation et d’anticipation des agents IA récents.

• Les agents humains maîtrisaient les enchères avec finesse, évaluant mieux les risques et opportunités.
• Les LLM, même corrigés en temps réel, avaient du mal à ajuster leur stratégie au fil du tournoi.
• La robustesse face aux erreurs et la rapidité d’exécution penchaient également en faveur du code humain.

Type d’agent	Nombre d’agents évalués	Position moyenne dans le tournoi	Taux de victoires moyens
Human Code (agents étudiants 2020)	17	Top 5	Supérieur à 90%
Agents basés sur la vibration (LLM actuels)	40	Majorité en dessous de la 20e place	Inférieur à 50%

Pour une analyse approfondie des différences entre Human Code et agents IA, découvrez sur Unite.ai les détails de cette bataille d’agenticité révolutionnaire.

Évaluations d’agenticité : comprendre les critères de performance des agents intelligents

L’agenticité fait référence à la capacité d’un agent autonome à prendre des décisions efficaces, à agir de manière indépendante et à optimiser ses objectifs dans des environnements dynamiques et complexes. Dans les évaluations de 2020, cette notion a été centralisée pour mesurer la qualité des interactions entre agents concurrents, leur aptitude à raisonner stratégiquement, et leur flexibilité pour gérer des contraintes concurrentes et temporelles.

Les chercheurs ont choisi un protocole de test novateur, abandonnant les méthodes classiques principalement basées sur des tests unitaires binaires (code correct ou incorrect). Le problème APDP a, quant à lui, imposé une série d’étapes et de critères étroitement liés à la mission, obligeant chaque agent à anticiper les mouvements adverses et à ajuster ses stratégies d’enchères et de logistique. Il ne s’agissait donc pas seulement d’exécuter un script, mais de déployer une intelligence stratégique robuste.

Parmi les critères clés évalués lors des tournois :

• Planification stratégique : capacité à anticiper et réagir à des enchères interdépendantes successives.
• Optimisation des ressources : usage efficace des véhicules disponibles selon contraintes de capacité et temps.
• Gestion des erreurs : robustesse face aux bugs, respect des délais et adéquation des livraisons.
• Adaptation dynamique : ajustements tactiques en fonction des comportements concurrents.

Cette approche a permis d’explorer les limites du codage assisté par IA plus en profondeur, révélant que, bien que les modèles linguistiques modernes génèrent du code exempt d’erreurs syntaxiques, ils souffrent significativement dans les domaines de l’optimisation et de la compétition multi-agents, essentiels à l’agenticité.

Pour mieux saisir la différence fondamentale entre performance pure et agenticité, un regard sur les exemples concrets d’agents dans la vie réelle peut être éclairant. Pour cela, Trengo offre une présentation riche des agents IA, leur fonctionnement et leurs applications variées.

Critère évalué	Human Code	Agents basés sur la vibration (LLM)
Planification stratégique	Excellent, avec anticipation du comportement adverse	Faible, stratégies statiques ou inefficaces
Optimisation logistique	Haute, gestion fine des contraintes	Limitée, erreurs fréquentes
Robustesse contre erreurs	Bonne, bugs mineurs tolérés	Souvent responsable de défaillances majeures
Adaptabilité stratégique	Flexible, ajustements en temps réel	Rigidité notable, peu de révisions utiles

Technologie et approche humaine : les clés du succès du Human Code dans les évaluations d’agenticité

Il est fascinant de voir comment, malgré l’apparente avancée technologique des agents basés sur la vibration — bénéficiant d’outils modernes comme GPT-5 et autres LLMs —, le Human Code pré-2020 continue de dominer. L’explication réside dans la nature même du codage effectué par des humains, conjuguant logique, stratégie, intuition et expérience pratique, des éléments encore difficiles à modéliser par l’intelligence artificielle.

Ces agents humains, souvent issus d’études supérieures de master en informatique, ont conçu des algorithmes particulièrement adaptés au problème complexe APDP. Leur force tient notamment à :

• La capacité de raisonnement explicite, fondée sur une connaissance approfondie des mécanismes de planification et d’enchères.
• L’expérience acquise lors des nombreuses itérations en conditions réelles ou simulées, renforçant la fiabilité des stratégies déployées.
• La flexibilité dans la correction des erreurs et la prise de décisions éclairées en situation d’imprévu.
• L’absence de dépendance exclusive à l’apprentissage automatique, évitant les écueils liés à l’incomplétude des données d’entraînement.

Les agents basés sur la vibration, bien qu’innovants, ont montré leurs limites notamment à cause de :

• Une stratégie souvent trop statique, avec peu d’auto-évaluation efficace des erreurs.
• Des difficultés pour intégrer les contextes complexes de multiples enchères et tâches interdépendantes.
• Une tendance à ne pas exploiter pleinement les retours d’expérience pour optimiser en situation réelle.

Pour une plongée complète dans l’intégration des agents conversationnels modernes, vous pouvez consulter Carrefour RH, qui présente le parallèle entre technologies IA avancées et applications humaines dans la gestion des ressources.

Conséquences sur la perception et le développement futur de l’intelligence artificielle agenticité

Les enseignements tirés de cette confrontation entre Human Code et agents basés sur la vibration alimentent un débat essentiel sur la trajectoire de l’intelligence artificielle. Les résultats démontrent que la génération automatique de code basée uniquement sur les grands modèles de langage rencontre aujourd’hui des barrières dans la planification à long terme et la prise de décisions complexes.

Cette prise de conscience amène à repenser les objectifs en matière d’agenticité et d’intelligence artificielle. Plutôt que de viser un code simplement exécutable, les chercheurs et praticiens aspirent désormais à un code véritablement compétitif, combinant audace humaine et automatisation soignée. L’idéal est un partenariat enrichi, où l’Homme conserve sa place centrale dans la boucle de contrôle.

Les défis pour les prochaines années incluent :

• Développer des benchmarks mettant l’accent sur le raisonnement complexe et la stratégie, loin des simples correctifs syntaxiques.
• Explorer l’intégration d’apprentissage par renforcement avancé pour améliorer l’adaptabilité en temps réel.
• Favoriser la collaboration homme-machine afin que la subtilité humaine améliore la performance des agents IA.
• Concevoir des environnements d’entraînement ouverts, diversifiés et exempts de biais pour optimiser la robustesse.

Pour une lecture plus complète sur l’avenir des agents IA, consultez Robot Magazine, un guide précieux pour comprendre les transformations imminentes du secteur.

Les implications du succès du Human Code sur le marché et l’emploi en IA

L’impact de ces découvertes sur le marché de l’intelligence artificielle et sur le monde du travail est considérable. Alors que le mythe d’une domination imminente des agents basés sur la vibration vacille, la valeur du savoir-faire humain dans le développement de solutions IA se renforce. Le besoin d’experts capables de concevoir, affiner et superviser ces systèmes est plus pressant que jamais.

Lorsqu’on analyse les tendances actuelles, on constate que :

• Près de 40 % des projets IA basés sur des agents sont abandonnés, soulignant la difficulté à atteindre une performance optimale avec les seules approches automatisées.
• Le « agent washing » — un phénomène de surmédiatisation sans résultats concrets — reste un obstacle à la crédibilité du secteur.
• Une demande grandissante apparaît pour des profils hybrides, maîtrisant à la fois les outils IA modernes et les fondamentaux du codage traditionnel.
• Les entreprises recherchent des candidats capables d’adopter une approche critique et stratégique dans la conception d’agents autonomes.

Ces dynamiques reflètent une mutation vers un écosystème d’intelligence artificielle moins automatisé et plus collaboratif. Cette réalité invite à une formation renforcée, autour d’un enseignement mixte mêlant apprentissage automatique et expertise humaine profonde.

Pour approfondir cet aspect, LinkedIn propose des analyses récentes sur les projets IA et les défis du secteur.

Questions fréquentes sur la comparaison entre Human Code et agents basés sur la vibration

• Qu’est-ce que l’agenticité dans le contexte de l’intelligence artificielle ?
  Il s’agit de la capacité d’un agent autonome à prendre des décisions complexes, optimiser ses actions et s’adapter à un environnement compétitif et dynamique.
• Pourquoi le Human Code a-t-il surpassé les agents basés sur la vibration malgré l’avancée des LLM ?
  Le code humain bénéficie d’une planification stratégique explicite, d’une meilleure gestion des ressources et d’une adaptabilité que les agents programmés par LLM n’ont pas encore atteinte.
• Les agents basés sur la vibration peuvent-ils s’améliorer ?
  Oui, à condition d’intégrer des stratégies d’apprentissage renforcé, un raisonnement avancé et une collaboration plus étroite avec le contrôle humain.
• Quels sont les principaux défis pour l’avenir des agents autonomes ?
  Concevoir des agents capables de raisonner au-delà du code syntaxique, gérer les interactions complexes multi-agents, et optimiser les performances dans des scénarios réels.
• Comment cette étude impacte-t-elle le développement des technologies IA ?
  Elle souligne qu’il est indispensable d’aller au-delà de la simple production automatique de code et de placer la compétitivité stratégique au cœur des objectifs.