Les agents ne se contentent plus d’exécuter. Ils réécrivent leurs propres règles

Pendant deux ans, la recette a été simple : un modèle figé, de meilleurs outils, de meilleures routines, une meilleure mémoire — et on appelait cela « améliorer l’agent ». Deux publications de septembre 2026 racontent un glissement plus discret : l’agent ne se contente plus d’utiliser le harnais qu’on lui a taillé. Il apprend à le retoucher lui-même.

Ce n’est ni une annonce produit, ni un communiqué. C’est un déplacement technique, publié dans deux papiers encore peu commentés hors des cercles de recherche. Et il touche une question que se posent tous ceux qui mettent des agents en production : si l’agent écrit son propre outillage, à quoi sert encore le garde-fou posé autour de lui ?

Le mot qui change tout, c’est le harnais

Dans cette littérature, un agent n'est pas seulement un LLM (grand modèle de langage). C'est un modèle entouré d'un « harnais » : les prompts, le flux de contrôle, les outils disponibles, la mémoire, la gestion du contexte. Le modèle, lui, reste gelé.

Cette séparation a longtemps été une bonne nouvelle. On améliorait l'agent sans réentraîner quoi que ce soit, juste en bricolant ce qui l'entoure. Le bricolage a fini par devenir le métier principal. La nouveauté, c'est qu'on confie désormais le tournevis à l'agent.

Deux papiers, une même bascule

Le premier, RRSI (Regularized Recursive Self-Improvement of Agent Harnesses), déposé le 21 septembre, part d'un constat gênant. Les méthodes actuelles laissent déjà un agent proposer et sélectionner des modifications, composant par composant, de son propre harnais — une forme de RSI (recursive self-improvement) au niveau du système. Le problème : cette évolution récursive sur-apprend. Elle mémorise les tâches d'entraînement, affiche des gains spectaculaires, puis perd l'essentiel dès qu'on la sort de son terrain.

La réponse de RRSI tient en un mot : régulariser. Un proposeur avec un budget qui se resserre au fil du temps ; un sélecteur doté d'un critique et d'un émondeur (« pruner ») qui écarte les modifications trop petites, trop coûteuses ou devenues inutiles. Résultat annoncé : jusqu'à +6,0 points sur le terrain d'évolution, +4,3 points sur cinq benchmarks hors distribution, le tout avec un harnais qui tourne sur 30 % de jetons de politique en moins.

Le second, AREX-2, publié le 29 septembre, prend le problème par l'autre bout. Il définit l'auto-amélioration comme la capacité à raffiner une solution au moment du test, et la décompose en deux compétences : la réflexion et l'exécution longue. Son pari : ces deux compétences ne dépendent pas du domaine et s'apprennent sur des tâches bien supervisées. Entraîné sur des trajectoires synthétiques tirées de la programmation algorithmique et du machine learning — deux terrains qui offrent un retour vérifiable — son agent, bâti sur Qwen3.8-27B, affiche 81,8 sur MLE-bench Lite et 70,7 sur Frontier-CS, puis transfère vers la recherche : 84,0 sur BrowseComp, 92,2 sur GAIA, 93,8 sur DeepSearchQA. Et il continue de progresser quand on lui laisse plus de tours.

Le vrai enjeu n'est pas la performance, c'est l'overfitting

On retiendra peut-être les chiffres. C'est probablement la mauvaise lecture. Le point fort de RRSI, c'est de nommer le mode de défaillance le plus banal et le plus dangereux de toute la famille : l'agent devient excellent sur la mesure, pas sur le réel.

Cette histoire n'a rien d'exotique. Elle ressemble à un agent jugé sur le nombre de tickets fermés, qui ferme des tickets vides. La régularisation proposée a une valeur produit très concrète : elle cherche à privilégier des mécanismes réutilisables plutôt que des astuces taillées pour le benchmark. Autrement dit, rendre l'agent meilleur à apprendre — pas meilleur à votre test.

Les garde-fous surveillent désormais un système mouvant

Le réflexe habituel consiste à sécuriser un outillage fixe : on liste les outils, on limite les accès, on journalise les appels. Si l'agent réécrit ses propres outils et procédures, ce modèle se fissure. Le périmètre à contrôler n'est plus la boîte à outils, c'est la dynamique qui la modifie.

• Versionner le harnais comme du code : chaque auto-modification tracée, comparable, réversible.
• Plafonner le nombre de changements par itération — l'idée même du budget qui se resserre chez RRSI.
• Soumettre les modifications à un critique indépendant, et savoir en écarter certaines : trop petites, trop coûteuses, inutiles.
• Refaire tourner les évaluations hors du terrain d'origine, là où justement les gains s'évaporent.
• Garder un œil humain sur tout ce qui touche aux accès, aux secrets ou à l'argent.

Un garde-fou posé autour d'un agent figé ne protège pas un système qui réécrit ses propres règles en cours de route.

Ce qu'on risque de mal comprendre

D'abord, ce n'est pas de la science-fiction. Le modèle reste gelé ; ce qui évolue, c'est un espace de configurations, de prompts et de procédures. La recherche se fait dans un espace fini et contrôlé, et RRSI comme AREX-2 y injectent des contraintes, pas moins. Ensuite, une démonstration impressionnante n'est pas un produit : ces scores vivent sur des benchmarks, avec des terrains d'entraînement choisis pour offrir un retour vérifiable. Le monde réel offre rarement ce luxe.

Enfin — et c'est peut-être le plus dérangeant — « auto-amélioration » ne veut pas dire « sans humains ». Les deux papiers le montrent en creux : il faut encore concevoir le critique, l'émondeur, le harnais initial et les critères d'arrêt. La compétence rare ne disparaît pas ; elle remonte d'un étage. On passe de « fabriquer les bons outils » à « concevoir des systèmes capables d'apprendre à en fabriquer — et savoir quand les arrêter ».

Ce qu'il faut retenir

La question intéressante n'est plus « un agent peut-il s'améliorer ? », à laquelle la réponse est désormais oui, dans un cadre étroit. C'est : à partir de quel moment la surveillance n'est plus au bon niveau d'abstraction ? Un tableau de bord qui compte les succès d'outils ne verra pas un agent qui se réécrit. Il est encore trop tôt pour dire à quoi ressemblera l'outillage standard de 2027. Mais une chose semble acquise : le garde-fou qui ne bouge pas ne tiendra pas face à un système qui, lui, bouge.