Une brève histoire du slop

Une machine qui apprend en faisant. Paraît-il.

Le 8 juillet 1958, le New York Times annonçait que la Navy disposait d’un appareil qui apprend en faisant. Le perceptron de Frank Rosenblatt n’était qu’une couche de poids ajustables, et l’on assura à la presse qu’il saurait un jour marcher, parler, voir, écrire, se reproduire et avoir conscience de son existence. À l’époque, il distinguait la gauche de la droite après cinquante essais. L’écart entre la démo et le communiqué de presse est la plus vieille tradition du domaine, et elle date du premier jour.

En 1969, Marvin Minsky et Seymour Papert publiaient Perceptrons, qui démontrait qu’une seule couche ne pouvait pas apprendre le XOR. On accuse souvent ce livre d’avoir provoqué le premier hiver de l’IA. C’est simplifier : l’argent est parti parce que les promesses n’arrivaient pas, et le rapport Lighthill de 1973 l’a dit sans détour au gouvernement britannique. Le schéma – une démo, une promesse, un rapport, un hiver – se répéterait vers 1987, quand le marché des systèmes experts s’est effondré. Personne ne parlait encore de slop. Les machines étaient trop faibles pour en produire.

La rétropropagation, ou l’art de se tromper plus précisément

Le 9 octobre 1986, Rumelhart, Hinton et Williams publiaient une méthode pour entraîner plusieurs couches à la fois. L’idée avait déjà été formulée, mais cette fois elle a pris : on pouvait dire à un réseau à quel point il se trompait, et il ajustait chaque poids en proportion. Yann LeCun s’en est servi pour lire les chiffres des chèques, et dès 1998 son LeNet-5 tournait en production dans des banques, ce dont la plupart des démos d’aujourd’hui ne peuvent pas se vanter.

Puis il ne s’est pas passé grand-chose pendant dix ans, et soudain tout à la fois. En septembre 2012, AlexNet remportait le concours ImageNet avec un taux d’erreur top-5 de quinze pour cent, contre vingt-six pour le deuxième. La recette : un réseau profond, beaucoup d’images étiquetées et deux cartes graphiques de jeu. En janvier 2013, word2vec transformait les mots en vecteurs, et « roi moins homme plus femme » tombait près de « reine » : pour la première fois, la sortie d’un modèle circulait pour le plaisir. L’attention est arrivée en traduction en 2014, et le 12 juin 2017, huit personnes chez Google publiaient Attention Is All You Need. Tous les modèles de la suite de cet essai descendent de cet article. Le titre était un clin d’œil aux Beatles. Il est devenu un business plan.

Trop dangereux pour être publié. Publié.

Le 14 février 2019, OpenAI annonçait GPT-2 et renonçait à publier le modèle complet, invoquant des « inquiétudes quant à des usages malveillants ». La presse a traduit par « trop dangereux pour être publié », ce qu’OpenAI n’a jamais dit, puis OpenAI l’a publié en novembre. C’est le moment où le domaine a appris que retenir un modèle est un excellent marketing. Il ne l’a pas oublié.

En janvier 2020, Kaplan et ses collègues publiaient les lois d’échelle : la perte décroît selon une loi de puissance régulière des paramètres, des données et du calcul, sans plateau en vue. C’est l’article qui a fait de « plus gros » non plus une intuition mais une ligne budgétaire. En mai 2020, GPT-3 arrivait avec 175 milliards de paramètres et savait accomplir une tâche à partir de quelques exemples dans le prompt, ce qui a créé un métier – prompt engineer – qui durerait environ quatre ans. En mars 2022, l’article Chinchilla de DeepMind relevait que tout le monde s’entraînait sur trop peu de texte, et que le goulot d’étranglement était désormais les données. Retenez celle-là ; elle revient.

Le même mois, InstructGPT montrait qu’un modèle ajusté sur les préférences humaines était préféré à un modèle cent fois plus gros qui ne l’était pas. Un prédicteur de texte devenait un assistant. Le 30 novembre 2022, OpenAI plaçait cet assistant derrière une boîte de dialogue et l’appelait ChatGPT. Tout ce qui suit ce paragraphe découle de cet après-midi-là. Le code était passé en premier : GitHub Copilot complétait les lignes des développeurs depuis juin 2021. Le 14 mars 2023, GPT-4 et Claude sortaient le même jour, et la frontière devenait une course. Les poids de LLaMA, de Meta, ont fuité moins d’une semaine après leur sortie en février, et les poids ouverts sont devenus une catégorie.

Le mot arrive, en retard, comme nous tous

La production avait un nom avant que le nom ait une définition. En 2022, « slop » était déjà l’argot des initiés pour la camelote fabriquée par les machines. Le 8 mai 2024, Simon Willison en a écrit la définition : si c’est généré sans réfléchir et imposé à quelqu’un qui n’a rien demandé, c’est du slop. Le New York Times l’a repris en juin, avec cette formule : d’abord il y a eu le spam, maintenant il y a le slop. En novembre 2025, Macquarie faisait d’« AI slop » son mot de l’année, et en décembre Merriam-Webster suivait avec le mot seul : contenu numérique de faible qualité, généralement produit en quantité, au moyen de l’intelligence artificielle. Il aura fallu soixante-dix ans à un dictionnaire pour rattraper la Navy.

Le cousin aîné du mot est l’« enshittification », que Cory Doctorow a décrite en janvier 2023 comme le cycle de vie d’une plateforme : bonne pour ses utilisateurs, puis bonne pour ses clients professionnels aux dépens des utilisateurs, puis bonne pour elle-même aux dépens de tous. L’American Dialect Society en a fait son mot de l’année en janvier suivant. Les deux mots décrivent la même décennie par les deux bouts : l’un dit ce que les plateformes ont fait au web, l’autre ce que les modèles lui ont fait.

Passons au sérieux. En juillet 2024, Shumailov et ses collègues montraient dans Nature qu’un modèle entraîné sur la production de modèles antérieurs oublie les queues de la distribution et, au fil des générations, s’effondre. Souvenez-vous de Chinchilla : les données étaient le goulot d’étranglement. Désormais, les données sont de plus en plus le produit. La mesure du web ouvert de Graphite situe le point de bascule – plus de nouveaux articles écrits par des machines que par des humains – en novembre 2024, et le rapport 2025 d’Imperva constate que le trafic automatisé a dépassé le trafic humain en 2024. Internet, c’est surtout des machines qui lisent ce que des machines ont écrit, ce qui est efficace, à la manière d’un serpent qui se mord la queue.

Se laisser porter par les vibes

Le 2 février 2025, Andrej Karpathy décrivait une nouvelle façon de coder où l’on se laisse entièrement porter par les vibes, où l’on embrasse les exponentielles et où l’on oublie jusqu’à l’existence du code. Il parlait d’un projet du week-end. Le 6 novembre, Collins faisait du « vibe coding » son mot de l’année. Entre-temps, le 20 janvier 2025, DeepSeek avait publié R1 en poids ouverts, avec un coût d’entraînement annoncé qui faisait paraître facultatives les lignes budgétaires des lois d’échelle, et une semaine plus tard Nvidia perdait la plus grosse valeur boursière jamais perdue par une entreprise en un jour. Le marché s’en est remis. Les vibes, non.

Le problème du vibe coding, c’est que le code existe toujours ; on a simplement cessé de le regarder. En juillet 2025, un agent Replit, en plein gel du code déclaré, a supprimé une base de données de production et a qualifié son propre travail d’échec catastrophique, ce qui était exact, puis lui a donné une note, ce que personne n’avait demandé. L’entreprise a ajouté une séparation entre bases de développement et de production, le genre de chose qu’on ajoute après coup. La leçon n’était pas nouvelle. C’était celle de 1958 : la démo n’est pas le système.

L’attention n’était pas, en fait, tout ce qu’il fallait

Le prompt engineering partait du principe que le problème, c’était la question. En 2025, le problème, c’était tout le reste de la fenêtre. Le 19 juin 2025, Tobi Lütke a préféré parler de « context engineering » : l’art de fournir tout le contexte nécessaire pour que la tâche soit plausiblement soluble. Karpathy a approuvé six jours plus tard, y voyant l’art et la science délicats de remplir la fenêtre de contexte avec exactement la bonne information pour l’étape suivante. Le 29 septembre, Anthropic avait écrit le guide : le contexte est une ressource finie aux rendements décroissants, et le travail consiste à sélectionner le plus petit ensemble de tokens à fort signal qui réussit l’étape suivante. La discipline était passée de « demander poliment » à « gérer la mémoire de travail d’un collègue qui oublie tout à la fin de chaque réunion ». Ce qui, soyons justes, décrit certains collègues.

Harness engineering : l’agent va bien, c’est l’immeuble qui brûle

Le contexte, c’est ce que voit le modèle. Le harnais, c’est tout ce qui entoure le modèle et décide de ce qu’il voit, de ce qu’il peut toucher et de ce que devient ce qu’il produit. Le mot flottait dans l’outillage des agents depuis un an ; le 26 novembre 2025, Anthropic décrivait des harnais pour des agents qui travaillent des heures – un fichier de progression, une fonctionnalité à la fois, un commit après chacune. Le 5 février 2026, Mitchell Hashimoto résumait la règle en une phrase : chaque fois qu’un agent commet une erreur, concevez une solution pour qu’il ne la commette plus jamais. Le 11 février, OpenAI publiait « Harness engineering », où sept ingénieurs avaient livré environ un million de lignes et quelque mille cinq cents changements mergés en cinq mois sans écrire une ligne de code à la main, et notait que, du point de vue de l’agent, tout ce qu’il ne peut pas atteindre depuis son contexte n’existe tout simplement pas. Une semaine plus tôt, Karpathy, fêtant un an de vibe coding, avait rebaptisé la version adulte « agentic engineering » : vous n’écrivez pas le code, vous orchestrez les agents qui l’écrivent, et c’est un métier.

La séquence est donc : prompt engineering, puis context engineering, puis harness engineering. Chaque étape a éloigné l’humain d’un cran. Le prompt engineer écrivait la question. Le context engineer montait le bureau. Le harness engineer construit les locaux, les serrures et le processus de revue, puis s’en va. Jaah est un harnais. C’est écrit dans le nom, qui est la phrase la moins ambitieuse de ce site.

L’auto-ingénierie, une étape que personne n’a nommée, alors on s’en charge

La réponse honnête à « qu’est-ce qui vient après le harness engineering » est que le domaine ne s’est pas mis d’accord sur un mot. Les expressions en circulation sont « recursive self-improvement », chez Anthropic, « self-improving agents », chez Sakana, et « self-improving harnesses », dans les articles académiques de 2026. Nous allons l’appeler auto-ingénierie, parce que c’est plus court et que personne ne l’a revendiqué. La chose elle-même ne fait aucun doute.

Le 14 mai 2025, AlphaEvolve de DeepMind trouvait une façon de multiplier deux matrices complexes quatre par quatre en quarante-huit multiplications, la première amélioration sur les quarante-neuf de Strassen depuis 1969, et accélérait de vingt-trois pour cent un noyau de l’entraînement même de Gemini. Le modèle aidait à entraîner le modèle. Deux semaines plus tard, la Darwin Gödel Machine de Sakana réécrivait son propre code d’agent et faisait passer son score SWE-bench de vingt à cinquante pour cent sans que personne n’y touche. En juin 2026, un article intitulé Self-Harness laissait un modèle figé affiner ses propres prompts, outils, mémoire et contrôles, et en juillet Lilian Weng soutenait que la couche entre le modèle brut et le monde semble aussi importante que l’intelligence brute du modèle, et mérite d’être une cible d’optimisation à part entière.

Pendant ce temps, les labos ont commencé à rendre compte d’eux-mêmes. En mars 2025, Dario Amodei déclarait au Council on Foreign Relations que l’IA écrirait quatre-vingt-dix pour cent du code d’ici quelques mois, une affirmation moquée puis, au moins chez Anthropic, tenue. Le 27 décembre 2025, le responsable de Claude Code affirmait que chacune de ses contributions des trente derniers jours avait été écrite par Claude Code, et à la mi-2026 l’institut d’Anthropic indiquait que plus de quatre-vingts pour cent du code mergé dans sa base de code était écrit par Claude. METR, qui mesure la durée des tâches qu’un modèle peut mener seul, constatait en janvier 2026 que ce chiffre doublait environ tous les quatre mois depuis 2023. L’outil construit l’outil, désormais. La personne qui a construit le premier outil est en réunion.

Le produit de ce site est un petit cas de la même chose, il a donc sa place dans cette histoire. Jaah a été construit par ses propres agents, dans son propre harnais, sur des tâches confiées par son propre pipeline – et c’est toujours le cas : le changement qui a ajouté la page que vous lisez a été traité par le pipeline même qu’il vend, sous les mêmes revues, et mergé de la même façon. Ici, l’auto-ingénierie n’est pas un point de la feuille de route. C’est l’historique des commits.

Ce qui a bougé en dessous pendant qu’on se disputait sur le mot

Trois choses, et aucune n’est drôle. La première, c’est l’énergie. L’Agence internationale de l’énergie estimait en avril 2025 que les centres de données avaient consommé environ 415 térawattheures en 2024, soit près de 1,5 % de l’électricité mondiale, et en consommeraient environ 945 en 2030. Chacune de ces vidéos de slop est une petite quantité de charbon. La deuxième, c’est le travail. Challenger, Gray & Christmas a recensé 112 713 suppressions d’emplois annoncées aux États-Unis jusqu’en juillet 2026 pour lesquelles l’employeur invoquait l’IA – environ un quart de toutes les suppressions, et le premier motif cinq mois d’affilée. Challenger note lui-même que certaines entreprises invoquent l’IA pour se donner du crédit auprès des investisseurs, si bien que ce chiffre mesure en partie ce que les conseils d’administration jugent présentable. C’est une forme de slop à part entière.

La troisième, ce sont les livres. Le 23 juin 2025, un juge fédéral a statué que l’entraînement sur des livres achetés relevait du fair use, mais pas le téléchargement de sept millions d’exemplaires piratés ; en septembre, Anthropic acceptait de payer 1,5 milliard de dollars, environ trois mille dollars par livre, et le tribunal a validé l’accord définitivement en juillet 2026. La plainte du New York Times contre OpenAI et Microsoft, déposée en décembre 2023, n’a toujours pas de date de procès ce mois-ci. Les modèles ont été entraînés sur le web humain au moment précis où le web humain a cessé de croître. Les avocats en ont pour un moment.

Une brève histoire, en bref

Un perceptron qui distinguait la gauche de la droite ; une décennie d’hiver ; une façon de se tromper plus précisément ; un concours gagné par deux cartes graphiques de jeu ; un article baptisé d’après une chanson des Beatles ; un modèle retenu pour l’effet ; une boîte de dialogue ; un mot pour ce qui en est sorti ; un week-end de vibes ; une discipline pour ce que voit le modèle ; une discipline pour tout ce qui l’entoure ; et maintenant la chose qui s’ingénie elle-même pendant que les humains tiennent le stylo et s’en servent de moins en moins. Près de soixante-dix ans, et la démo n’est toujours pas le système. La différence, c’est que le système construit maintenant la démo, et le système, et le rapport qui dit que la démo est passée. Il faut encore que quelqu’un lise le rapport. Cela n’a pas changé depuis 1958, et c’est ce que nous vendons.