L'intelligence humaine présente une capacité remarquable d'adaptation rapide et de résolution efficace de problèmes dans des contextes nouveaux et inconnus. Nous soutenons que cette adaptabilité profonde est fondamentalement liée à la construction et au raffinement efficaces de représentations internes de l'environnement, couramment appelées modèles du monde, et nous désignons ce mécanisme d'adaptation par induction de modèle du monde. Cependant, la compréhension actuelle et l'évaluation des modèles du monde en intelligence artificielle (IA) restent limitées, se concentrant souvent sur des représentations statiques apprises à partir de vastes corpus de données, plutôt que sur l'efficacité et l'efficience des modèles dans l'apprentissage de ces représentations par l'interaction et l'exploration dans un environnement nouveau. Dans cette perspective, nous proposons une vision de l'induction de modèle du monde s'appuyant sur des décennies de recherche en sciences cognitives sur la manière dont les humains apprennent et s'adaptent avec une telle efficacité ; nous appelons ensuite à un nouveau cadre d'évaluation pour mesurer les modèles du monde adaptatifs en IA. Concrètement, nous proposons un nouveau paradigme d'évaluation basé sur des suites de jeux soigneusement conçus présentant une véritable nouveauté profonde et constamment renouvelée dans leurs structures sous-jacentes -- nous appelons ce type de jeux des jeux novateurs (novel games). Nous détaillons les critères essentiels pour construire ces jeux et proposons des métriques appropriées pour explicitement mettre au défi et évaluer la capacité de l'agent à induire rapidement un modèle du monde. Nous espérons que ce nouveau cadre d'évaluation inspirera les efforts futurs d'évaluation des modèles du monde en IA et constituera une étape cruciale vers le développement de systèmes d'IA capables d'une adaptation rapide similaire à celle des humains et d'une généralisation robuste -- composante critique de l'intelligence artificielle générale.