Le World Artificial Intelligence Conference (WAIC) 2026 s'est achevé récemment, marquant par les interventions de plusieurs figures majeures du secteur. La conférence de Richard Sutton, lauréat du prix Turing et pionnier de l'apprentissage par renforcement, a occupé le devant de la scène. Après avoir fondé sa nouvelle structure Oak Lab en quittant Keen Technologies, Sutton y a présenté une vision structurée de l'avenir de l'intelligence artificielle : les grands modèles de langage actuels ne franchiront pas le seuil de la superintelligence. Pour le chercheur, les modèles foundationnels constituent une étape transitionnelle essentielle. Ils évolueront vers des « super-encyclopédies » numériques, chargées de stocker, vérifier et diffuser les connaissances humaines établies, plutôt que vers des entités omniscientes capables d'innovation autonome. Cette position s'appuie sur sa célèbre « Leçon amère », un essai qui observe que les sauts technologiques en IA résultent toujours de l'augmentation de la puissance de calcul et de l'apprentissage automatique, au détriment des règles codées à la main. Si l'essor des grands modèles illustre cette dynamique, il révèle aussi une limite fondamentale : ils s'alimentent exclusivement de données statiques créées par les humains. Maîtriser et réorganiser l'information préexistante ne permet pas d'explorer ou de générer de nouvelles connaissances dans un environnement réel et changeant. Sutton rappelle que la réalité est infiniment plus complexe que n'importe quel corpus d'entraînement. Il appelle à une transition vers une « ère de l'expérience », où les systèmes doivent apprendre par l'action, l'interaction continue et l'essai-erreur, à l'image du développement cognitif humain. Les modèles de base devraient paradoxalement se concentrer sur la fiabilité et la précision, en refusant de répondre lorsqu'ils manquent de données pertinentes. Leur objectif premier sera de cartographier clairement les limites de la savoir humain et de restituer cette information de manière transparente et adaptée à chaque utilisateur. Cette redéfinition conceptuelle oriente directement les priorités industrielles et académiques. L'écosystème se structurera autour de deux pôles complémentaires : des systèmes spécialisés aux périmètres stricts, et des agents généraux capables d'acquérir une expertise continue par l'expérience vécue. En privilégiant l'apprentissage par interaction avec le monde plutôt que la simple maximisation de paramètres, la recherche pourrait surmonner les plafonds de performance des architectures actuelles et construire des systèmes véritablement adaptatifs, fiables et ancrés dans le réel.