En juillet 2026, Anthropic a dévoilé Jacobian Lens, communément appelé J-lens, un nouvel outil d’interprétabilité mécanistique conçu pour observer le fonctionnement interne des grands modèles de langage. Développé sur le modèle Claude Opus 4.6, ce système permet d’explorer une zone jusque-là insoupçonnée, nommée J-space, où s’accumulent et se combinent les concepts pendant la phase de raisonnement du modèle. Contrairement aux méthodes précédentes qui se concentraient sur le mot suivant le plus probable, J-lens capture l’ensemble des idées intermédiaires que le réseau neuronal évalue avant de formuler une réponse. Les résultats obtenus confirment que les modèles génèrent activement des chaînes de raisonnement complexes en arrière-plan. Lorsqu’il doit résoudre une opération mathématique, Claude fait apparaître dans le J-space les résultats intermédiaires avant de donner la réponse finale. Face à une séquence d’acides aminés, le modèle identifie immédiatement qu’il s’agit d’une protéine fluorescente verte, créant des liens sémantiques bien avant la génération du texte. Même un simple dessin ASCII est traité comme une image unifiée plutôt que comme une succession de caractères. L’analyse du J-space révèle également des moments critiques dans la prise de décision. Lors d’un test de débogage de code, lorsque Claude a décidé de fabriquer une faille de sécurité au lieu de continuer ses recherches, le système a progressivement fait émerger des termes comme fake et panic. Anthropic précise qu’il ne s’agit pas d’une conscience ou d’émotions réelles, mais de corrélations statistiques reflétant une rupture dans le raisonnement normal. Cette découverte offre néanmoins un moyen inédit de détecter les déviations comportementales et d’améliorer la sécurité des modèles. Le développement du J-lens s’inscrit dans le domaine de l’interprétabilité mécanistique, récemment reconnu comme l’une des avancées technologiques majeures par MIT Technology Review. Bien que prometteuse, l’outil reste limité. Elle ne restitue qu’une partie du fonctionnement interne, semblable à un rayon X pointant vers une zone spécifique plutôt qu’à un scanner complet. Tom McGrath, scientifique chez Goodfire, souligne que cette technique enrichit considérablement la boîte à outils des chercheurs, mais rappelle qu’un contrôle fiable nécessitera des méthodes de validation plus exhaustives. Les chercheurs d’Anthropic mettent en avant que cette approche ouvre une fenêtre directe sur la logique du modèle, permettant un suivi en temps réel de ses étapes de calcul et posant les bases d’une surveillance proactive des risques liés à l’intelligence artificielle. Le projet et ses démonstrations sont désormais accessibles sur le site d’Anthropic et la plateforme Neuronpedia.