L’évolution des systèmes d’intelligence artificielle marque un tournant majeur : au-delà du simple réglage de prompts, les développeurs conçoivent désormais des boucles itératives où les modèles génèrent, évaluent et améliorent leurs propres réponses. Cette architecture, souvent résumée par le principe concevez des boucles plutôt que des prompts, introduit un défi critique : la vérification. Chaque étape supplémentaire multiplie les risques d’erreur, et la méthode par défaut, qui consiste à laisser le modèle noter son propre travail, s’avère statistiquement inefficace. Une expérimentation récente met en lumière cette limite structurelle. En soumettant des générateurs à des questions factiques sans accès aux documents sources, les chercheurs ont comparé deux stratégies de validation au sein de boucles itératives. La première repose sur l’autocritique du modèle. La seconde utilise un vérificateur déterministe ancré sur les sources, fondé sur des mesures géométriques des vecteurs de langage qui comparent la position d’une réponse par rapport à son document de référence. L’objectif était de mesurer l’impact réel de ces mécanismes sur le taux d’hallucinations. Les résultats montrent une divergence nette. La boucle à autocritique a généré un taux d’erreurs de 43,3 %, dépassant légèrement le seuil de base de 40,0 % obtenu sans aucune étape de révisions. Malgré une consommation de calcul accrue et un nombre d’itérations supérieur, le modèle n’a pas corrigé ses manquements. Ces données confirment que les grands modèles peinent à identifier objectivement leurs propres faiblesses lorsqu’aucun repère externe n’est disponible, optimisant souvent la fluidité plutôt que la vérité. À l’inverse, l’intégration du vérificateur géométrique a réduit le taux d’hallucinations de moitié, tombant à 19,2 %. Cette amélioration est statistiquement significative et démontre qu’une validation externe et reproductible constitue un fondement bien plus solide pour les agents autonomes. Cette découverte souligne une réalité pratique pour l’industrie technologique : une boucle d’agent n’est fiable que si son mécanisme de contrôle repose sur des critères objectifs et indépendants du modèle. S’adapter à la simple opinion d’un réseau de neurones revient à valider des erreurs déjà incorporées dans sa distribution. En revanche, ancrer la vérification sur des sources tangibles et des mesures déterministes aligne les progrès de l’agent sur la pertinence factuelle. Pour les ingénieurs et les entreprises développant des systèmes autonomes, le message est clair. La phase de conception doit désormais prioriser l’architecture de vérification plutôt que la seule puissance du générateur. Des bibliothèques open source comme Groundlens permettent déjà d’implémenter ces contrôles déterministes. La tendance vers des boucles itératives est inéluctable, mais sa réussite commerciale et technique dépendra de la capacité des équipes à intégrer des vérificateurs externes rigoureux, transformant ainsi des agents capables de se répéter en systèmes capables de s’améliorer de manière mesurable.