ASKYM · RECHERCHE · SEPTEMBRE 2026
« De quoi cette situation est‑elle le moyen ? »
Une IA peut-elle l'explorer, bien au-delà de ce qu'un groupe humain peut envisager ? Un programme de recherche exploratoire, ses questions ouvertes, et ce que Google Research vient de montrer sur un sujet voisin.
Le point de départ
Un effet peut découler de ce qu'on a déjà et rester hors de vue pendant des années.
Notre cognition suit mal les interactions. Dès que plusieurs moyens se combinent, nous n'envisageons qu'une poignée de rapprochements, souvent les plus familiers. Herbert Simon a nommé cette borne la rationalité limitée.
Nous parlons de myopie cognitive : les possibles sont là, flous ou hors champ.
La question qui corrige cette myopie, une situation à la fois. Elle oblige à décrire ce qu'on a avant de chercher ce que ça permet.
Ce programme demande jusqu'où une IA peut porter cette question, d'abord sur une situation, ensuite sur beaucoup.
Deux logiques
Vingt-cinq ans de recherche, une méthode pratiquée avec des humains
L'entrepreneur expert part de ce qu'il a : qui il est, ce qu'il sait, qui il connaît. Le but vient après, en route.
ÉTAPE 1
Décrire la situation comme un fait, par ses propriétés, avant tout usage. Une induction : généraliser ses propriétés essentielles, celles auxquelles elle ne peut pas échapper, jusqu'à nommer ce qu'elles forment.
ÉTAPE 2
Une déduction : appliquer une règle générale aux propriétés induites, et en inférer un effet. Garder ce que la situation permet, directement et immédiatement.
ÉTAPE 3
Chercher la fonction essentielle de chaque effet, celle à laquelle il ne peut pas échapper : une induction, testée deux à deux. A permet-il B, et uniquement B ? Il reste trois à sept effets de plus haut niveau.
Un exemple qui traverse les étapes
CLARIFIER · LES PROPRIÉTÉS, PUIS LE NOM
Un gant, décrit sans son usage : la forme d'une main, l'étanchéité. Rien sur la chaleur, rien sur la vaisselle. Généralisé : un contenant étanche en forme de main.
LA RÈGLE
Ce qui a une forme et retient un contenu peut servir de moule.
EXPLORER · UN EFFET DIRECT
Des glaçons en forme de main. Un possible que l'usage habituel cachait.
Ce raisonnement porte sur un objet, ses propriétés, et ce qu'elles permettent. C'est ce qui autorise à l'essayer hors de l'entreprise, sur tout objet dont on sait lister les propriétés.
L'hypothèse de recherche
On lui poserait une situation. Elle en décrirait les propriétés, nommerait ce qu'elles forment, chercherait ce que cet ensemble permet, ordonnerait les effets. Les trois étapes de la méthode, enchaînées sans intervention.
D'ABORD SUR UNE SITUATION
Chaque étape prendrait la sortie de la précédente. Les traces devraient rester lisibles de bout en bout.
ENSUITE SUR BEAUCOUP
Dix, cinquante situations, reliées par leurs effets communs. En atelier, un groupe en traite une à la fois.
UN HUMAIN, ET SON TEMPS COMPTÉ
L'IA générerait seule. Un humain validerait ensuite, ou assisterait en route dans une variante. Son temps deviendrait l'étape limitante.
C'est une hypothèse. La chaîne complète n'a jamais tourné ; seules des briques isolées ont été essayées. La suite dit comment on la testerait, et ce qui nous ferait arrêter.
Étape 1 · induction · deux questions ouvertes
Décrire la situation comme un fait présent, sans cause, sans solution, sans jugement. Décider de ce qu'on traite comme un tout. Puis une induction : à partir de ce qu'on observe, généraliser les propriétés essentielles, celles auxquelles l'objet ne peut pas échapper, jusqu'à nommer ce qu'elles forment. Le gant devient « un contenant étanche en forme de main ».
Le livre le dit : « ce travail sémantique n'est pas accessoire, c'est l'induction elle-même ». Dans ce programme, l'exploration partirait de cette description généralisée, écrite noir sur blanc.
QUESTIONS POSÉES À L'IA
1. Sait-elle induire ce nom sans réintroduire l'usage ? « Un gant protège la main » est déjà un usage.
2. Qui choisit le périmètre : un humain, ou l'IA qui compare plusieurs découpages ? Les propriétés dépendent du périmètre, donc les deux questions se tiennent.
MESURE fidélité du nom aux propriétés, absence d'usage présupposé, accord de praticiens à l'aveugle.
Étape 2 · déduction · deux questions ouvertes
Une déduction : appliquer une règle générale aux propriétés induites, et en inférer un effet. « Ce qui a une forme et retient un contenu peut servir de moule » : le gant permet des glaçons en forme de main. On garde ce que la situation permet, directement et immédiatement, jamais ce à quoi elle contribue.
Pour une IA, les règles viendraient de deux sources. Les rapprochements déjà faits par d'autres, dans les textes, les brevets, les bases. Et l'analogie, quand l'objet est inédit : partir des effets d'un objet plus général, retirer ceux que ses contraintes excluent.
QUESTIONS POSÉES À L'IA
1. Que retrouve-t-on vraiment dans les corpus, et qu'invente le modèle ?
2. Une propriété ajoutée retire des effets. Deux propriétés jointes en ouvrent : forme et étanchéité font le moule. Comment tenir les deux ?
MESURE nombre d'effets distincts, part jugée directe, immédiate, exclusive par des praticiens, effets déjà connus retrouvés.
Étape 3 · induction, puis test · deux questions ouvertes
Écarter ce qui contribue sans permettre. Pour chaque effet, chercher sa fonction essentielle, celle à laquelle il ne peut pas échapper. C'est une induction, comme à l'étape 1, appliquée à un effet, et elle se teste deux à deux. A permet-il B ? A permet-il uniquement B ? Quand la réponse est oui, A devient le moyen de B, et B reste disponible comme moyen d'un effet plus haut. L'arbre monte jusqu'à trois à sept effets de plus haut niveau. Un lien discuté n'est pas intersubjectif, il n'est pas retenu.
Vingt effets font 380 paires ordonnées. Notre bench interne de septembre, sur quinze modèles, a signalé un décrochage sur ces tâches. Il n'évaluait pas la chaîne complète.
QUESTIONS POSÉES À L'IA
1. Partager une fonction suffit-il à établir « A permet B » ?
2. Un juge à réponse fermée, oui ou non avec sa probabilité, fait-il mieux qu'un modèle qui rédige ?
MESURE arbres déjà étiquetés par des praticiens, comparés branche à branche ; cohérence d'ensemble, absence de cycles.
Un système voisin, publié le 26 août 2026
Un système de Google Research, abrégé PPE. On lui pose une question sur la planète en langage courant : « Quelles zones du Nigéria risquent une pénurie alimentaire ? » Il choisit les données, les fusionne, entraîne un modèle et écrit le rapport. Personne n'intervient entre la question et le rapport.
Trois étages orchestrés par un LLM : sélection des données, curation, modèle et prédiction. Le détail est en annexe.
POURQUOI EN PARLER ICI
1. Un grand laboratoire rapporte qu'une chaîne entière tourne sans humain, sur des données réelles. C'est le genre d'autonomie que notre hypothèse suppose.
2. Sa chaîne part d'une cible et cherche les données qui la prédisent. La nôtre partirait des moyens et chercherait ce qu'ils permettent. Même architecture, sens inverse.
Planetary Prediction Engine · Google Research · 26 août 2026
Trois questions posées au système, trois rapports, comparés aux références de chaque domaine.
NIGÉRIA · SÉCURITÉ ALIMENTAIRE
66,1 %
de variance expliquée en descendant du niveau État au niveau local, contre 31,5 % pour la référence.
RDC · EBOLA 2026
15 sur 18
nouvelles zones de santé touchées, retrouvées sur cinq prévisions hebdomadaires, dix points de mieux que le meilleur modèle publié.
ÉTATS-UNIS · 21 INDICATEURS DE SANTÉ
76,8 %
de variance expliquée en moyenne, contre 60,0 % pour les pipelines réglés à la main par des experts.
Notre lecture de son périmètre
Le moteur cherche les moyens d'une fin déjà connue. Il ne peut pas découvrir une fin. Tout ce qui ne prédit pas la cible est écarté, même si c'est précieux pour autre chose.
Il ne dit pas quoi faire. Le rapport s'arrête là où la décision commence. C'est aux acteurs humanitaires de transformer une carte de risque en action.
On sait après coup où la pénurie a eu lieu, donc ses prédictions se mesurent automatiquement. Là où rien ne tranche après coup, cette boucle n'existe pas.
La chaîne de Google, et la nôtre en sens inverse
Mêmes couches que les cas nigérian et congolais du PPE · prix de marché · anomalies de prix · pluie · végétation · lumières nocturnes · routes · bâtiments · centres de santé · mobilité
SORTIE DU PPE · forme illustrée
Signaux retenus : anomalie de prix du maïs, déficit de pluie, faible activité nocturne.
La décision appartient à ceux qui le lisent.
SORTIE DU MOTEUR · forme illustrée, pas calculée
Propriétés : écart de prix, liaison, capacité de stockage. Effet : une réserve d'achat groupé entre les deux zones.
Propriétés : capacité de soin, liaison, flux. Effet : un point de dépistage avancé, sans nouvelle infrastructure.
Les deux pourraient se chaîner. Le PPE dit où ça va faire mal. Le moteur dirait ce que l'endroit a déjà pour répondre. Le but « sécurité alimentaire » retiendrait la réserve d'achat groupé et écarterait le point de dépistage, sans avoir dicté ni l'un ni l'autre. Les acteurs locaux valideraient, un coup de téléphone à la fois.
Ce que le moteur rendrait, et à qui
Chaque ligne tiendrait en quatre éléments : le moyen qu'on possède, la propriété qu'on utilise, l'effet qu'on atteint, l'acteur qui peut le confirmer.
Trois filtres la rendraient utilisable telle quelle. Directe, tenue par un moyen déjà là. Immédiate, jouable sans rien acquérir. Exclusive, propre à cette situation.
Pour des humains. Face à un problème qui les dépasse, voir une action à leur portée qu'ils n'avaient pas vue.
Pour une IA. Un agent qui saurait ce que ses moyens permettent choisirait mieux quoi tenter. Le moteur explorerait et proposerait. L'exécution relèverait d'un autre système.
PORTEUR DE PROJET
Un plan d'action tiré de ses moyens, sans plan d'affaires préalable.
TERRITOIRE, INCUBATEUR
Un inventaire de moyens lu comme un gisement de possibles à confirmer.
LABORATOIRE
Des fonctions latentes de protéines à tester, classées par valeur d'information.
PROPRIÉTÉ INDUSTRIELLE
Des usages non revendiqués d'un brevet, à déposer ou à licencier.
World model, action model, LLM : où se place le moteur
LLM
« Que dit-on d'habitude de ça ? »
ENTRÉE un texte
SORTIE la suite la plus probable
LE BUT dans la consigne
Propose par association. Le tri reste à faire.
WORLD MODEL
« Que se passe-t-il si je fais X ? »
ENTRÉE un état, une action
SORTIE l'état suivant
LE BUT ailleurs, dans le planificateur
Simule les conséquences d'un choix déjà fait.
DreamerV3 · V-JEPA 2 · Genie 3
ACTION MODEL
« Comment exécuter le but X ? »
ENTRÉE un but
SORTIE des clics, des appels d'outils
LE BUT au départ, donné
Exécute un but qu'on lui donne.
Computer use · Large Action Models
PPE
« Que vaut la cible, ici ? »
ENTRÉE une cible, des couches
SORTIE une prédiction
LE BUT au départ, c'est la cible
Prédit où et combien, s'arrête là.
MOTEUR EFFECTUAL
« Que permettent ces moyens ? »
ENTRÉE des moyens, leurs propriétés
SORTIE des effets, puis des combinaisons
LE BUT après, pour filtrer
Chercherait ce qu'on peut faire avant de savoir quoi viser.
Les acteurs valideraient. L'effet retenu redeviendrait un moyen.
Le programme · trois questions qui s'emboîtent
QUESTION 1
Les trois étapes, chacune avec sa mesure. La littérature de l'effectuation ne calcule pas moyens → effets ; la biochimie le fait, en avant (expansion de réseau, métabolisme souterrain), sans redescription, sans exclusivité, sans hiérarchie. Ce sont ces trois étapes qu'on mesurerait, contre cette ligne de base.
MESURE corpus à réponse connue.
QUESTION 2
Le but arriverait après les effets, pour les filtrer. Une part du budget resterait aveugle au but, pour que l'inattendu continue d'arriver.
MESURE le prix du but : ce qu'on gagne en vitesse, ce qu'on perd en découvertes.
QUESTION 3
L'accord de juges établirait un jugement partagé ; la faisabilité se vérifierait ailleurs. À partir de quel débit l'humain limite-t-il la chaîne ?
MESURE liens validés par heure, selon la stratégie de priorisation.
Un premier test, à construire
GÉNÉRATION DIRECTE
On pose la question telle quelle à un LLM, sans la méthode.
CHAÎNE AUTONOME
Le même modèle déroule clarifier, explorer, hiérarchiser, sans intervention.
CHAÎNE ASSISTÉE
La même chaîne, avec un humain aux points de contrôle.
CE QU'ON REGARDERAIT
Les effets que des praticiens retiennent à l'aveugle, et leur nombre.
CE QU'ON COMPTERAIT
Les erreurs : usages réintroduits, liens faux, propriétés inventées.
CE QU'ON CHRONOMÉTRERAIT
Le temps humain, assistance et validation comptées à part.
Et maintenant
LA QUESTION TIENT-ELLE ?
Fondée ou naïve : les deux réponses nous font avancer.
QU'EST-CE QUI EXISTE DÉJÀ ?
Des travaux proches que nous n'aurions pas lus, sur l'induction, l'analogie ou la hiérarchisation.
PAR OÙ COMMENCER ?
Un premier test minuscule et réel : une situation, ses moyens, et un coup de téléphone pour vérifier.
Quentin Tousart · ASKYM · askym.ai
Pour aller plus loin
A
Trois étages orchestrés par un LLM, et son Feature Gate.
B
Tout est situation : la planète, le territoire, l'entreprise, la molécule.
C
Biologie structurale.
D
Propriété industrielle.
Planetary Prediction Engine · trois étages orchestrés par un LLM
ÉTAGE 1 · SÉLECTION DES DONNÉES
Territoire, maille, période. Le système formule des hypothèses sur les signaux utiles, les vérifie contre la littérature, puis va chercher les données dans Data Commons, Earth Engine et, à défaut, sur les portails publics.
ÉTAGE 2 · CURATION MULTIMODALE
Les données trouvées sont fusionnées avec des embeddings géospatiaux de population et d'imagerie. Un Feature Gate écarte tout ce qui ferait fuir la réponse dans les données : sous-composantes de la cible, effets aval, données futures.
ÉTAGE 3 · MODÈLE ET PRÉDICTION
Modèles linéaires régularisés, arbres boostés, perceptrons. Une garde contre le surapprentissage relance le calcul quand la généralisation échoue. Le rapport est écrit à la fin.
Retenir le Feature Gate. Un filtre qui interdit à la réponse d'être déjà dans les données. Le moteur effectual a besoin d'un filtre du même genre, tourné dans l'autre sens : à l'étape 1, aucune propriété ne doit contenir l'usage qu'on cherche.
Tout est situation
Pour la méthode, tout est situation : l'état de la planète, le territoire, l'entreprise, la protéine, et elles s'emboîtent. À chaque niveau, la même question et les trois mêmes étapes : clarifier, explorer, hiérarchiser.
ZOOMER
Entrer dans une situation contenue dans celle-ci, et en sortir ce qu'elle permet. De la planète à la molécule, notre hypothèse est que le raisonnement ne change pas, et que seuls les moyens changent.
DÉZOOMER
Remonter un effet retenu comme moyen de la situation qui contient celle-ci. C'est la récursion de la méthode.
La protéine est le cas où la généralisation se teste le plus directement. Ses propriétés se mesurent au lieu de s'induire, et la nature tranche ce qu'elle permet. L'aléa se concentre alors sur l'inférence.
Généralisation · biologie structurale
La découverte de médicaments demande « quelle molécule pour cette cible ? ». Le moteur retournerait la question : une protéine décrite par ses propriétés, poches, charges, flexibilité, sans sa fonction connue, et ce que ces propriétés permettent.
CORPUS À RÉPONSE CONNUE · PROTÉINES MOONLIGHTING
Une même protéine, deux fonctions documentées. Les cristallines du cristallin sont des enzymes recyclées en protéines optiques. On masque la seconde fonction, on mesure si l'inférence la retrouve.
En biologie des systèmes, l'inversion existe à l'échelle du réseau entier : le métabolisme souterrain calcule les nutriments qu'un réseau permettrait sans y avoir été sélectionné, puis l'évolution en laboratoire tranche. Nous voulons tester la même inversion sur un composant décrit sans sa fonction, avec des chaînes explicites, critiquables maillon par maillon.
Généralisation · propriété industrielle
Un brevet décrit par ses propriétés, sans sa revendication. Le moteur proposerait les usages que ces propriétés permettent. Un indice du surplus existe déjà : un brevet cité plus tard par des brevets d'une autre classe technologique a servi à autre chose que prévu.
La mesure existe déjà dans la littérature, après coup. Le moteur viserait à la produire avant. Garde-fou obligatoire : dé-identifier les brevets, pour que le modèle infère au lieu de se souvenir.