Des chercheurs d'Apple ont enseigné à l'IA à s'entraîner à utiliser des applications sans avoir besoin d'une véritable application pour pratiquer

Points clés

• Apple ML Research a publié une méthode en 2025 qui entraîne les agents IA à utiliser des outils logiciels sans nécessiter une version en direct et fonctionnelle de ce logiciel.
• La technique utilise un grand modèle de langage, la technologie derrière les chatbots comme ChatGPT et Claude, pour agir comme un environnement simulé dans lequel l'agent d'apprentissage s'entraîne.
• Les approches actuelles pour construire des agents appelant des API, un logiciel qui peut exploiter les applications et services en votre nom, dépendent de véritables bases de données remplies de données réalistes, ce qui est lent et coûteux à créer.
• La nouvelle méthode ne nécessite qu'une description écrite d'une API, acronyme pour interface de programmation, l'ensemble des règles qui permet à deux logiciels de communiquer.

Imaginez apprendre à quelqu'un à utiliser une caisse enregistreuse sans jamais lui donner une véritable caisse. Vous décrivez comment elle fonctionne, et un collègue joue le rôle de la machine, répondant comme la véritable machine le ferait. C'est à peu près ce qu'Apple ML Research a fait pour l'IA, mais le collègue est aussi une IA.

Construire un agent IA capable d'utiliser des outils logiciels, réserver un vol, interroger une base de données, envoyer un message en votre nom, nécessite actuellement des milliers d'exemples élaborés. Chaque exemple est un enregistrement d'échanges entre l'agent et une application réellement en fonctionnement, complète avec de véritables clients fictifs réalistes, des commandes et un historique chargé. La création de ces données à grande échelle demande un effort considérable.

L'approche d'Apple contourne entièrement le problème. À partir de rien d'autre qu'une spécification API, un document décrivant ce qu'un logiciel peut faire et comment le demander, le système crée un environnement simulé à la volée. Un deuxième grand modèle de langage joue le rôle de l'application, inventant des réponses plausibles en temps réel. L'agent d'apprentissage s'entraîne contre ce substitut, développant ses compétences sans un seul serveur réel impliqué.

Cela importe car le goulot d'étranglement aujourd'hui n'est pas l'IA elle-même. C'est le pipeline de données. Les chercheurs doivent construire des environnements de test fonctionnels, les remplir de données fictives crédibles et exécuter des milliers de tâches simulées avant qu'un agent soit prêt à aider un véritable utilisateur. Ce processus limite la rapidité avec laquelle de nouveaux agents capables peuvent être créés.

La méthode sans environnement pourrait changer l'économie de ce processus. Les développeurs n'auraient besoin que de la documentation que les éditeurs de logiciels publient déjà, transformant un effort de collecte de données de plusieurs mois en quelque chose de beaucoup plus rapide.

Qu'est-ce que cela signifie pour les personnes qui utilisent des assistants IA ?

Pour les utilisateurs ordinaires, des agents mieux entraînés signifient moins d'erreurs frustrantes lorsqu'une IA essaie de réserver, rechercher ou gérer quelque chose en votre nom. Si les agents peuvent être entraînés à faible coût sur de nombreuses applications différentes, l'éventail des tâches qu'ils gèrent de manière fiable devrait croître.

Le travail est une recherche en phase précoce, et Apple ML Research n'a pas annoncé de produit construit dessus. Les performances réelles devront être testées indépendamment avant que quiconque ne puisse dire à quel point la formation simulée se transfère aux applications authentiques. Mais l'idée sous-jacente, utiliser une IA pour en entraîner une autre sans avoir besoin d'un environnement en direct, est une solution élégante à un véritable problème bien documenté dans ce domaine.