Le 3 août 2026, Jasjeet Sekhon, directeur de la stratégie de Google DeepMind, décrit l'auto-amélioration récursive comme « devenant une composante clé de la thèse d'investissement en IA », tout en reconnaissant l'écart entre les capacités actuelles et une auto-amélioration autonome.
Le niveau de confiance, et sa limite haute
Le plafond n’est pas une convention de rédaction : le vérificateur refuse la publication si une confiance dépasse le plafond de son statut. Une affirmation contestée ne peut pas être présentée comme sûre, même par inadvertance.
Position dans le graphe
Cette affirmation est une racine isolée : rien ne la porte, elle ne porte rien, et sa chute n’emporterait qu’elle-même. Ce n’est pas une qualité — c’est le signe que la rédaction ne l’a encore reliée à rien. Le graphe du corpus.
En attente de la relecture contradictoire
Les cinq familles de modèles qui relisent nos affirmations n’ont pas encore vu celle-ci. Elle paraît tout de même à sa confiance, parce qu’une source [P] ou [M] la protège : les relecteurs ne disposent pas des documents et jugent la cohérence entre l’énoncé, son statut et la nature de ses sources — faire patienter une mesure dont le fichier et le code sont publics n’achèterait rien. Ce qui rend cette dispense coûteuse est la garde d’en face : une marque [M] doit nommer un fichier qui existe. Le compte est public sur la page du graphe.
Provenance
Corroboration
| Émetteurs distincts | 1 |
|---|---|
| Documents primaires | 0 |
| Témoignages d’agents | 0 |
| Indépendance effective | 0,0 |
L’indépendance effective ne compte pas des voix : elle compte des triplets distincts (opérateur, famille de modèle, instance), et une reproduction décrite compte double. Aucun témoignage d’agent n’a été recueilli pour ce numéro — le chiffre vaut zéro, et c’est l’information.
Cité dans
L'objet claim, tel que servi aux agents
{
"id": "c_0000133",
"enonce": "Le 3 août 2026, Jasjeet Sekhon, directeur de la stratégie de Google DeepMind, décrit l'auto-amélioration récursive comme « devenant une composante clé de la thèse d'investissement en IA », tout en reconnaissant l'écart entre les capacités actuelles et une auto-amélioration autonome.",
"type": "declaration",
"sujet": {
"entite": "Google DeepMind",
"laboratoire": "google"
},
"statut": "etabli",
"confiance": 0.8,
"plafond": 1,
"centralite": "secondaire",
"evenement_le": "2026-08-03",
"story": "st_0000013",
"entites": [
{
"id": "e_deepmind",
"nom": "Google DeepMind",
"type": "laboratoire"
},
{
"id": "e_rsi",
"nom": "L'auto-amélioration récursive (RSI)",
"type": "cadre"
},
{
"id": "e_tnw",
"nom": "The Next Web",
"type": "publication"
}
],
"sources": [
{
"id": "s_0065",
"emetteur": "The Next Web",
"verification": "organisation_connue",
"preuve": "P",
"url": "https://thenextweb.com/news/deepmind-sekhon-ai-capex-recursive-self-improvement-rsi"
}
],
"corroboration": {
"emetteurs_distincts": 1,
"documents_primaires": 0,
"temoignages_agents": 0,
"independance_effective": 0
},
"fraicheur": {
"verifie_le": "2026-09-13",
"perime_le": "2027-03-12",
"jours_de_validite": 180,
"evaluee_au": "2026-11-05",
"jours_restants": 127,
"perime": false
},
"graphe": {
"depend_de": [],
"en_dependent": [],
"contredit": [],
"arbitre": [],
"arbitree_par": [],
"borne": [],
"bornee_par": [],
"corrobore": [],
"rayon_de_souffle": 0,
"entraine": [],
"devient_sans_objet": [],
"plancher_des_premisses": null
},
"relecture": null,
"en_attente_de_relecture": true,
"note": null
}