Du chatbot au collègue numérique : le changement de paradigme vers une IA autonome persistante

Résumé

Les grands modèles de langage (LLM) connaissent une transformation fondamentale, passant de générateurs conversationnels à des systèmes d’IA intégrés capables de raisonnement, d’action, de mémoire et d’auto-amélioration. Nous conceptualisons cette transition comme un passage du Chatbot au Collègue numérique : des réponses conversationnelles au travail persistant. Nous organisons cette transition selon deux dimensions étroitement liées. Premièrement, au niveau du noyau cognitif, les LLM évoluent des systèmes de « pensée rapide » de l’ère Chatbot, pilotés par la prédiction du prochain jeton, vers des LLM pensants qui exploitent le calcul inférentiel, le raisonnement en chaîne de pensée, la réflexion, la supervision des processus et l’apprentissage par renforcement pour soutenir une cognition plus délibérée et fiable. Deuxièmement, au niveau de l’exécution des tâches augmentée par des outils, les LLM progressent d’Agents appelant des outils, qui invoquent des ressources externes de manière ponctuelle, vers des systèmes de poste de travail de style OpenClaw, équipés d’espaces de travail persistants, de compétences, de boucles de vérification et de gouvernance. Le paradigme « Espace de travail + Compétence » rend l’utilisation épisodique des outils comparable à celle d’un collègue, via la persistance des états, des procédures réutilisables, la clôture des tâches et la réutilisation de l’expérience. Nous examinons les évolutions de la construction des données, des paires instruction-réponse vers les trajectoires État-Action-Observation, et de l’évaluation, des bancs d’essai statiques vers des écosystèmes d’IA en bac à sable, auditable et auto-évolutifs.

English

Large Language Models (LLMs) are undergoing a fundamental transformation from conversational generators into integrated AI systems capable of reasoning, action, memory, and self-improvement. We conceptualize this transition as a shift from Chatbot to Digital Colleague: from conversational answers to persistent work. We organize this transition along two tightly coupled dimensions. First, at the cognitive core level, LLMs are advancing from Chatbot-era "fast thinking" systems driven by next-token prediction toward Thinking LLMs that leverage inference-time computation, Chain-of-Thought reasoning, reflection, process supervision, and reinforcement learning to support more deliberate and reliable cognition. Second, at the tool-augmented task execution level, LLMs are progressing from tool-calling Agents that invoke external resources in an ad hoc manner toward OpenClaw-style workstation systems (OpenClaw) equipped with persistent Workspaces, skills, verification loops, and governance. The "Workspace + Skill" paradigm makes episodic tool use colleague-like via state persistence, reusable procedures, task closure, and experience reuse. We examine data construction shifts from instruction-response pairs to State-Action-Observation trajectories and evaluation from static benchmarks to sandboxed, auditable, self-evolving AI ecosystems.