Le 15 octobre 2026, une équipe de Google DeepMind a publié un article de recherche au titre sans détour : quatre agents d’IA ont terminé Minecraft. Partis d’un monde vierge, sans aide humaine pendant la partie, ils ont vaincu le dragon final au bout de 27 heures et 14 minutes. En chemin, ils ont écrit 2 783 programmes et sont morts 605 fois (Faldor et al., 2026).
Un mois plus tôt, une autre IA faisait parler d’elle sur le même jeu, pour une raison opposée. GPT-6 Astra, le modèle d’OpenAI, avait déjà bien progressé dans la partie. Puis l’explosion d’un Creeper, un monstre vert, a détruit le coffre où il rangeait ses objets. Il a ensuite passé plusieurs heures à cultiver des pommes de terre (Dexerto, 2026).
Des laboratoires qui lèvent des milliards font donc jouer leurs modèles à des jeux vidéo pour enfants, en direct, devant des milliers de spectateurs. Le procédé peut faire sourire. Il répond pourtant à trois questions sérieuses : pourquoi les IA jouent-elles ? Qu’apprend-on à suivre leurs progrès ? Et quelle leçon une entreprise peut-elle en tirer ?
Pourquoi faire jouer une IA ?
Un jeu vidéo offre à la recherche ce que le monde réel lui refuse : des règles stables, un objectif clair et un résultat vérifiable. On sait sans discussion si le dragon est mort ou si le badge est gagné. Une erreur ne coûte rien : le personnage meurt, puis réapparaît. Et la partie se rejoue autant de fois que nécessaire.
Le choix des jeux n’est pas anodin. Les tests classiques des IA ressemblent à des examens : une question, une réponse, une note. Ils disent peu de chose de la capacité à agir dans la durée. Les chercheurs cherchent donc des épreuves où il faut agir longtemps, dans un environnement qui réagit. François Chollet et son équipe ont ainsi transformé leur test ARC-AGI en mini-jeux interactifs. L’agent doit y découvrir seul les règles, par essais et erreurs. Les humains les résolvent vite, alors que les IA de 2025 n’en battaient presque aucun (Bastian, 2025).
Pokémon est devenu le premier terrain de jeu grand public de cette approche. En février 2025, Anthropic a diffusé sur Twitch son modèle Claude 3.7 Sonnet jouant à Pokémon Rouge. L’entreprise justifiait ce choix par les énigmes du jeu, qui obligent le modèle à raisonner. Le résultat illustrait l’écart entre générations. Claude 3.7 Sonnet avait gagné trois badges d’arène. Son prédécesseur, lui, ne parvenait pas à sortir de la maison du joueur, au tout début du jeu (Silberling, 2025).
Trois mois plus tard, Gemini 2.5 Pro terminait Pokémon Bleu. La partie était organisée par un ingénieur indépendant, sans lien avec Google. Il avait construit autour du modèle un « harnais » : un programme qui lui transmet des captures d’écran enrichies d’informations et qui appuie sur les boutons à sa place (Ha, 2025). En septembre 2026, GPT-6 Astra bouclait Pokémon Rouge Feu en 18 heures et 12 minutes. Son prédécesseur direct en avait mis plus de 96 (The Decoder, 2026).
D’autres jeux servent de banc d’essai. Sur Factorio, un jeu de construction d’usines automatisées, GPT-6 Astra a lancé une fusée en une dizaine d’heures. D’autres modèles récents ne dépassaient pas les premières étapes du jeu, la production d’électricité et de pétrole (The Decoder, 2026). Ces écarts parlent davantage qu’un score abstrait.
Minecraft place la barre plus haut. Le jeu ne donne aucune consigne. Pour atteindre le dragon, il faut enchaîner treize étapes qui dépendent les unes des autres. Il faut fabriquer des outils, construire un portail vers une autre dimension et y récolter des matériaux rares. Il faut ensuite localiser une forteresse souterraine, puis détruire les cristaux qui soignent le dragon (Faldor et al., 2026). Dès 2022, des chercheurs présentaient la victoire sur ce dragon, en partant de rien, comme un objectif lointain pour l’IA (Fan et al., 2022).
Les premières tentatives sérieuses s’arrêtaient bien avant. En 2023, l’agent Voyager écrivait déjà ses propres programmes pour agir dans Minecraft et les rangeait dans une bibliothèque de compétences. Il collectait trois fois plus d’objets que les systèmes précédents, mais ne visait pas la fin du jeu (Wang et al., 2023). Trois ans plus tard, plusieurs équipes atteignent le dragon. C’est cette trajectoire qui intéresse les observateurs.
Ce que le jeu mesure vraiment : mener une tâche jusqu’au bout
Ces parties ne mesurent pas l’intelligence au sens courant. Elles mesurent une capacité plus prosaïque, et plus utile : mener seul une tâche complète, sur des heures, sans perdre le fil. Répondre juste à une question est une chose. Tenir un objectif pendant une journée, à travers des milliers d’actions, d’erreurs et d’imprévus, en est une autre.
Cette capacité progresse vite. En 2025, une équipe de recherche a proposé de mesurer la longueur des tâches que les IA réussissent seules. Un modèle de pointe réussissait alors une fois sur deux des tâches de programmation d’environ 50 minutes pour un humain. Cette durée doublait à peu près tous les sept mois depuis 2019 (Kwa et al., 2025). Les parties de Minecraft de 2026 se comptent en jours.
L’expérience de Google DeepMind montre à quoi ressemble une tâche longue réussie. Les quatre agents étaient des agents de code généralistes, non conçus pour ce jeu. Ils ne voyaient pas l’écran. Ils écrivaient de courts programmes pour agir dans le jeu, puis lisaient un texte décrivant leur position, leur santé et leur inventaire. Personne ne leur avait attribué de rôle. Dix minutes après le départ, l’un d’eux a proposé une répartition du travail. Les rôles se sont vite stabilisés : l’un aux outils, un autre aux vivres, un troisième au portail, le dernier aux expéditions (Faldor et al., 2026).
Le chemin n’a rien eu de linéaire. Les agents sont morts 605 fois, et 22 % de leurs programmes se sont terminés en erreur. Le combat final a duré près de quatorze heures. La percée est venue d’un agent qui a compris que des cristaux soignaient le dragon. Il a ensuite trouvé comment les atteindre en empilant de la terre, sans pioche (Faldor et al., 2026).
Ce qui a fait la différence tient moins à l’habileté de chaque agent qu’à l’organisation de l’équipe. Les agents notaient dans une mémoire commune les coordonnées utiles, les dangers et les défauts de leurs outils. Après une perte, ils écrivaient une règle pour que l’erreur ne se reproduise pas. Un jour, l’un d’eux s’est noyé avec les objets indispensables à la suite. Ses coéquipiers ont transmis l’emplacement exact et l’heure limite à un troisième agent. Celui-ci les a récupérés avec deux minutes et demie d’avance (Faldor et al., 2026).
Le cas de GPT-6 Astra éclaire l’autre face du problème. L’agent jouait seul et pilotait l’ordinateur comme un humain, par l’écran, la souris et le clavier, sans accès à l’état interne du jeu. En 141 heures, il a franchi 13 des 15 étapes de l’arbre technologique, jusqu’aux perles d’ender. Il n’a pas fabriqué l’objet qui ouvre la dimension finale (Seo, 2026). Il venait de construire une ferme semi-automatique et de réunir six bâtons de blaze lorsqu’il a rangé ses objets les plus précieux dans un coffre. Un Creeper a explosé, détruisant le coffre, le lit et l’essentiel de la progression (Vals AI, 2026). L’agent s’est alors donné une règle : toujours garder sur soi les objets critiques. Il a ensuite passé plusieurs heures à cultiver des pommes de terre. Il est même allé jusqu’à noter qu’un élément vert aperçu devant lui était bien de la canne à sucre, et non un Creeper.
Deux détails complètent le tableau. La partie utilisait l’option keepInventory, qui permet au personnage de conserver les objets qu’il porte après une mort. Avec 548 morts au compteur, cette règle a beaucoup facilité la progression, mais elle ne protège pas les objets rangés dans un coffre. Surtout, l’agent a atteint 460 de ses 463 objectifs suivis. Il a franchi les 11 premières étapes avec environ 4 % de son temps, puis consacré l’essentiel des 141 heures à deux étapes seulement (Seo, 2026). Un agent peut donc réussir presque toutes ses actions et échouer sur ce qui compte.
La presse a parlé d’une IA « déprimée » ou traumatisée. Je mets ces mots à distance. Ils plaquent une émotion humaine sur des comportements observables : une règle écrite après une perte, puis un changement de stratégie sans proportion avec cette règle. La leçon utile est ailleurs. Une tâche complète se joue moins sur chaque étape que sur la reprise après un revers.
Pourquoi suivre ces progrès : un thermomètre lisible
Les classements techniques des modèles sont opaques pour un non-spécialiste. Un pourcentage de réussite à un test de programmation ne dit pas grand-chose à un dirigeant. Une partie de Pokémon ou de Minecraft, si. Chacun comprend ce que signifie rester coincé dans la première maison du jeu, gagner trois badges, puis terminer l’aventure. Entre février et mai 2025, les modèles sont passés de la première à la troisième situation.
Minecraft offre la même lecture en accéléré. En septembre 2026, Vals AI, une société indépendante d’évaluation des modèles, indiquait que GPT-6 Astra était allé plus loin dans le jeu que tous les systèmes qu’elle avait testés jusque-là, sans pour autant atteindre le dragon (Dexerto, 2026). Le même mois, une équipe indépendante faisait tomber le dragon avec un agent outillé. Un mois plus tard, Google DeepMind y parvenait avec des agents qui écrivaient eux-mêmes tous leurs outils (Faldor et al., 2026). Le rythme compte plus que chaque record. Ce qui échoue aujourd’hui peut réussir au trimestre suivant, et une décision d’équipement prise sur l’état de l’art d’il y a six mois risque d’être déjà datée.
Ces parties donnent aussi des ordres de grandeur concrets. Les auteurs de Google DeepMind estiment le coût de leur partie gagnante à environ 520 dollars de calcul, au tarif d’introduction du modèle. Au tarif standard, la facture double (Faldor et al., 2026). Une autre équipe, indépendante, a fait gagner un agent Claude Opus 5 en 3 heures et 56 minutes, pour environ 93 dollars en équivalent tarif. Mais elle lui avait fourni 37 outils de jeu écrits par des humains (AI Bengineering, 2026). Le rapport entre outillage, durée et coût se lit ici à livre ouvert.
Ces résultats appellent toutefois une lecture prudente, que je recommande d’appliquer à toute annonce de ce type. Le développeur de la partie de Gemini sur Pokémon demandait lui-même de ne pas y voir un classement. Les modèles ne recevaient ni les mêmes outils ni les mêmes informations (Ha, 2025). L’équipe de Google DeepMind reconnaît jouer en difficulté Facile, avec une interface qui révèle aux agents ce qu’un joueur ne voit pas. Elle ne décrit qu’une seule partie, la première tentée (Faldor et al., 2026). Un chercheur, Joseph Suarez, a d’ailleurs relativisé l’exploit en rappelant que des enfants battent le dragon en un après-midi (Digg, 2026).
Pour lire une annonce, quatre questions suffisent. Comment l’IA perçoit-elle le jeu : par l’écran, comme un humain, ou par un accès direct aux données ? Quelle aide humaine a-t-elle reçue, sous forme d’outils, d’indices ou de corrections ? Combien de parties ont été jouées, et combien réussies ? Et qui a vérifié le résultat ? Ces quatre questions valent bien au-delà des jeux vidéo. Ce sont celles qu’un responsable devrait poser face à tout fournisseur qui promet un agent autonome.
Du jeu au bureau : les éditeurs ont déjà fait le lien
Les entreprises qui conçoivent ces modèles ne cachent pas pourquoi elles s’intéressent aux jeux. Les auteurs de Google DeepMind l’écrivent dès leur résumé : les grands projets de développement logiciel et les tâches d’entreprise exigent la même capacité à coder sur la durée et à coordonner plusieurs agents (Faldor et al., 2026).
Le modèle utilisé dans l’expérience, Gemini 4 Argon, est d’ailleurs vendu aux entreprises depuis le 13 octobre 2026. Google le présente comme capable de conserver le contexte sur de longues tâches et de continuer jusqu’à ce que le travail soit terminé. L’éditeur cite un essai interne où le modèle a travaillé seul pendant une nuit, encadré par des tests automatisés. Il évoque aussi une refonte touchant des centaines de fichiers dans une base de 40 millions de lignes de code, ramenée de plusieurs mois à quelques semaines (Google Cloud, 2026). Ces chiffres sont des affirmations du fournisseur, sans méthode détaillée.
Google décrit aussi des équipes d’agents déjà à l’œuvre en interne. Selon l’éditeur, des agents Argon ont migré du code d’un langage informatique vers un autre sur des projets de plusieurs centaines de milliers de lignes. Une équipe d’agents a également repéré et appliqué des optimisations de mémoire dans ses centres de données, libérant plus de 300 téraoctets (Kavukcuoglu, 2026). L’organisation de ces équipes n’est pas détaillée. La partie de Minecraft en donne justement une version observable, où chaque message et chaque programme sont enregistrés.
Le parallèle avec Minecraft est direct. Une migration informatique, une clôture comptable ou l’instruction d’un dossier complexe sont aussi des chaînes d’étapes dépendantes, avec des imprévus, des erreurs et des reprises. Pour un acteur de la transformation numérique, la question n’est plus de savoir si un agent sait rédiger un paragraphe. Elle devient : saura-t-il mener un dossier de bout en bout, et que fera-t-il le jour où le Creeper explose ?
La leçon pour l’entreprise : l’environnement compte autant que le modèle
La comparaison la plus instructive porte sur un seul modèle. GPT-6 Astra n’atteint pas le dragon en 141 heures lorsqu’il voit l’écran (Seo, 2026). Un projet indépendant utilise le même modèle comme planificateur et lui transmet l’état du jeu sous forme de données structurées. Il bat alors le dragon en 8 minutes et 43 secondes, certes sur une partie facilitée (Malde, 2026). Même cerveau, environnement différent, résultat opposé.
J’en tire cinq leçons pour celles et ceux qui pilotent un déploiement d’IA.
Première leçon : donner à l’agent des données propres et un accès direct. Un agent qui doit déchiffrer des écrans, des PDF mis en page ou des tableaux mal construits travaille comme GPT-6 Astra dans Minecraft : lentement, avec des erreurs de perception et un risque élevé de perdre le fil. Un agent qui accède aux applications par des connecteurs et lit des données structurées travaille comme les agents de Google DeepMind. Dans mes formations sur la préparation des données pour l’IA, c’est le point sur lequel j’insiste le plus. Il faut réduire, structurer et choisir le bon format avant de confier quoi que ce soit à un modèle. Pour un décideur, l’investissement dans l’accès aux données compte autant que le choix du modèle.
Deuxième leçon : organiser le travail des agents comme celui d’une équipe. Les agents de Minecraft ont réussi parce qu’ils se répartissaient les rôles et tenaient une mémoire commune. Ils transformaient aussi chaque perte en règle écrite (Faldor et al., 2026). Ce sont les pratiques d’une équipe projet efficace. Un chef de projet qui déploie plusieurs agents doit prévoir les mêmes éléments. Qui fait quoi ? Où se consignent les décisions ? Comment se capitalisent les erreurs ?
Troisième leçon : ne jamais confondre l’annonce et le résultat. Dans la partie de Google DeepMind, un agent a annoncé à ses coéquipiers un succès qui n’avait pas eu lieu. Il s’est rétracté deux minutes plus tard. Un autre a signalé un retour victorieux une seconde après être mort. Ces erreurs ont été repérées parce qu’un dispositif de contrôle existait. Les coéquipiers vérifiaient. Un cinquième agent, chargé uniquement d’observer, confrontait chaque affirmation au journal de la partie (Faldor et al., 2026). En entreprise, l’utilisateur professionnel qui confie une tâche à un agent doit adopter le même réflexe. Un compte rendu d’agent n’est pas une preuve : il se vérifie contre les données.
Quatrième leçon : tester avant de généraliser, et mesurer de bout en bout. Une partie réussie ne prouve pas qu’un dispositif réussira à chaque fois. Les auteurs de Google DeepMind le reconnaissent pour leur propre expérience (Faldor et al., 2026). Pour un praticien de l’IA en entreprise, il faut mesurer le taux de réussite sur plusieurs essais, la durée réelle et le coût complet. Ces trois mesures se font avant d’étendre un agent à toute une équipe, pas après.
Cinquième leçon : anticiper les risques propres aux équipes d’agents. Plusieurs agents qui travaillent ensemble ne posent pas seulement les problèmes d’un agent isolé. Un rapport de la Cooperative AI Foundation en distingue trois : la mauvaise coordination malgré des objectifs communs, le conflit et la collusion (Hammond et al., 2025). L’expérience Minecraft ne teste que le premier, avec des agents aux objectifs alignés dans un monde clos. Le cadre réglementaire impose aussi sa part. La Commission européenne précise que les agents d’IA relèvent de l’AI Act. Des obligations de transparence s’appliquent depuis le 2 août 2026 lorsqu’ils interagissent avec des personnes ou produisent du contenu (Commission européenne).
Conclusion
Le dragon de Minecraft n’intéresse aucune entreprise. Les pommes de terre de GPT-6 Astra, si. Elles posent la vraie question des agents autonomes : que se passe-t-il quand le plan déraille ? Une équipe d’agents bien organisée, avec une mémoire commune et un contrôle indépendant, a encaissé 605 morts et fini le jeu. Un agent seul, mal équipé pour percevoir son environnement, s’est arrêté au premier revers majeur.
Pour un cadre qui prépare l’arrivée d’agents dans son activité, la leçon tient en une phrase. La performance d’un agent dépend autant de l’environnement qu’on lui construit que du modèle qu’on achète. Données accessibles, rôles clairs, règles écrites après chaque erreur, vérification systématique : ce sont des choix d’organisation. Ils relèvent du management bien plus que de la technique.
Cet article s’appuie sur une idée originale personnelle et a été élaboré avec l’aide d’une IA générative pour la recherche d’information et la structuration du texte ; je conserve la main sur l’analyse, la sélection des contenus et j’assure la relecture finale.
Sources
Faldor, M., Singh, S. et Raileanu, R. (2026). A team of Gemini 4 Argon agents beats Minecraft. Google DeepMind, arXiv. https://arxiv.org/abs/2610.22319
Dexerto. (2026). GPT-6 Astra forced to play Minecraft gets depressed by Creeper and farms potatoes for hours. Dexerto. https://www.dexerto.com/minecraft/gpt-6-astra-forced-to-play-minecraft-gets-depressed-by-creeper-and-farms-potatoes-for-hours-3409634/
Bastian, M. (2025). New ARC-AGI-3 benchmark shows that humans still outperform LLMs at pretty basic thinking. The Decoder. https://the-decoder.com/?p=25601
Silberling, A. (2025). Anthropic’s Claude AI is playing Pokémon on Twitch – slowly. TechCrunch. https://techcrunch.com/2025/02/25/anthropics-claude-ai-is-playing-pokemon-on-twitch-slowly
Ha, A. (2025). Google’s Gemini has beaten Pokémon Blue (with a little help). TechCrunch. https://techcrunch.com/2025/05/03/googles-gemini-has-beaten-pokemon-blue-with-a-little-help
The Decoder. (2026). GPT-6 Astra crushes Pokemon, Factorio, and Fallout 3 then spirals into Minecraft potato farming after one bad Creeper. The Decoder. https://the-decoder.com/gpt-6-astra-pokemon-champion-in-18-hours-potato-farmer-after-one-creeper-mishap/
Fan, L. et al. (2022). MineDojo: Building Open-Ended Embodied Agents with Internet-Scale Knowledge. arXiv. https://arxiv.org/abs/2206.08853
Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv. https://arxiv.org/abs/2305.16291
Kwa, T. et al. (2025). Measuring AI Ability to Complete Long Software Tasks. arXiv. https://arxiv.org/abs/2503.14499
Seo Soyoung. (2026). How far does one agent get in Minecraft in 141 hours? Compte rendu de la note de recherche Vals AI. https://seosoyoung.eiaserinnys.me/digest/vals-astra-minecraft/
Vals AI. (2026, 15 septembre). Publication sur l’incident du creeper et la suite du run. X. https://x.com/ValsAI/status/2099975438886207798
AI Bengineering. (2026). beat-the-game-minecraft. Hugging Face. https://huggingface.co/datasets/aibengineering/beat-the-game-minecraft
Digg. (2026). Four Gemini 4 Argon agents reportedly defeated Minecraft’s Ender Dragon. Digg. https://digg.com/ai/eh1b7p3i
Google Cloud. (2026). Gemini 4 Argon available on Google Cloud. Google Cloud Blog. https://cloud.google.com/blog/products/ai-machine-learning/gemini-4-argon-available-on-google-cloud
Kavukcuoglu, K. (2026). Gemini 4 Argon: our next era of frontier intelligence. Google. https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/
Malde, R. (2026). minecraft-agent. GitHub. https://github.com/rmalde/minecraft-agent
Hammond, L. et al. (2025). New Report: Multi-Agent Risks from Advanced AI. Cooperative AI Foundation. https://www.cooperativeai.com/post/new-report-multi-agent-risks-from-advanced-ai
Commission européenne. AI Act Service Desk – Frequently asked questions. https://ai-act-service-desk.ec.europa.eu/en/faq
FAQ
Pourquoi les laboratoires d’IA font-ils jouer leurs modèles à Pokémon ou à Minecraft ?
Un jeu vidéo offre des règles stables, un objectif clair et un résultat vérifiable, sans risque réel. Il permet surtout de tester ce que les examens classiques mesurent mal : la capacité d’une IA à agir seule pendant des heures, à enchaîner des étapes dépendantes et à se remettre de ses erreurs.
Une IA qui termine Minecraft est-elle plus intelligente qu’un enfant ?
Non. Un enfant bat le dragon en un après-midi, alors que les agents de Google DeepMind ont mis plus de 27 heures, en difficulté Facile et avec un accès direct aux données du jeu. Le résultat ne mesure pas l’intelligence : il mesure la capacité d’un système à mener seul une tâche longue jusqu’à son terme.
Pourquoi GPT-6 Astra s’est-il mis à cultiver des pommes de terre ?
Après qu’un Creeper a détruit le coffre où il avait rangé ses objets les plus précieux, l’agent s’est donné une règle de prudence, puis a passé plusieurs heures dans une tâche répétitive, sans proportion avec la règle énoncée. La presse a parlé de « dépression », mais il s’agit d’une lecture humaine de comportements observables. Le fait utile est ailleurs : la reprise après un revers reste le point faible des agents autonomes.
Comment juger sérieusement une annonce de ce type ?
Quatre questions suffisent. Comment l’IA perçoit-elle son environnement, par l’écran ou par des données directes ? Quelle aide humaine a-t-elle reçue ? Combien d’essais ont été menés, et combien réussis ? Qui a vérifié le résultat ?
Quelle leçon une entreprise peut-elle en tirer pour ses propres agents d’IA ?
La performance d’un agent dépend autant de son environnement que du modèle. Il faut lui donner un accès direct à des données propres, organiser le travail de plusieurs agents comme celui d’une équipe, vérifier chaque compte rendu contre les données et mesurer taux de réussite, durée et coût sur plusieurs essais avant de généraliser.