AlphaEvolve : l'agent d'IA de Google qui réinvente les algorithmes en autonomie

1. Définir un problème — L'utilisateur fournit un cahier des charges concret, du code existant (un algorithme « seed ») et une fonction d'évaluation qui mesure la performance .
2. Générer des mutations — Gemini propose des variations de code candidates, en s'appuyant sur sa compréhension des algorithmes, des structures de données et des techniques d'optimisation . Ces mutations ne sont pas aléatoires ; le LLM oriente la recherche vers des directions prometteuses, ce qui le rend bien plus efficace que la programmation génétique classique .
3. Évaluer automatiquement — Chaque variante est compilée et exécutée ; l'évaluateur la note par rapport à la métrique (vitesse, précision, latence, etc.).
4. Sélectionner et itérer — Les variantes les plus performantes sont conservées, recombinées et mutées dans les générations suivantes. Cette boucle s'exécute de manière autonome jusqu'à ce qu'un objectif soit atteint ou que les améliorations plafonnent .

Le système s'appuie sur un pipeline distribué et asynchrone — un contrôleur, deux LLM (Gemini Flash pour la largeur, Gemini Pro pour la profondeur), une base de données de mémoire de programme versionnée et une flotte de workers d'évaluation — qui permet de tester des milliers d'algorithmes candidats en parallèle sur l'infrastructure de Google .

Premiers adoptants : résultats concrets de déploiements en production

BASF (Solutions Agricoles)

BASF Agricultural Solutions s'est associé à Google Cloud et à prognostica GmbH pour construire un jumeau numérique de sa chaîne d'approvisionnement mondiale, un réseau complexe de plus de 5 000 chaînes de valeur distinctes sur 180 sites . Le système a reçu un programme de planification initial et trois années de données historiques. Après des milliers d'expériences autonomes, AlphaEvolve a livré une amélioration relative de plus de 80 % de la précision des prévisions par rapport au modèle initial . Cela a permis l'optimisation dynamique des stocks de sécurité — le système a découvert de manière autonome des règles de consolidation de la production et d'équilibrage des stocks à l'échelle du réseau — et l'identification proactive des goulots d'étranglement .

FM Logistic (Pologne)

FM Logistic en Pologne est devenu le premier opérateur logistique mondial à déployer AlphaEvolve en production, ciblant le problème classique du « voyageur de commerce » à l'échelle de l'entrepôt . L'agent a optimisé le « mission batching » (regroupement de commandes) — en groupant 16 commandes pour minimiser la distance totale de déplacement dans les entrepôts de commerce électronique . Les résultats : une amélioration de 10,4 % de l'efficacité des itinéraires de préparation de commandes par rapport à la meilleure référence précédente, se traduisant par des économies annuelles de plus de 15 000 kilomètres de déplacements en entrepôt pour les opérateurs et les équipements, sans aucun investissement supplémentaire dans l'infrastructure ou la flotte . AlphaEvolve a combiné des algorithmes avancés avec des capacités de traitement en temps réel pour atteindre ces gains .

Oak Ridge National Laboratory (ORNL)

Un PDF rédigé par l'ORNL (ORNL/PPA-2024/2, mis à jour le 8 juillet 2026) a été identifié parmi les sources fiables , mais son contenu spécifique au cas d'usage d'AlphaEvolve n'a pas pu être entièrement extrait des extraits disponibles. Plusieurs sources secondaires rapportent qu'AlphaEvolve a été appliqué à l'optimisation des réseaux électriques et à la génomique à l'échelle des laboratoires nationaux , une source mentionnant l'optimisation de la répartition des réseaux électriques . Un rapport indique que les taux de solutions réalisables pour l'Optimal Power Flow en courant alternatif sont passés de 14 % à plus de 88 % dans les simulations utilisant des algorithmes optimisés par AlphaEvolve .

Klarna

Aucun résultat vérifiable publié concernant l'utilisation d'AlphaEvolve par Klarna n'a été trouvé dans les résultats de recherche faisant autorité. Cette affirmation apparaît dans quelques sources secondaires et vidéos YouTube , mais elle n'a pas pu être confirmée à partir de rapports publiés directs et fiables. C'est un schéma courant dans le cycle du battage médiatique de l'IA, et les lecteurs devraient traiter l'affirmation de Klarna comme non vérifiée jusqu'à ce qu'une documentation officielle apparaisse.

L'utilisation interne de Google : la preuve la plus solide

AlphaEvolve est déjà intégré dans l'infrastructure de production de Google. Le rapport d'impact d'un an de mai 2026 le présente comme passant de la démonstration pilote à une infrastructure de base récurrente . Les résultats sont stupéfiants :

Unités de traitement tensoriel (TPU)

• AlphaEvolve a proposé une conception de circuit contre-intuitive pour les TPU de nouvelle génération, qui a été directement intégrée dans le silicium .
• Il a optimisé le chiffrement entièrement homomorphe (FHE) sur TPUv5e, améliorant la latence d'amorçage TFHE de 2,5× et la latence de rotation/multiplication CKKS de 1,31× / 1,18× en seulement 24 heures de recherche automatisée .
• Une optimisation de l'architecture Gemini découverte par AlphaEvolve — offrant une accélération du noyau de 23 % et une réduction de l'entraînement de 1 % — est déjà déployée en production sur les TPU .

Borg (Ordonnanceur de clusters)

L'agent a fait évoluer une heuristique de bin-packing CPU/mémoire déjà en cours d'exécution dans l'ordonnanceur de clusters Borg de Google. Après plus d'un an d'exploitation en direct, les améliorations ont récupéré environ 0,7 % de la capacité de calcul globale totale de Google — une économie massive de CapEx/OpEx qui, pour une entreprise de la taille de Google, représente probablement des millions de dollars en achats de matériel évités .

Spanner (Base de données mondiale)

AlphaEvolve a découvert des politiques de remplacement de cache plus efficaces et a été appliqué à l'ordonnancement de bases de données dans Google Spanner, affinant les heuristiques de compaction des arbres de fusion à structure journalisée (LSM). Cette mise à jour algorithmique a réduit l'amplification d'écriture de 20 % pour la base de données mondiale .

Circuits quantiques

Pour le processeur quantique Willow de Google, AlphaEvolve a optimisé les circuits quantiques pour les simulations moléculaires. Les circuits ainsi obtenus ont produit dix fois moins d'erreurs que les références optimisées de manière conventionnelle — une réduction du taux d'erreur d'un facteur 10 qui permet des expériences auparavant impossibles .

Autres gains internes

• Les optimisations de compilateur, les algorithmes publicitaires, la lithographie et les champs de force ML ont tous connu des améliorations mesurables .
• AlphaEvolve a contribué aux modèles Earth AI de Google, améliorant la précision globale pour 20 catégories de prédiction des risques de catastrophes naturelles (incendies de forêt, inondations, tornades) de 5 % .
• En génomique, il a optimisé l'outil de séquençage d'ADN DeepConsensus, réalisant une réduction de 30 % des erreurs de détection des variants .

Positionnement concurrentiel : la place d'AlphaEvolve dans la guerre des plateformes d'IA pour entreprises

AlphaEvolve donne à Google Cloud une offre différenciée d'« agent d'IA qui optimise vos propres algorithmes » dans la guerre des plateformes d'IA pour entreprises . Ce n'est pas un copilote à usage général — c'est un agent de recherche et d'ingénierie autonome qui s'attaque aux problèmes algorithmiques les plus complexes dans les domaines de la science, de la chaîne d'approvisionnement et de l'infrastructure. Il s'agit d'une proposition de valeur fondamentalement différente de celle des assistants de génération de code proposés par Microsoft et AWS :

Le pari stratégique est que les problèmes d'optimisation les plus difficiles dans n'importe quel secteur — routage logistique, conception de puces, ordonnancement de réseaux électriques, réglage de bases de données — peuvent être confiés à AlphaEvolve plutôt que de nécessiter des mois de R&D humaine. Les propres résultats internes de Google (0,7 % de capacité de calcul récupérée, accélération FHE de 2,5×, réduction d'erreur d'un facteur 10 dans les circuits quantiques) constituent les preuves les plus solides possibles pour les acheteurs en entreprise . Les effets de réseau sont également auto-renforcés : chaque amélioration qu'AlphaEvolve apporte à l'infrastructure de Google rend la plateforme cloud moins chère et plus rapide, créant un avantage composé que les concurrents ne peuvent pas facilement reproduire .

Mises en garde et limites

AlphaEvolve n'est pas une baguette magique. Il ne fonctionne que lorsque le succès peut être noté automatiquement par une machine — des problèmes algorithmiques et d'optimisation avec des fonctions d'aptitude programmatiques claires . Il ne convient pas aux tâches créatives ouvertes ou aux problèmes nécessitant un jugement humain subjectif. De plus, plusieurs des affirmations les plus spectaculaires — le problème mathématique vieux de 56 ans, les accélérations de Klarna — ne sont soit pas auditées de manière indépendante, soit rapportées par des canaux internes de Google plutôt que par des publications évaluées par les pairs . Les acheteurs en entreprise devraient évaluer AlphaEvolve sur leurs propres problèmes spécifiques avec des métriques claires, et non se fier uniquement aux affirmations des gros titres.

L'essentiel

AlphaEvolve représente une nouvelle catégorie d'agent d'IA : pas un copilote qui aide les humains à écrire du code, mais un ingénieur de recherche autonome qui découvre de meilleurs algorithmes par lui-même. Avec sa sortie en disponibilité générale sur Google Cloud, il est désormais accessible à toute entreprise ou organisation de recherche confrontée à un problème d'optimisation difficile, disposant d'un algorithme de base et d'un moyen de mesurer le succès. Les résultats des premiers adoptants et de l'infrastructure de Google suggèrent que cette approche peut apporter des améliorations qu'il serait exceptionnellement difficile d'atteindre pour des ingénieurs humains travaillant seuls.