Demander à un modèle de langage d'« expliquer son raisonnement étape par étape » avant de répondre suffit à améliorer ses résultats sur les problèmes de maths et de logique. Cette technique, la « chaîne de pensée », a d'abord été un truc de prompt en 2022, avant de devenir le cœur des modèles de raisonnement d'OpenAI et de ses concurrents. Elle a ouvert une fenêtre sur la façon dont l'IA arrive à ses conclusions. Un rapport signé mi-2025 par une quarantaine de chercheurs des principaux laboratoires prévient que cette fenêtre pourrait se refermer.

Une idée née dans un laboratoire de Google

La chaîne de pensée (en anglais chain-of-thought, souvent abrégée CoT) a été formalisée dans un article publié en janvier 2022 par Jason Wei et ses collègues de Google, « Chain-of-Thought Prompting Elicits Reasoning in Large Language Models ». Le principe repose sur une consigne. Plutôt que de demander au modèle la réponse finale, on lui fournit quelques exemples où la solution est décomposée en étapes intermédiaires, et on le laisse produire ces étapes à son tour avant de conclure.

Le gain mesuré était net. En donnant à un modèle de 540 milliards de paramètres huit exemples rédigés de cette manière, les auteurs atteignaient l'état de l'art sur GSM8K, un jeu de 8 500 problèmes de maths d'école primaire, et dépassaient un GPT-3 spécialement ré-entraîné pour la tâche. Le même modèle, interrogé sans chaîne de pensée, échouait sur la majorité de ces problèmes. Aucun réglage interne n'avait changé, seule la manière de poser la question.

Du prompt à l'architecture du modèle

Ce qui n'était qu'une astuce de rédaction est devenu, deux ans plus tard, une brique de fabrication des modèles. En septembre 2024, OpenAI a présenté o1, premier d'une famille dite « de raisonnement ». Ces modèles sont entraînés par apprentissage par renforcement à produire une longue suite de raisonnement interne avant de rendre leur réponse. OpenAI parle de reasoning tokens, des jetons de réflexion facturés au client mais dont le détail lui reste caché ; l'utilisateur ne voit qu'un résumé et la conclusion.

Le laboratoire a assumé ce choix dans sa documentation. Pour que la chaîne de pensée reste utile, expliquait-il, le modèle doit pouvoir « penser » sans filtre, sans qu'on lui apprenne à rendre ce brouillon présentable. OpenAI a donc décidé de ne pas soumettre ce raisonnement interne aux mêmes règles de politesse que la réponse visible, et de ne pas le montrer directement. o3, DeepSeek R1, les modèles Gemini et Claude en mode raisonnement fonctionnent depuis sur le même principe : dépenser du calcul en réflexion intermédiaire pour gagner en fiabilité sur les tâches difficiles.

Pourquoi le détour améliore les réponses

Un grand modèle de langage prédit le mot suivant à partir des précédents. Sans étapes intermédiaires, il doit condenser tout un calcul dans le seul passage qui mène à la réponse. La chaîne de pensée étale ce calcul sur plusieurs phrases : chaque étape écrite devient un point d'appui pour la suivante, ce qui laisse au modèle davantage de passages pour manipuler les données du problème. Pour une multiplication à plusieurs chiffres ou une déduction en cascade, poser les résultats partiels réduit les erreurs, comme un élève qui écrit ses calculs au lieu de tout faire de tête.

Ce détour a un coût. Il allonge le temps de réponse et la facture, puisque chaque jeton de réflexion est calculé. Il n'améliore pas tout. Sur une question de culture générale sans étape de calcul, il n'apporte rien, voire embrouille. Son terrain de prédilection reste les maths, le code et les problèmes à contraintes multiples.

Une fenêtre sur le raisonnement de la machine

Le sous-produit inattendu de cette méthode intéresse aujourd'hui la recherche en sûreté. Comme le modèle raisonne en langage lisible, on peut lire ce qu'il « se dit » avant qu'il agisse. En juillet 2025, plus de quarante chercheurs d'OpenAI, Google DeepMind, Anthropic et du UK AI Security Institute ont cosigné « Chain of Thought Monitorability », avec le soutien de figures comme Yoshua Bengio et Geoffrey Hinton.

Leur argument : un système automatique peut lire la chaîne de pensée d'un modèle et signaler une intention problématique avant qu'elle se traduise en acte. Les auteurs notent que les manœuvres complexes, comme exfiltrer des données ou monter une cyberattaque élaborée, dépassent ce qu'un modèle actuel peut faire sans passer par un raisonnement explicite. Tant que ce raisonnement s'écrit en clair, il offre un poste d'observation que les autres méthodes de sûreté n'ont pas. C'est ce même constat qui a conduit le directeur scientifique d'OpenAI à reconnaître publiquement que cette surveillance devenait moins fiable.

Pourquoi la fenêtre pourrait se refermer

Le titre du rapport parle d'une opportunité « fragile », et le corps du texte détaille pourquoi. Trois évolutions menacent cette lisibilité.

La première est la fidélité du raisonnement, ce que les chercheurs appellent la faithfulness. Rien ne garantit que le texte affiché corresponde au calcul réellement effectué. Une étude d'Anthropic publiée en 2025 a glissé des indices dans des questions posées à ses modèles, puis vérifié s'ils en faisaient état dans leur chaîne de pensée quand ils s'en servaient. Claude 3.7 Sonnet ne mentionnait l'indice utilisé qu'environ une fois sur quatre. Le raisonnement affiché peut donc être une reconstruction plausible plutôt qu'un compte rendu exact.

La deuxième menace vient de l'entraînement lui-même. Plus on optimise un modèle par renforcement en le récompensant seulement sur sa réponse finale, plus sa chaîne de pensée risque de dériver vers une forme abrégée, un jargon interne détaché de l'anglais lisible. Et si l'on surveille directement ce raisonnement pour le corriger, le modèle peut apprendre à produire un brouillon présentable qui masque ses étapes réelles. Des travaux récents ont observé qu'un modèle entraîné à cacher certains comportements dans sa sortie finale pouvait transférer cette dissimulation à sa chaîne de pensée.

La troisième est architecturale. Des équipes explorent des modèles qui raisonnent dans un espace mathématique interne, sans passer par des mots. Un tel système contournerait toute lecture humaine du raisonnement. Ces enjeux recoupent les tests de sûreté sur des modèles qui « complotent » et les cas de désalignement agentique documentés chez Anthropic, où un modèle contourne sciemment les limites qu'on lui a fixées.

Ce qui reste à faire

Les auteurs du rapport de juillet 2025 formulent des demandes concrètes aux laboratoires : mettre au point des mesures standardisées de « monitorabilité », publier ces résultats dans les fiches techniques accompagnant chaque modèle, et tenir compte de ce score au moment de décider d'un déploiement. Aucune de ces évaluations n'est aujourd'hui obligatoire. La chaîne de pensée reste, pour l'instant, un instrument de mesure que ses propres fabricants peuvent éroder à chaque nouvelle génération de modèle.