Stanford University

Le 7 octobre 2025, des chercheurs de Stanford University, SambaNova Systems et UC Berkeley ont publié ACE (Agentic Context Engineering) sur arXiv. Le système cible deux modes de défaillance dans la manière dont les modèles de langage adaptent leur contexte : le biais de brièveté, où la compression évacue les nuances, et l'effondrement du contexte, où sa qualité se dégrade au fil des cycles d'adaptation successifs.

Le framework répartit le travail entre trois agents. Le Generator produit des trajectoires de raisonnement détaillées, le Reflector y extrait des schémas de réussite et d'échec, et le Curator réintègre progressivement les enseignements obtenus dans le contexte. Gains rapportés : 10,6% sur les benchmarks d'agents standards, 8,6% sur des tâches complexes de raisonnement financier, et une réduction moyenne de 86,9% de la latence d'adaptation. Aucune étiquette de vérité terrain n'est nécessaire : le système relit ses propres exécutions. L'article présente cette approche comme une alternative au fine-tuning, qui ajuste ce que le modèle voit plutôt que ses poids.

Trois semaines plus tôt, "AI in the SDLC: Cutting Through the Hype" d'Edgar Kussberg citait un autre résultat de Stanford : les développeurs utilisant des assistants IA étaient plus susceptibles d'introduire des vulnérabilités de sécurité, et plus enclins à juger ce code sûr. La thèse plus large de Kussberg est que la hausse de l'adoption de l'IA est corrélée à une baisse de la stabilité des livraisons, et que les développeurs qui se sentent plus productifs acceptent souvent des suggestions sans les relire attentivement.

Une même institution fournit à la fois les mécanismes permettant à des modèles de s'affiner à partir de leurs propres traces, et les preuves que les relecteurs humains perdent en précision sur du code écrit par un modèle. Reste ouverte la question de qui audite un contexte qui se curatorialise lui-même.