DSPy : quand l’IA optimise l’IA pour interroger vos données

Et si une IA pouvait améliorer une autre IA automatiquement ? C’est l’expérience menée par Simon Willison avec DSPy, un framework de Stanford qui optimise les instructions données aux modèles de langage. Son objectif : rendre Datasette Agent, son outil de requêtage SQL en langage naturel, plus précis et fiable.

Une optimisation née d’une keynote matinale

Le 2 juillet 2026, lors de la conférence AIE, une présentation sur DSPy a suffi à déclencher une expérimentation technique. Simon Willison, développeur influent de l’écosystème Python et créateur de Datasette, a immédiatement saisi l’opportunité. Plutôt que de passer des semaines à peaufiner manuellement les instructions de son agent IA, il a confié la mission à Claude Fable 5 via Claude Code for web : installer la dernière version alpha de Datasette, intégrer DSPy et tester différentes optimisations.

Cette réactivité illustre une transformation profonde du développement logiciel. Le cycle « découverte d’un outil → implémentation → premiers résultats » s’est compressé de plusieurs semaines à quelques heures. Selon les sources proches du projet, Claude a autonomiquement installé les dépendances, configuré l’environnement de test et lancé les premières évaluations avec GPT-4.1 mini et nano.

DSPy : la fin du prompt engineering artisanal ?

Développé par le groupe Stanford NLP, DSPy (Declarative Self-improving Python) représente une rupture avec les pratiques actuelles. Aujourd’hui, améliorer les performances d’une application IA repose largement sur le « prompt engineering » : formuler et reformuler manuellement les instructions jusqu’à obtenir de bons résultats. Un processus artisanal, chronophage et fragile.

DSPy transforme cette approche en processus systématique. Au lieu d’écrire des prompts textuels, les développeurs définissent des « signatures » — des descriptions structurées de ce que l’IA doit accomplir. Le framework teste ensuite automatiquement des milliers de variantes, mesure leurs performances sur des critères objectifs et sélectionne les formulations optimales. C’est comparable à l’évolution de la compilation en informatique : passer du code assembleur écrit à la main aux compilateurs optimisants.

D’après la documentation officielle de DSPy, le framework s’avère particulièrement efficace sur des tâches à validation objective — génération de code, requêtes SQL, calculs mathématiques — où la correction d’une réponse est mesurable sans ambiguïté.

Datasette Agent : traduire le langage humain en SQL

L’outil au cœur de cette expérimentation, Datasette Agent, permet d’interroger des bases de données en langage naturel. Au lieu d’écrire SELECT AVG(price) FROM products WHERE category='electronics', un utilisateur demande simplement : « Quel est le prix moyen des produits électroniques ? » L’agent génère alors la requête SQL appropriée et retourne les résultats.

Mais cette traduction pose des défis techniques majeurs. Les modèles de langage doivent comprendre la structure de la base de données (tables, colonnes, relations), interpréter correctement l’intention de l’utilisateur et générer du SQL syntaxiquement correct et sémantiquement pertinent. Selon Simon Willison, les erreurs les plus fréquentes proviennent de « suppositions » erronées sur le contenu des colonnes et de boucles de réessai inutiles lorsque l’agent hésite sur la meilleure approche.

Les pistes d’amélioration identifiées

L’expérimentation DSPy a révélé plusieurs directions prometteuses. La première, particulièrement appréciée par Willison d’après son blog, consiste à inclure les noms de colonnes directement dans la liste des schémas présentée à l’agent. Cette modification apparemment mineure réduit drastiquement les erreurs de supposition : l’IA n’a plus besoin de deviner quelles colonnes existent, elle les voit explicitement.

Deuxième amélioration identifiée : réduire l’avertissement concernant l’outil describe_table. Les prompts système actuels découragent excessivement son utilisation pour éviter des appels API inutiles. Résultat paradoxal : l’agent hésite, fait des suppositions hasardeuses et entre dans des boucles de correction. En atténuant cet avertissement, DSPy a constaté une baisse des erreurs et des temps de réponse plus courts.

Ces optimisations ont été testées avec GPT-4.1 mini et nano — des modèles économiques plutôt que les versions premium. Un choix stratégique qui démontre qu’un prompt bien optimisé peut compenser la puissance brute d’un modèle plus coûteux. Les implications économiques sont majeures : si l’optimisation permet à des modèles « mini » d’atteindre les performances de modèles « premium », le coût d’exploitation des applications IA chute radicalement.

Méta-optimisation : l’IA qui améliore l’IA

Cette expérience révèle une tendance de fond : l’émergence de systèmes d’IA spécialisés dans l’amélioration d’autres IA. Simon Willison utilise Claude pour automatiser l’intégration de DSPy, qui lui-même optimise Datasette Agent. Trois couches d’intelligence artificielle empilées, chacune amplifiant les capacités de la suivante.

D’après plusieurs analystes du secteur, cette « méta-optimisation » pourrait accélérer exponentiellement le progrès en IA. Le goulot d’étranglement n’est plus la puissance de calcul brute, mais l’ingéniosité dans l’exploitation des modèles existants. Les frameworks comme DSPy démocratisent des techniques auparavant réservées aux équipes de recherche avancées.

Toutefois, cette automatisation soulève des questions. Quand une IA optimise les instructions d’une autre IA, comment auditer les décisions ? Les prompts optimisés automatiquement peuvent devenir opaques, difficiles à maintenir pour des humains. Et si l’optimisation se concentre sur des métriques inadaptées (vitesse au détriment de la précision, par exemple), les résultats peuvent être contre-productifs.

Transparence radicale : le lab notebook ouvert

Contrairement aux pratiques de secret industriel dominantes dans l’IA, Simon Willison documente publiquement son expérimentation sur GitHub en temps réel. Code, résultats préliminaires, réflexions méthodologiques : tout est accessible. Cette transparence accélère l’innovation collective et établit des normes de reproductibilité dans un domaine souvent opaque.

Selon les contributeurs de la communauté open source, cette approche crée un « effet d’entraînement ». D’autres développeurs peuvent reproduire l’expérience, identifier des biais dans l’évaluation, proposer des améliorations. C’est l’opposé du modèle propriétaire où chaque entreprise réinvente la roue en secret.

Pour les entreprises, cette transparence pose aussi question. Révéler ses méthodes d’optimisation n’offre-t-il pas un avantage aux concurrents ? Willison semble parier sur l’inverse : la valeur ne réside pas dans le secret des techniques, mais dans la qualité de l’exécution et la vitesse d’itération.

Implications pratiques pour les professionnels

Pour les data analysts, ces avancées promettent des outils d’interrogation de données plus fiables, réduisant le temps passé à déboguer des requêtes générées par IA. Les prompt engineers, eux, voient leur métier évoluer : moins de formulation manuelle, plus de supervision de systèmes d’optimisation automatique.

Les développeurs d’applications IA devraient surveiller plusieurs points critiques. DSPy optimise pour des métriques spécifiques — s’assurer qu’elles correspondent aux vrais besoins métier est crucial. Les prompts optimisés peuvent devenir moins lisibles pour les humains, compliquant la maintenance. Et le coût computationnel de l’optimisation (tester des milliers de variantes) doit être mis en balance avec les gains obtenus.

D’après les premiers retours de la communauté, l’approche DSPy fonctionne particulièrement bien pour les tâches à validation objective : génération de code, requêtes SQL, calculs. Pour la génération de texte libre (marketing, rédaction), où la « qualité » reste subjective, l’optimisation automatique montre ses limites.

Perspectives et questions ouvertes

Les résultats détaillés de l’expérimentation devraient être publiés dans les prochaines semaines sur le repository GitHub de Simon Willison. La communauté attend notamment des benchmarks quantitatifs : amélioration du taux de requêtes correctes, réduction du temps de réponse, impact sur la satisfaction utilisateur.

À moyen terme, plusieurs scénarios se dessinent. Dans le scénario optimiste, DSPy devient un standard de l’industrie, intégré dans les principaux frameworks IA, provoquant un bond qualitatif généralisé des agents conversationnels. Le scénario pragmatique voit DSPy rester un outil spécialisé pour certains cas d’usage, coexistant avec l’optimisation manuelle. Le scénario disruptif imagine l’émergence de plateformes no-code rendant DSPy obsolète, ou son rachat par un géant (OpenAI, Anthropic, Google).

Des questions fondamentales restent ouvertes. Les optimisations sont-elles transférables entre modèles ? Un prompt optimisé pour GPT-4 fonctionnera-t-il aussi bien avec Claude ou Gemini ? Comment maintenir des prompts optimisés automatiquement quand les modèles sous-jacents évoluent ? Et surtout : quels risques de sécurité émergent quand une IA optimise les instructions d’une autre IA sans supervision humaine étroite ?

Conclusion : vers une IA auto-améliorante

L’expérience de Simon Willison avec DSPy et Datasette Agent n’est pas qu’une prouesse technique isolée. Elle illustre une transformation profonde : le passage d’une IA assistée par l’humain à une IA auto-améliorante, où les systèmes s’optimisent mutuellement avec une intervention humaine minimale.

Cette évolution soulève autant d’opportunités que de défis. Opportunité de démocratiser l’accès à des outils d’IA de qualité, en réduisant drastiquement les coûts de développement. Défi de maintenir la transparence et le contrôle humain dans des systèmes de plus en plus autonomes et opaques.

Une question demeure : dans ce monde où l’IA optimise l’IA, quel reste le rôle irremplaçable de l’expertise humaine ? Peut-être celui que démontre Willison lui-même : identifier les opportunités, poser les bonnes questions, et partager ouvertement les résultats pour que toute la communauté en bénéficie.