Reasoning
Frontier

Recherche indépendante en IA · Japon

Moins de bras.
La même société.
Que peut porter l'IA ?

La population active du Japon diminue, mais le travail qui fait fonctionner la société, lui, ne diminue pas. Nous étudions une IA qui élargit ce qu'une main-d'œuvre réduite peut accomplir — systèmes de raisonnement, robotique physique et agents autonomes — et nous mesurons si elle y parvient réellement.

Voir les axes de recherche Comment nous mesurons
Recherche en coursPhase initiale. Axes de recherche publics et tests contrôlés.
Les résultats n'apparaissent ici qu'une fois publiés et datés.
LA NORME DE RECHERCHE

Poser une question claire.

La rendre vérifiable.

Montrer les preuves.

01 / Le problème

D'ici 2040, il pourrait manquer au Japon
plus de 11 millions de travailleurs.

Le travail ne disparaît pas quand les travailleurs manquent. Les routes doivent toujours être entretenues, les patients toujours soignés, et les petites entreprises doivent toujours boucler leurs comptes.

Pénurie de main-d'œuvre projetée, JaponPROJECTION PUBLIQUE · 2023

Où l'écart sera le plus profond en 2040

Pénurie projetée en part de la demande de main-d'œuvre, par profession

PART DE LA DEMANDE
  1. Soins de longue durée25,3 %
  2. Vente24,8 %
  3. Transport et conduite24,2 %
  4. Construction22,0 %
  5. Professionnels de santé17,5 %
  6. Restauration15,1 %
  7. Production13,3 %
  8. Bureau, techniciens et cadres6,8 %
Source : Recruit Works Institute, 「未来予測2040 労働供給制約社会がやってくる」 (mars 2023). La projection suppose une croissance économique quasi nulle ; avec de la croissance, la demande de main-d'œuvre et la pénurie seraient probablement plus importantes.
Voir les chiffres par profession
Pénurie projetée de l'offre de main-d'œuvre au Japon en 2040, par profession. Source : Recruit Works Institute (2023).
ProfessionPénurie (milliers de travailleurs)Part de la demande (%)
Soins de longue durée58025,3
Vente1 08924,8
Transport et conduite99824,2
Construction65722,0
Professionnels de santé81617,5
Restauration56615,1
Production1 12413,3
Bureau, techniciens et cadres1 5666,8

Les métiers de bureau, techniques et d'encadrement affichent la plus forte pénurie en valeur absolue, mais la plus faible part de la demande ; le rapport y décrit une offre et une demande à peu près équilibrées.

02 / Notre hypothèse de travail

L'IA est la plus utile lorsqu'elle accroît la capacité effective de la société.

Les scores aux benchmarks sont un moyen, pas une fin. Pour chaque projet, nous nous demandons : quelle part de travail réel, de travail qui autrement ne serait pas fait, ce système peut-il assumer de manière fiable — et comment le saurions-nous ?

JAPAN 2040 · INDICATEUR CLÉ

Ratio de compensation du travail par l'IA (AI Labor Offset Ratio) = gain en équivalent travail permis par l'IA ÷ perte de main-d'œuvre projetée

03 / Quatre axes de recherche

Où l'IA peut aider.
Ce que les preuves doivent montrer.

Chaque axe part d'une question pratique et précise ce qui compterait comme preuve avant d'affirmer quoi que ce soit.

Lire le programme de recherche complet
RF-JP-00101

Société et systèmes · Infrastructures

Japon 2040

Où le travail restera-t-il non fait, et quelle part l'IA peut-elle réalistement en couvrir ?

Cartographier l'écart de main-d'œuvre au Japon secteur par secteur — des soins à l'entretien des infrastructures et aux services régionaux — et modéliser dans quelle mesure les gains de productivité liés à l'IA pourraient le combler.

Comment nous le testerons

Ce que nous mesurerons

Le ratio de compensation du travail par l'IA, par secteur.

Preuves nécessaires

Des statistiques publiques datées, des scénarios transparents et une analyse de sensibilité.

RF-JP-00202

Société et systèmes · IA physique

La robotique face à la pénurie de main-d'œuvre

Quelles tâches physiques les robots peuvent-ils assumer, et quand un robot est-il rentable ?

S'appuyer sur les atouts du Japon en robotique et en ingénierie de précision pour identifier les tâches déployables, les cas où les modèles de fondation pour robots surpassent l'automatisation fixe, et ceux où un robot est rentabilisé.

Comment nous le testerons

Ce que nous mesurerons

Un indice de déployabilité de l'IA physique (Physical AI Deployability Index) et des seuils de retour sur investissement par secteur.

Preuves nécessaires

Une taxonomie des tâches, des tests reproductibles dans des conditions délimitées et une analyse du coût total au regard des coûts liés aux postes vacants et aux défaillances de service.

RF-JP-00303

Société et systèmes · Organisations autonomes

La PME autonome

Une petite entreprise peut-elle faire tourner toutes ses fonctions sans recruter pour chacune ?

Des agents d'IA comme couche supplémentaire de capacité opérationnelle pour les PME — comptabilité, RH, achats, support et conformité — avec cinq niveaux d'autorisation, de la lecture seule à l'exécution autonome.

Comment nous le testerons

Ce que nous mesurerons

Taux d'achèvement des flux de travail, charge de relecture humaine et reprise après erreur.

Preuves nécessaires

Des décisions traçables, des limites d'autorisation claires et une comparaison avec les flux de travail existants.

RF-LIFE-00104

Science · Vieillissement cellulaire

Rajeunissement cellulaire

L'IA peut-elle nous aider à comprendre comment les cellules vieillissent, afin que chacun reste en bonne santé et autonome plus longtemps ?

Une exploration computationnelle du vieillissement cellulaire — sénescence, cellules iPS, reprogrammation partielle et conception de protéines — fondée uniquement sur des données publiques et des travaux publiés.

Comment nous le testerons

Ce que nous mesurerons

La reproductibilité sur des jeux de données publics sur le vieillissement et la robustesse sur des données réservées.

Preuves nécessaires

Provenance des jeux de données, contrôles contre les fuites de données et validation indépendante en laboratoire.

Computationnel et exploratoire. Aucun bénéfice thérapeutique ni de longévité n'est revendiqué.

RF-SAFETY-001

Fondations · Sécurité de l'IA

La sécurité de l'IA, mesurée par l'évaluation

Peut-on maintenir des agents d'IA utilisant des outils dans des limites approuvées, et le démontrer par des preuves plutôt que le supposer ?

Un axe de recherche qui soutient tous les axes ci-dessus : tests adverses, résistance à l'injection de prompts, usage d'outils au moindre privilège et surveillance indépendante des agents d'IA avant qu'ils n'assument un travail opérationnel.

Ce que nous mesurerons

Le taux de réussite des attaques sous red teaming adaptatif, le rappel de la surveillance à un taux de faux positifs fixe, et la part des actions importantes des agents couvertes par des contrôles indépendants.

Preuves nécessaires

Des scénarios et références fixes, des contrôles contre le contournement des évaluations, et un registre traçable reliant chaque affirmation à son test.

Axe de recherche actif. Aucune affirmation de sécurité n'est faite avant la publication d'un rapport d'évaluation daté.

Lire l'axe de recherche

04 / Notre position

Conçu pour les contraintes
du monde réel.

01 / Petits modèles

Plus de capacités avec des systèmes contraints.

Les maisons de retraite, les services régionaux et les petites entreprises ne feront pas tourner des modèles de pointe à grande échelle. Nous étudions ce que les petits modèles peuvent offrir avec peu de données, de calcul et de personnel, et où exactement ils échouent.

02 / Raisonnement opérationnel

Des preuves avant d'agir.

Tri des incidents fondé sur les preuves, décisions guidées par des procédures et analyse rigoureuse des défaillances, étudiés dans des scénarios contrôlés.

03 / Fiabilité

Savoir s'arrêter.

Le travail opérationnel ne peut pas absorber des erreurs commises avec assurance. Nous concevons un raisonnement qui cite ses sources, exprime son incertitude et s'arrête avant les conclusions que les preuves ne permettent pas.

05 / Comment nous le saurons

Chaque affirmation liée à un test que d'autres peuvent vérifier.

Un score plus élevé n'est pas une preuve. Chaque axe passe par les mêmes quatre étapes, et nous rendons compte de ce qui échoue autant que de ce qui fonctionne.

Découvrir le programme de publications
  1. 01

    Formuler la question

    Définir la tâche, les contraintes et ce que signifierait le succès.

  2. 02

    Fixer une référence équitable

    Figer le test, la version des données et les ressources, pour comparer chaque résultat à conditions égales.

  3. 03

    Tester. Examiner. Recommencer.

    Signaler les régressions et les modes de défaillance au même titre que les progrès.

  4. 04

    Partager ce qui tient

    Publier des résultats datés, avec leur incertitude et leurs limites intactes.

06 / Où nous en sommes

Au début, indépendants
et transparents sur les deux.

À propos

Fondée par Arnel Perez Posadas

Reasoning Frontier est une initiative de recherche indépendante couvrant le raisonnement de l'IA, l'évaluation, la fiabilité opérationnelle, la transformation industrielle et la science assistée par l'IA. Aujourd'hui, cela signifie des axes de recherche publics, des prototypes et des tests contrôlés. Les résultats datés et reproductibles seront publiés ici au fur et à mesure de leur achèvement.

D'ici là, rien sur ce site ne constitue une preuve de performance en production, en cybersécurité, dans le domaine médical, en matière de sûreté ou d'investissement.

Contact

Demandes de recherche et professionnelles

Les coordonnées seront ajoutées une fois qu'un canal public dédié aura été vérifié.