Quatre agents Gemini 4 Argon terminent Minecraft sans aide humaine, une première pour l’IA

Abattre des arbres, fabriquer des outils, trouver du fer puis des diamants, atteindre le Nether, localiser une forteresse, ouvrir le portail de l’End et vaincre le dragon qui y règne : finir Minecraft demande à un joueur humain des dizaines d’heures et une longue suite d’étapes qui dépendent les unes des autres. Dans un article publié le 15 octobre 2026 sur arXiv, des chercheurs de Google DeepMind racontent avoir confié cette mission à quatre agents d’IA reposant sur Gemini 4 Argon, le nouveau modèle de pointe de Google. Sans consigne de stratégie ni outil sur mesure, l’équipe a vaincu l'Ender Dragon en 27 heures et 14 minutes. Une partie de jeu vidéo, en apparence ; un test sérieux de la capacité des IA à mener un projet de longue haleine, en réalité.

Une partie lancée sans mode d’emploi

Les chercheurs, Maxence Faldor, Satinder Singh et Roberta Raileanu, ont placé les quatre agents dans un monde Minecraft généré au hasard, en mode survie et en difficulté facile, avec un seul objectif : vaincre l’Ender Dragon. Aucun rôle n’était attribué, aucune stratégie n’était dictée et aucun outil propre au jeu n’avait été écrit par un humain.

Pour agir, les agents passaient par Mineflayer, une bibliothèque libre qui permet de contrôler un personnage de Minecraft par programme informatique. Concrètement, chaque agent écrivait, testait et corrigeait ses propres programmes pour miner, construire ou combattre. Ils communiquaient par la messagerie du jeu et partageaient une mémoire commune, une sorte de carnet collectif où chacun consignait ce qu’il avait appris.

Les chiffres d’une partie hors norme

Le nombre de morts, 605, peut faire sourire, mais il illustre la méthode : les agents apprennent par essais et erreurs, comme un débutant, et reviennent à la charge après chaque échec. Le nombre de programmes montre aussi que l’essentiel du travail n’a pas consisté à « jouer » au sens habituel, mais à écrire du code pour automatiser chaque action, puis à le corriger quand il ne fonctionnait pas.

Comment les agents se sont organisés

Selon le compte rendu de l’expérience relayé par le site spécialisé The Decoder, les agents ont développé spontanément des comportements d’équipe. Ils se sont réparti les tâches, l’un partant chercher des ressources pendant qu’un autre construisait ou fabriquait des objets. Ils se sont prévenus mutuellement des dangers, comme l’approche de créatures hostiles. Ils sont allés récupérer les objets de leurs coéquipiers morts, une pratique bien connue des joueurs humains. Et ils ont pris l’habitude de consigner leurs erreurs dans la mémoire commune, pour éviter de les répéter.

Ce dernier point rejoint une préoccupation actuelle de la recherche : la capacité des IA à reconnaître et à documenter leurs échecs, plutôt qu’à les passer sous silence, comme l’a montré une étude récente sur les comptes rendus produits par les IA.

Une partie en plusieurs grandes étapes

Pour mesurer l’ampleur de la tâche, il faut se rappeler ce qu’exige Minecraft. Les agents ont dû d’abord survivre aux premières nuits, puis progresser du bois à la pierre, de la pierre au fer et du fer au diamant, chaque matériau permettant de fabriquer les outils nécessaires au suivant. Il leur a fallu ensuite construire un portail vers le Nether, une dimension hostile, y trouver une forteresse et y récolter les objets indispensables pour localiser le portail de l’End. Enfin, dans l’End, ils devaient détruire les cristaux qui soignent le dragon avant de pouvoir l’affronter. Une erreur à n’importe quelle étape oblige à revenir en arrière.

Pourquoi Minecraft intéresse tant les chercheurs

Minecraft est devenu au fil des ans un terrain d’essai privilégié pour l’IA, parce qu’il réunit trois difficultés rarement combinées : un monde ouvert sans parcours imposé, des objectifs qui s’enchaînent sur des centaines d’étapes, et une part d’imprévu permanente.

Les travaux les plus connus s’arrêtaient le plus souvent à des étapes intermédiaires, souvent avec des systèmes spécialement entraînés pour le jeu. La nouveauté de 2026 tient à deux points : la partie a été menée jusqu’au bout, et elle l’a été par un modèle généraliste, le même que celui qui rédige des textes ou du code pour les clients de Google, sans entraînement spécifique à Minecraft.

Ce que cela dit des agents d’IA

Pour les auteurs, l’intérêt dépasse largement le jeu vidéo. Battre Minecraft exige de garder un plan cohérent sur des milliers d’étapes dépendantes : impossible d’atteindre l’End sans avoir trouvé les bons matériaux, ni de trouver ces matériaux sans les bons outils. Cette capacité est précisément celle qui manque encore souvent aux agents d’IA dans le monde professionnel, où un projet de développement logiciel ou un dossier administratif complexe se décompose en centaines de sous-tâches.

Cette démonstration prolonge la stratégie de Google, qui présentait Gemini 4 Argon comme un modèle conçu pour le « travail en profondeur » sur des tâches complexes et en plusieurs étapes. Elle s’inscrit aussi dans une tendance plus large : les modèles généralistes viennent désormais à bout de jeux qui exigeaient autrefois des systèmes d’IA conçus spécialement pour eux.

Les limites de l’expérience

Plusieurs réserves s’imposent. La partie s’est déroulée en difficulté facile, où les créatures hostiles font moins de dégâts. Les 605 morts montrent que les agents restent loin de l’efficacité d’un joueur expérimenté, qui termine le jeu bien plus rapidement et avec beaucoup moins d’échecs. Le résumé de l’article ne précise pas si l’expérience a été répétée plusieurs fois, ni avec quel taux de réussite, ce qui empêche de savoir s’il s’agit d’un exploit isolé ou d’un résultat reproductible. Enfin, l’étude est une prépublication sur arXiv, qui n’a pas encore été évaluée par d’autres chercheurs.

Le coût n’est pas anodin non plus : faire tourner quatre agents d’un modèle de pointe pendant plus de 27 heures mobilise une puissance de calcul considérable, sans commune mesure avec celle d’une console de jeu.

La prochaine étape

Après les jeux de stratégie, les jeux de plateau et désormais Minecraft, la question n’est plus de savoir si une IA peut terminer un jeu, mais combien de temps, d’essais et de calcul il lui faut pour y parvenir. Les chercheurs voient dans ce résultat un indicateur de la maturité des agents pour des projets réels de longue durée. Le prochain test, plus parlant pour le grand public, sera de voir ces capacités de planification appliquées hors des mondes virtuels, là où une erreur ne se répare pas en réapparaissant au point de départ. Les autres expériences de ce type sont à suivre sur notre page consacrée aux jeux vidéo.