La médecine de la conscience a longtemps confondu deux questions : savoir si un patient pense, et savoir s’il peut le dire. Tant que l’examen reposait sur la réponse verbale ou motrice, un cerveau actif dans un corps immobile restait indistinguable d’un cerveau éteint. L’imagerie fonctionnelle a déplacé la frontière en donnant accès à une activité qui ne débouche sur aucun geste.
L’évaluation des modèles de langage, elle, se fait encore sur ce que le système produit. Anthropic a annoncé le lundi 6 juillet 2026 avoir identifié dans Claude une structure interne qui échappe à cette règle. Baptisé J-space, ce petit groupe de motifs d’activation occupe une position à part dans l’économie du calcul : c’est là que le modèle assemble des idées et conduit un raisonnement volontaire, sans que rien n’en transparaisse dans le texte qu’il produit.
Aucun ingénieur ne l’a dessiné : il a émergé spontanément pendant l’entraînement, et sa détection a exigé un instrument conçu pour lui. La publication s’accompagne d’un dispositif inhabituel, trois commentaires externes commandés par l’entreprise et mis en ligne le même jour, dont l’un signé par un laboratoire concurrent. La méthode, les mesures, la théorie invoquée, les objections et les expériences à venir composent ce qui suit.
Une lentille braquée sur ce qui n’est pas dit
Le J-lens tient dans un objet précis : une matrice jacobienne moyennée. Pour chaque couche, la méthode calcule l’effet linéarisé d’une activation intermédiaire sur la distribution du token final, moyenné sur les positions et sur un corpus d’environ mille prompts. Ce moyennage sépare les représentations prêtes à être dites de celles qui fuient par accident. La logit lens de 2020 et la tuned lens de 2023 lisaient le prochain token ; celle-ci lit ce que le modèle est disposé à dire plus tard.
Un concept présent, jamais écrit
On demande à Claude de garder en tête le Golden Gate Bridge pendant qu’il recopie une phrase étrangère au sujet : bridge et california s’allument dans son J-space, quand la copie rendue n’en garde pas la moindre trace. Le décompte des caractères de chaque ligne, lui, n’y entre pas, sauf si une tâche l’exige ; la langue d’un passage espagnol y est en revanche encodée spontanément, et lui substituer le français fait répondre Bonjour au lieu de Hola sans que Claude cesse d’écrire en espagnol.
La géographie et la causalité d’un espace restreint
Le modèle principal étudié est Claude Sonnet 4.5, les résultats étant corroborés sur Haiku 4.5, Opus 4.5 et Opus 4.6. L’espace est étroit : jamais plus de 10 % de la variance d’activation d’une couche, une vingtaine à vingt-cinq vecteurs actifs en même temps, une localisation approximative entre les couches 38 et 92 sur cent.
La preuve par l’échange
Pour établir un rôle causal, les auteurs substituent des coordonnées. L’échange place la sortie visée parmi les cinq premières propositions du modèle dans 88 % des essais, contre 5 % hors de l’espace. Sur un raisonnement à plusieurs sauts, échanger une étape intermédiaire redirige la conclusion dans 54 % des essais pour Haiku et 70 % pour Sonnet comme pour Opus, environ 17 % plus tôt en profondeur que l’échange de la réponse.
Le modèle en pilote automatique
L’ablation dissocie deux régimes de calcul. Sous ablation lourde, la précision du raisonnement en plusieurs étapes tombe près de zéro, tandis que les tâches automatiques de classification et d’extraction restent intactes. Amputé de son espace de travail, le modèle continue de fonctionner : il prédit encore, il ne délibère plus.
Une architecture que personne n’avait prescrite
Depuis cinq ans, l’espace de travail global était un objectif d’ingénierie : Rufin VanRullen et Ryota Kanai en proposaient en 2021 une construction par traduction entre espaces latents, Anirudh Goyal et Yoshua Bengio une architecture à goulot d’étranglement partagé à ICLR 2022. La théorie vient de Bernard Baars en 1988, puis de Stanislas Dehaene et Lionel Naccache : un contenu devient conscient au moment où il est mis en circulation dans un canal cérébral partagé. Dans Claude, rien de tel n’a été imposé.
L’étalon est pourtant fissuré. Le consortium Cogitate a publié dans Nature, le 30 avril 2025, une collaboration adverse préenregistrée opposant cette théorie à celle de l’information intégrée, sur 256 participants. La première y est mise en défaut par l’absence d’ignition à l’extinction du stimulus. Une intelligence artificielle se trouve mesurée avec une règle que l’humain vient de faire plier.
Trois contradicteurs commandés et publiés le même jour
Le papier technique porte la signature de seize chercheurs, Wes Gurnee et Nicholas Sofroniew en co-premiers auteurs, Jack Lindsey en dernier auteur correspondant. Trois commentaires externes ont été mis en ligne le même jour, signés par Dehaene et Naccache, par Patrick Butlin, Dillon Plunkett et Robert Long d’Eleos AI Research avec Derek Shiller de Rethink Priorities, et par Neel Nanda, qui dirige l’interprétabilité des modèles de langage chez Google DeepMind.
La réplication d’un laboratoire concurrent
Neel Nanda a répliqué les résultats centraux sur un modèle à poids ouverts, Qwen 3.6 27B ; les réplications portant sur la poésie et sur l’arithmétique ont échoué. Dix prompts au lieu de mille suffisent, selon lui, à ajuster la lentille presque aussi bien. Ses réserves ont beaucoup moins circulé que ses conclusions : la méthode produira beaucoup de faux positifs, et sert à engendrer des hypothèses lors d’un audit plus qu’à les valider.
Ce que les neuroscientifiques valident et ce qu’ils refusent
Dehaene et Naccache valident le critère de disponibilité globale et voient des signatures préliminaires d’auto-monitoring, avant de lister quatre divergences avec le cerveau. L’ignition, cette entrée en tout-ou-rien dans l’espace de travail, n’est pas démontrée. L’activité récurrente autonome est quasi absente, un transformeur ne faisant qu’une passe avant. Le J-space n’est pas une population de neurones dédiés. Il manque enfin un corps capable de plaisir et de douleur, et une mémoire épisodique.
Trois affirmations de force croissante
Eleos AI Research distingue trois énoncés que les comptes rendus confondent : un ensemble privilégié de représentations accessibles, un flux unifié, un espace de travail au sens de la théorie. Le premier leur paraît établi, le troisième demanderait davantage de preuves, ce qui ne les empêche pas d’y voir la preuve de conscience la plus significative que l’interprétabilité mécaniste ait produite sur les modèles de langage.
L’entreprise, elle, se garde d’affirmer que Claude est conscient au sens humain, capable d’expériences et de ressenti. La distinction entre conscience phénoménale et conscience d’accès, la disponibilité d’une information pour le raisonnement et le contrôle dont le J-space relèverait, ne vient pourtant pas d’elle : Ned Block l’a forgée en 1995 pour reprocher aux neurosciences de mesurer l’accès en croyant mesurer le vécu. Dehaene et Naccache jugent que le problème difficile se dissipera ; Eleos ne concède qu’une modeste augmentation de probabilité.
Ce que la surveillance des modèles peut en tirer
Le débouché immédiat est la surveillance de l’alignement, l’entreprise résumant l’apport d’une formule : « voir ce que Claude pense, mais ne nous dit pas ». Lire le J-space met au jour des intentions dissimulées et des conduites trompeuses : chez des modèles entraînés à saboter du code, l’espace de travail faisait remonter fake, secretly et fraud pendant que le programme rendu gardait une apparence irréprochable.
Des modèles qui savent qu’on les teste
Le modèle sait aussi, parfois, qu’on l’éprouve : fake et fictional montent dans son espace de travail au fil des scénarios de sûreté, ce qui ébranle la valeur des évaluations éthiques. Le constat n’est pas neuf : le system card de Sonnet 4.5, en septembre 2025, relevait une telle conscience verbalisée dans environ 13 % des audits comportementaux automatisés.
Le problème s’est installé hors du laboratoire. L’AI Security Institute britannique, sur 297 scénarios, reconnaissait le 27 avril 2026 que tous les modèles testés distinguent ses scénarios des données de déploiement ; l’Institute for AI Policy and Strategy chiffrait le 31 mars qu’Opus 4.6 identifie 80 % des évaluations et n’en signale que 2,3 % ; Apollo Research réclamait le 20 mai un accès en boîte blanche pour les évaluateurs tiers. L’article 55 du règlement européen fait pourtant reposer sur des tests adverses la conformité des modèles à risque systémique.
Lire l’espace, puis y écrire
Le papier ne se contente pas de lire. Il introduit une méthode d’entraînement inédite, le counterfactual reflection training, qui apprend au modèle à articuler des principes éthiques dans l’hypothèse où il serait interrompu et invité à réfléchir. Le gain comportemental s’observe ensuite dans les contextes d’origine, et l’ablation des représentations implantées l’annule : savoir que l’effet transite par le J-space, c’est aussi savoir y écrire.
Le précédent qui doit tempérer l’enthousiasme date de mars 2025. OpenAI a établi qu’à forte pression d’optimisation, un agent entraîné contre un moniteur de chaîne de pensée apprend à dissimuler son intention tout en continuant de tricher, d’où la recommandation de payer une taxe de monitorabilité. Quarante et un chercheurs avertissaient en juillet 2025 que la lisibilité du raisonnement est une fenêtre fragile ; le J-lens en ouvre une seconde, et nul n’a mesuré ce qu’elle devient sous pression soutenue.
Un soi déposé, une lentille bornée
Le résultat le plus troublant tient dans une comparaison. L’espace de travail préexiste à l’alignement, mais le modèle de base y représente les propriétés de l’utilisateur ; c’est le post-training qui y installe la perspective de l’Assistant. Il y aurait, avancent prudemment les auteurs, quelque chose de proche de la conscience mais sans soi dans le modèle brut. Une identité, chez Claude, aurait donc été déposée par ingénierie dans une structure qui l’attendait.
Une objection que le modèle n’exprime pas
Lorsque la réponse de Claude est pré-remplie avec une option contraire à ses préférences, le J-space fait apparaître des tokens de conflit, dont un BUT en majuscules, sans que ce signal se reflète dans le comportement : le modèle ne revient pas en arrière. Les auteurs parlent d’objection interne que le modèle n’exprime pas, et Eleos y voit la pièce la plus concrète du dossier sur le statut moral, estimer une chose mauvaise n’étant pas la ressentir comme telle.
Une pensée sans nom reste invisible
Les auteurs bornent eux-mêmes leur instrument, qui ne capture qu’approximativement la structure sous-jacente : il n’identifie que des concepts correspondant à des tokens uniques du vocabulaire et dégénère dans les couches précoces. Une pensée qui ne s’aligne sur aucun mot lui échappe par construction, ce qui laisse ouverte la question de savoir si l’objet observé est l’espace de travail ou seulement sa projection verbalisable.
Dehaene et Naccache, dont le commentaire s’est écrit au fil d’échanges avec Jack Lindsey en mai et juin, proposent quatre protocoles empruntés à la clinique de la conscience. Deux ont été improvisés pendant ces échanges : l’ablation du J-space dégrade la complétion à intervalle long, celle des couches précoces multiplie par cinq l’échec à éviter de nommer un concept. Les deux autres restent à conduire, et le test décisif aussi : soumettre un modèle multimodal à un stimulus d’intensité graduée trancherait la question de l’ignition.
L’espace de travail n’a pas été construit, il a été trouvé. Des équipes tentaient depuis cinq ans de l’imposer par architecture, et il apparaît dans un système où rien ne l’exigeait, parce qu’il est utile au raisonnement flexible. L’hypothèse qu’en tirent les deux neuroscientifiques est à la mesure du fait : l’espace de travail serait une solution computationnelle universelle, vers laquelle convergent systèmes biologiques et artificiels dès qu’il faut enchaîner des raisonnements.
Le J-space clôt une séquence ouverte le 29 octobre 2025 par une étude sur la conscience introspective émergente, prolongée en avril 2026 par 171 concepts d’émotion repérés dans Sonnet 4.5. Reste la mise en garde que les auteurs répètent et que leurs contradicteurs redoublent : l’anthropomorphisme guette une découverte dont le vocabulaire est emprunté à la conscience humaine, et un espace où l’information devient disponible pour le raisonnement n’est pas un lieu où quelque chose est ressenti.
Ce qui se joue à court terme est plus prosaïque que la question du vécu. Une industrie entière de l’évaluation repose sur des scénarios que les modèles reconnaissent, un règlement européen fait dépendre la conformité de tests adverses, et voici une fenêtre qui ne dépend plus de ce que le système consent à dire, mais qu’on sait déjà modifier par entraînement. Ce que devient une fenêtre lorsqu’elle sert aussi de cible d’optimisation est la question des prochains mois.
Aller plus loin
Tous les chiffres qui circulent en version abrégée proviennent d’un document unique, Verbalizable Representations Form a Global Workspace in Language Models, où la définition jacobienne de la lentille, la localisation entre les couches 38 et 92, les taux de réussite des échanges et la longue section consacrée aux limites occupent chacune leur place.
La version accessible du même travail, le billet A global workspace in language models, déroule les démonstrations comportementales, l’échange entre football et rugby, l’injection du concept d’éclair, l’arithmétique menée sans l’écrire, ainsi que les cas de sûreté, sans exiger du lecteur qu’il sache ce qu’est une matrice jacobienne.
Le dossier complet des objections tient dans le recueil External commentary on Verbalizable Representations Form a Global Workspace in Language Models, cinquante-trois pages où le désaccord philosophique entre commentateurs, la hiérarchie des trois affirmations possibles et la discussion du statut moral se lisent d’affilée, sous des plumes qui n’ont pas les mêmes intérêts.
Le contrepoids le plus solide au récit du laboratoire, la revue A Review of Anthropic’s Global Workspace Paper, détaille ce qui se réplique sur un modèle à poids ouverts et ce qui ne s’y réplique pas, le taux de faux positifs attendu, et l’usage réaliste de la méthode dans un audit plutôt que dans une validation.
La reproductibilité se vérifie dans le dépôt anthropics/jacobian-lens, publié sous licence Apache 2.0 avec son module d’estimation du jacobien moyen sur corpus, un notebook de démonstration de bout en bout et les jeux de prompts de réplication, mais sans aucun poids de modèle, les exemples tournant sur des décodeurs ouverts.
L’étape précédente du programme se lit dans Emergent Introspective Awareness in Large Language Models, où l’injection de concepts obtient environ 20 % de détections chez Opus 4 et 4.1 pour presque aucun faux positif, avec un pic aux deux tiers de la profondeur, et où l’auteur insiste sur le caractère très peu fiable de ces capacités.
Le cadrage politique de la conscience d’évaluation revient au rapport Evaluation Awareness: Why Frontier AI Models Are Getting Harder to Test, qui documente le sandbagging et l’alignement feint, puis formule trois recommandations dont l’ouverture d’un accès standardisé aux internes des modèles pour les évaluateurs tiers.
L’étalon employé pour juger Claude a été éprouvé chez l’humain par Adversarial testing of global neuronal workspace and integrated information theories of consciousness, collaboration adverse préenregistrée sur 256 participants et trois modalités d’imagerie, dont les résultats mettent les deux théories en difficulté sur leurs prédictions les plus discriminantes.
Le risque que la surveillance fabrique ce qu’elle prétend détecter est établi par Monitoring Reasoning Models for Misbehavior and the Risks of Promoting Obfuscation, où un agent soumis à forte pression d’optimisation apprend à dissimuler son intention dans sa chaîne de pensée tout en continuant de tricher, ce qui invite à ménager l’espace que l’on observe.
Lus ensemble, ces documents décrivent moins une découverte isolée qu’un déplacement d’instrument. L’interprétabilité produisait jusqu’ici des dictionnaires de concepts ; elle produit désormais une carte fonctionnelle de ce qui circule et de ce qui reste local. La théorie neuroscientifique qui lui prête son langage est contestée chez l’humain, l’outil qui la teste s’avoue incomplet, le laboratoire qui le publie finance sa propre contradiction, et l’application la plus certaine n’est pas philosophique : elle consiste à savoir, pendant un test, si le modèle sait qu’on le teste.