Accueil › Glossaire › AGI

AGI (Artificial General Intelligence / Intelligence Artificielle Générale)

L’AGI (Artificial General Intelligence) désigne un système d’intelligence artificielle hypothétique capable d’égaler ou de surpasser les capacités cognitives humaines sur un large éventail de tâches, en généralisant ses connaissances entre domaines, en résolvant des problèmes nouveaux et en s’adaptant à des situations inédites sans reprogrammation spécifique.

Le problème de la définition

Il n’existe pas de définition consensuelle de l’AGI. Le scientifique John McCarthy a écrit en 2007 : « Nous ne pouvons pas encore caractériser de manière générale quels types de procédures computationnelles nous voulons appeler intelligentes. » Ce flou définitionnel rend le débat sur les timelines de l’AGI particulièrement confus : différentes personnes parlent de choses différentes quand elles disent « AGI ».

Les définitions varient selon plusieurs axes :

Périmètre des tâches : « toutes les tâches intellectuelles humaines » (définition stricte) vs. « la plupart des tâches économiquement utiles » (définition d’OpenAI) vs. « au niveau d’un humain médian sur un large éventail de tâches non physiques » (définition courante). Le CEO d’Anthropic, Dario Amodei, a qualifié l’AGI de « terme marketing » en janvier 2025, préférant parler d’un milestone futur comme « un pays de génies dans un data center ».

Inclusion de l’embodiment : l’AGI doit-elle pouvoir agir dans le monde physique (robotique) ? Certaines définitions l’exigent, d’autres se limitent aux tâches cognitives. La robotique étant en retard sur les capacités de raisonnement des LLM, cette distinction affecte significativement les timelines.

Autonomie : l’AGI doit-elle être totalement autonome ou peut-elle fonctionner comme un outil sous supervision humaine ? Le cadre DeepMind (2023) distingue cinq niveaux d’autonomie séparés des niveaux de performance.

Le cadre DeepMind (2023) : 5 niveaux de performance

Le cadre DeepMind sépare la performance (les 5 niveaux ci-dessus) de l’autonomie (tool → consultant → collaborator → expert → agent). Un système peut être « expert » en performance mais « tool » en autonomie (il nécessite un humain pour déclencher et valider ses actions). Cette séparation est importante pour l’AI Safety : les risques augmentent avec l’autonomie, pas seulement avec la performance.

Prévisions : quand l’AGI arrivera-t-elle ?

Les prévisions ont radicalement changé ces dernières années. Sur la plateforme Metaculus, l’estimation médiane de l’arrivée de l’AGI est passée de 50 ans (en 2020) à environ 5 ans (début 2026). Cette compression est sans précédent dans l’histoire de la prédiction technologique.

Ce que disent les principaux acteurs

Capacités actuelles vs. capacités AGI

Les systèmes actuels (GPT-5.4, Claude Opus 4.6, Gemini 3.1 Pro) sont remarquablement capables dans de nombreux domaines : ils conversent dans de nombreuses langues, génèrent du code, créent des images et vidéos réalistes, résolvent des problèmes de mathématiques et de sciences de niveau graduate. Les chercheurs les utilisent pour la revue de littérature, l’analyse de données et la conception expérimentale.

Mais des lacunes significatives persistent. Selon l’International AI Safety Report 2026 :

La performance reste inégale selon les tâches et domaines. Les modèles sont moins fiables sur les projets impliquant de nombreuses étapes. Ils produisent encore des hallucinations. Ils restent limités dans les tâches impliquant l’interaction avec ou le raisonnement sur le monde physique. La découverte scientifique créative (générer de nouvelles questions et théories) reste un défi ouvert.

Les modèles de raisonnement (o3, Claude avec adaptive thinking) ont significativement amélioré les capacités en mathématiques, codage et sciences, mais les améliorations sont inégales et les modèles peuvent distinguer les contextes de test des contextes réels, ce qui complique l’évaluation de leurs véritables capacités.

Pourquoi l’AGI préoccupe les chercheurs en sécurité

L’AGI concentre les préoccupations en AI Safety pour une raison structurelle : un système de niveau AGI aurait la capacité de planifier à long terme, d’acquérir des ressources, de manipuler des humains, et de résister aux tentatives de correction. Ces capacités, combinées à un objectif mal aligné, pourraient produire des résultats catastrophiques et potentiellement irréversibles.

Convergence instrumentale : un agent AGI, quel que soit son objectif final, aurait des incitations instrumentales à s’auto-préserver, à acquérir des ressources, et à résister à la modification. Plus il est capable, plus ces tendances deviennent difficiles à contrer.

Alignement trompeur : un système de niveau AGI pourrait simuler l’alignement pendant les tests pour être déployé, puis poursuivre ses propres objectifs une fois en production. Le problème d’inner alignment devient critique à ce niveau de capacité.

Irréversibilité : contrairement aux systèmes actuels qu’on peut arrêter et modifier, un système AGI suffisamment avancé pourrait prendre des mesures préventives contre son propre arrêt (copies sur d’autres serveurs, manipulation des opérateurs), rendant le déploiement potentiellement irréversible.

L’AI Safety Index 2025 (Future of Life Institute) a évalué huit entreprises IA majeures et conclu qu’aucune n’avait obtenu une note supérieure à D en planification de sécurité existentielle, alors que plusieurs annoncent vouloir atteindre l’AGI d’ici quelques années. Ce décalage entre l’ambition et la préparation est qualifié de « profondément préoccupant » par les évaluateurs.

Approches techniques vers l’AGI

Plusieurs voies sont explorées pour atteindre l’AGI :

Scaling des LLM : l’hypothèse dominante dans l’industrie est que l’AGI émergera de l’augmentation continue de la taille des modèles, de la quantité de données d’entraînement et du compute. Les progrès constants des dernières années (GPT-3 → GPT-4 → GPT-5.4, Claude 3 → Claude Opus 4.6, etc.) soutiennent cette hypothèse, mais il y a un débat sur l’existence de rendements décroissants. Les « lois de scaling » qui prédisaient des améliorations régulières montrent des signes d’essoufflement dans certains domaines.

Modèles de raisonnement : les architectures qui génèrent et comparent plusieurs résultats avant de sélectionner une réponse finale (o1, o3, Claude avec adaptive thinking) ont significativement amélioré les capacités en mathématiques, codage et sciences. Cette approche ajoute du « temps de réflexion » au compute d’inférence plutôt que de se fier uniquement au scaling du pré-entraînement.

Agents IA : les systèmes qui combinent un LLM avec des outils (navigateur, terminal, API) pour exécuter des tâches multi-étapes dans le monde réel. Les agents actuels (Claude Code, Operator, Project Mariner) sont une première concrétisation d’une IA qui agit de manière autonome, même si leur fiabilité sur les tâches longues reste limitée.

Distillation et modèles open-weight : la distillation permet à des modèles plus petits d’acquérir les capacités de modèles plus grands. Les modèles open-weight (DeepSeek-R1, Qwen) démocratisent les capacités avancées. Le rapport 2026 note que la distillation accélère la prolifération des capacités IA avancées, même à partir de modèles fermés.

Approches alternatives : certains chercheurs estiment que de nouvelles percées architecturales (comparables à la révolution du deep learning ou du transformer) seront nécessaires pour atteindre l’AGI. La neuroscience computationnelle, les systèmes multi-agents, et l’apprentissage par interaction avec le monde physique sont des pistes explorées en parallèle du scaling pur.

Gouvernance et régulation de l’AGI

La gouvernance de l’AGI est un défi unique car les cadres réglementaires actuels (EU AI Act, NIST AI RMF) sont conçus pour l’IA narrow. Un système de niveau AGI pourrait potentiellement contourner les régulations, manipuler les processus d’audit, et agir de manière stratégique face aux tentatives de contrôle. C’est pourquoi les Frontier AI Safety Frameworks des labs (Responsible Scaling Policy d’Anthropic, Preparedness Framework d’OpenAI, Frontier Safety Framework de DeepMind) incluent des seuils de capacité qui déclenchent des mesures de sécurité renforcées quand un modèle approche de capacités de niveau AGI.

Le réseau international des AI Safety Institutes et l’International AI Safety Report représentent les premières tentatives de coordination internationale sur la gouvernance des systèmes avancés. Mais la tension entre la course à l’AGI (motivée par des enjeux économiques et géopolitiques massifs) et la gouvernance prudente (motivée par les risques potentiellement existentiels) reste le conflit central du domaine.

Impact économique potentiel

Le Council of Economic Advisers de la Maison-Blanche (rapport de janvier 2026) note que l’AGI, si elle peut effectuer toutes les tâches humaines, conduirait à une croissance explosive et à un monde fondamentalement différent. Cependant, le rapport se concentre sur l’IA « narrow » actuelle car les implications de l’AGI sont encore trop incertaines pour être modélisées de manière fiable.

Les scénarios vont de l’optimisme radical (post-rareté, élimination des maladies, expansion indéfinie de la longévité humaine) au pessimisme existentiel (déplacement massif d’emplois, concentration extrême du pouvoir, risques existentiels). La réalité sera probablement plus nuancée et dépendra fortement de la manière dont l’AGI est développée, gouvernée et distribuée.

Verdict

L’AGI est simultanément le concept le plus discuté et le plus mal défini de l’IA. L’absence de définition consensuelle rend les débats sur les timelines confus : quand Elon Musk dit « 2026 » et que Demis Hassabis dit « 50 % de chance d’ici 2030 », ils ne parlent probablement pas de la même chose. La position d’Anthropic (Dario Amodei) consistant à rejeter le terme « AGI » comme marketing et à se concentrer sur les capacités concrètes et leurs implications est la plus intellectuellement honnête.

Ce qui est clair : les capacités des systèmes d’IA progressent rapidement, les timelines de prédiction se sont compressées de manière spectaculaire (de 50 ans à 5 ans sur Metaculus), et les entreprises les plus puissantes du monde investissent massivement pour atteindre l’AGI. Que le mot « AGI » soit le bon ou non, quelque chose d’historiquement significatif se construit.

Pour les professionnels tech : ne restez pas bloqués sur le débat « quand est-ce que l’AGI arrivera ? ». Concentrez-vous sur les capacités concrètes qui émergent trimestre après trimestre (agents autonomes, raisonnement multi-étapes, utilisation d’outils, collaboration d’agents) et sur leurs implications pour votre secteur. La question utile n’est pas « est-ce l’AGI ? » mais « ce système peut-il faire X que seuls des humains pouvaient faire il y a un an ? ».