Accueil › Glossaire › General AI

General AI (AGI) : l’intelligence artificielle générale

L’AGI (Artificial General Intelligence, ou intelligence artificielle générale) désigne un système d’IA hypothétique capable d’égaler ou de dépasser les capacités cognitives humaines sur l’ensemble des tâches intellectuelles, avec la capacité de transférer ses connaissances entre domaines sans reprogrammation spécifique.

Contrairement à la Narrow AI que vous utilisez tous les jours (ChatGPT, Claude, moteurs de recommandation), l’AGI n’existe pas encore. Aucun système actuel, aussi impressionnant soit-il, ne satisfait les critères formels de l’intelligence générale. Pourtant, l’AGI est devenu l’objectif déclaré de pratiquement tous les grands laboratoires d’IA : OpenAI, Google DeepMind, Anthropic, xAI, Meta. Le débat porte désormais moins sur le « si » que sur le « quand » et le « comment ».

Définition détaillée de l’AGI

Il n’existe pas de définition universellement acceptée de l’AGI, ce qui est en soi un problème majeur du domaine. Le terme a été popularisé par Shane Legg et Ben Goertzel autour de 2002, mais le concept remonte aux débuts de l’IA dans les années 1950, quand les pionniers comme Herbert Simon pensaient que des machines capables de faire « tout travail qu’un homme peut faire » seraient disponibles en quelques décennies.

Voici les définitions les plus influentes :

Le cadre « Levels of AGI » de DeepMind

En novembre 2023, une équipe de Google DeepMind a publié un article fondateur proposant une taxonomie structurée pour classer les systèmes sur le chemin vers l’AGI. Ce cadre est devenu une référence dans l’industrie. En mars 2026, DeepMind a complété ce travail avec un nouveau papier (« Measuring Progress Toward AGI: A Cognitive Taxonomy ») et un hackathon Kaggle à 200 000 $ pour construire les évaluations nécessaires.

Les 5 niveaux de performance

Le point essentiel de ce cadre : l’AGI n’est pas un événement binaire (« on y est ou on n’y est pas »), mais un spectre. Un système peut être « Narrow Expert » (surpasser 90 % des humains sur une tâche précise, comme jouer aux échecs) sans être « General Competent ». C’est exactement ce qu’on observe avec les LLM actuels : performances de niveau expert sur certaines tâches (code, raisonnement mathématique), mais fragilité sur d’autres.

Les 10 capacités cognitives (mars 2026)

Le nouveau cadre cognitif de DeepMind identifie 10 capacités clés pour l’intelligence générale, issues de décennies de recherche en psychologie et neurosciences :

L’hypothèse de DeepMind : un système présentant des faiblesses évidentes sur l’une de ces 10 dimensions ne pourra pas accomplir la plupart des tâches réelles qu’un humain peut faire, et ne sera donc pas véritablement « général ». Le hackathon Kaggle (mars-avril 2026, résultats en juin) vise à créer des évaluations concrètes pour les 5 capacités les moins bien couvertes par les benchmarks existants : apprentissage, métacognition, attention, fonctions exécutives et cognition sociale.

AGI vs Narrow AI : les différences fondamentales

État de la recherche et prédictions

Prédictions des leaders de l’industrie

Les dirigeants des grands laboratoires d’IA sont notoirement optimistes sur les délais, et leurs prédictions se sont accélérées ces dernières années :

Prédictions académiques et marchés

Les chercheurs sont significativement plus prudents. Selon la plus grande enquête auprès de chercheurs en IA (2 700+ participants), la probabilité estimée que l’IA surpasse les humains sur la plupart des tâches avant 2030 est d’environ 10 %. La médiane se situe plutôt entre 2040 et 2060.

Les marchés prédictifs offrent un point de vue intermédiaire. En janvier 2026, les prévisions sur Metaculus plaçaient le premier système « faiblement général » autour de février 2028 et le premier système passant un test de Turing adversarial approfondi autour d’avril 2029. Sur Polymarket, la probabilité qu’OpenAI atteigne l’AGI avant 2027 était estimée à seulement 9 %. Sur Kalshi, la probabilité d’une AGI OpenAI avant 2030 était de 40 %.

La feuille de route d’OpenAI

En octobre 2025, Sam Altman et Jakub Pachocki (Chief Scientist d’OpenAI) ont présenté une roadmap concrète :

Avant septembre 2026, les modèles OpenAI devraient atteindre le niveau de « stagiaire en recherche IA », capable d’assister un chercheur humain de manière significative. Avant mars 2028, l’objectif est un « chercheur IA automatisé » capable de mener des projets de recherche de manière autonome. La vision d’Altman : l’AGI n’est pas un moment magique mais un processus graduel, et « nous sommes déjà sur ce chemin ».

Point notable : dans le cadre de la restructuration d’OpenAI en société à but lucratif, un nouvel accord avec Microsoft prévoit que toute déclaration d’AGI par OpenAI devra être vérifiée par un panel d’experts indépendants. Les droits de propriété intellectuelle de Microsoft sur les modèles sont étendus jusqu’en 2032, y compris pour les modèles post-AGI.

Approches techniques vers l’AGI

L’hypothèse du scaling

L’approche dominante chez OpenAI, Anthropic et Google repose sur l’idée que l’augmentation continue de la taille des modèles, de la qualité des données et du compute d’entraînement conduira progressivement vers l’AGI. Les lois de scaling (Kaplan et al., Chinchilla) ont montré une relation prévisible entre compute et performance. Le débat : cette relation s’étend-elle jusqu’à l’intelligence générale, ou y a-t-il un plafond ?

Des signaux contradictoires existent. D’un côté, les progrès sur les benchmarks de raisonnement sont spectaculaires (scores ARC-AGI-2 qui passent de 20 % à 50 % en quelques mois). De l’autre, les modèles continuent d’échouer sur des tâches de bon sens simples, et certaines voix dans le domaine (dont Ilya Sutskever) ont suggéré que le scaling pur des LLM atteint des rendements décroissants.

Nouvelles architectures

Yann LeCun (Meta) est le critique le plus vocal de l’approche LLM pour atteindre l’AGI. Sa position : les architectures autorégressives actuelles sont fondamentalement incapables de raisonnement causal et de planification véritable. Il propose une architecture alternative (JEPA, Joint Embedding Predictive Architecture) qui modélise le monde dans un espace latent plutôt que de prédire des tokens.

D’autres pistes de recherche incluent les systèmes hybrides combinant raisonnement symbolique et apprentissage neuronal, les architectures à mémoire persistante, l’apprentissage par renforcement avec modèle du monde, et les approches neurosymboliques. Aucune n’a encore démontré de percée décisive vers la généralité.

Les agents IA comme étape intermédiaire

L’approche « agentique » est considérée par beaucoup comme le chemin pratique vers une IA plus générale. Plutôt que de construire un modèle unique capable de tout, on orchestre plusieurs systèmes spécialisés (Narrow AI) au sein d’un framework d’agents IA. Un agent peut planifier, utiliser des outils (tool use), chercher des informations, exécuter du code et itérer sur les résultats.

Les architectures multi-agents poussent cette logique encore plus loin, avec des systèmes qui collaborent et se spécialisent. OpenAI prévoit des systèmes « agentic AI » capables de doubler la capacité de travail des équipes. Mais cette approche reste fondamentalement de la Narrow AI orchestrée, pas de l’AGI au sens strict.

Le progrès en raisonnement

Les modèles de raisonnement (o3 d’OpenAI, GPT-5.4 Thinking, Gemini « Deep Think ») représentent l’avancée la plus significative vers des capacités AGI-like. Ils allouent du temps de calcul supplémentaire au moment de l’inférence pour « réfléchir » plus longuement. Gemini « Deep Think » a atteint le niveau médaille d’or à l’Olympiade Internationale de Mathématiques en 2025, résolvant 5 problèmes sur 6 dans le temps imparti.

Cependant, comme le soulignent les critiques, la performance sur des problèmes mathématiques bien structurés ne garantit pas la généralité. La découverte scientifique, le raisonnement créatif et la formulation de nouvelles questions restent des défis largement non résolus.

Risques et enjeux de l’AGI

Le débat sur le risque existentiel

En mai 2023, les dirigeants d’OpenAI, DeepMind et Anthropic, ainsi que des centaines de chercheurs, ont signé une déclaration affirmant que « la réduction du risque d’extinction lié à l’IA devrait être une priorité mondiale ». Cette position reste controversée. Certains chercheurs (dont Andrew Ng et Yann LeCun) estiment que ces craintes sont prématurées, voire instrumentalisées pour justifier une concentration du pouvoir dans les mains de quelques labs et favoriser une forme de capture réglementaire.

Le problème de l’alignement

L’alignement est le défi technique central de l’AGI : comment s’assurer qu’un système plus intelligent que ses créateurs poursuit des objectifs compatibles avec les intérêts humains ? Les techniques actuelles (RLHF, DPO, Constitutional AI) fonctionnent pour la Narrow AI, mais leur extrapolation à des systèmes véritablement généraux est incertaine. OpenAI a défini un cadre de sécurité à 5 niveaux (alignement des valeurs, alignement des objectifs, fiabilité, robustesse adversariale, sécurité systémique), mais ces mécanismes restent à prouver à l’échelle AGI.

Impact économique

L’impact économique potentiel de l’AGI est difficile à surestimer. Un rapport du Council of Economic Advisers de la Maison-Blanche (janvier 2026) note qu’une IA capable d’accomplir toutes les tâches humaines entraînerait une « croissance absolument explosive » et un monde radicalement différent. Les projections varient : automatisation de 60 à 80 % des activités transversales, cycles d’innovation réduits de 6-12 mois à 1-3 mois, transformation complète des chaînes de valeur.

Le revers : une disruption massive de l’emploi. Elon Musk prédit que « quasiment tous les emplois basés sur un clavier et une souris perdront leur compétitivité face à l’intelligence numérique ». Les cols blancs seraient les premiers touchés, avant que les capacités robotiques n’étendent l’impact aux métiers manuels.

Questions de régulation

Le EU AI Act ne réglemente pas spécifiquement l’AGI mais classe les systèmes par risque. La question ouverte : les cadres réglementaires actuels seront-ils adaptés si un système véritablement général émerge ? Le cadre d’Anthropic (Responsible Scaling Policy) propose une approche par niveaux de sécurité (ASL), inspirée des niveaux de biosécurité, où chaque palier de capacité déclenche des mesures de confinement et de déploiement plus strictes.

Critiques et scepticisme

La confusion benchmarks / intelligence

Un article académique de février 2026 (Quattrociocchi & Capraro, publié dans une revue scientifique à comité de lecture) argumente que les affirmations récentes d’AGI reposent sur une erreur conceptuelle : confondre des approximations statistiques de plus en plus sophistiquées avec l’intelligence elle-même. Réussir un benchmark ne prouve pas l’intelligence générale, tout comme un perroquet qui répète des phrases ne comprend pas le langage.

Le problème de la définition mouvante

Chaque fois qu’un système IA accomplit quelque chose qu’on pensait réservé à l’intelligence générale, la définition de l’AGI se déplace. Battre un champion d’échecs ? Ce n’est plus de l’AGI. Passer des examens de droit ? Pas suffisant non plus. Ce phénomène, parfois appelé « l’effet IA » (dès qu’un problème est résolu par IA, il cesse d’être considéré comme de l’intelligence), rend le concept d’AGI intrinsèquement fuyant.

Les limites fondamentales des architectures actuelles

François Chollet (créateur du benchmark ARC et de Keras) et d’autres chercheurs argumentent que les LLM actuels, quelle que soit leur taille, ne possèdent pas les mécanismes nécessaires pour la véritable généralisation. Leur performance provient de la mémorisation et de l’interpolation de patterns dans les données d’entraînement, pas de la compréhension causale ou de la capacité à résoudre des problèmes véritablement inédits. Pour ces critiques, atteindre l’AGI nécessitera des architectures fondamentalement nouvelles, pas simplement plus de scaling.

Investissements et course à l’AGI

La course à l’AGI mobilise des capitaux sans précédent dans l’histoire de la technologie :

Au total, les Big Tech prévoyaient collectivement plus de 320 milliards de dollars d’investissement en infrastructure IA pour 2025, un chiffre en hausse continue. L’entraînement d’un modèle frontier coûte désormais plus de 100 millions de dollars, et les coûts augmentent à chaque génération.

Ce que l’AGI signifie pour vous

À court terme (2026-2028)

Vous n’interagirez pas avec une AGI dans les prochaines années, mais vous verrez des systèmes de Narrow AI de plus en plus polyvalents et autonomes. Les agents IA capables de mener des tâches complexes sur plusieurs étapes se généralisent. La distinction entre « IA très compétente sur beaucoup de tâches » et « véritable AGI » deviendra de plus en plus floue pour l’utilisateur final.

À moyen terme (2028-2035)

Si les prédictions optimistes se vérifient, des systèmes « proto-AGI » pourraient émerger : des IA capables de raisonnement multidomaine, d’apprentissage autonome dans de nouveaux contextes et de découverte scientifique indépendante. L’impact sur l’emploi qualifié, la recherche et l’innovation serait considérable.

Recommandations pratiques

Ne pariez pas votre stratégie sur une date d’arrivée de l’AGI. Exploitez au maximum la Narrow AI disponible maintenant. Investissez dans la sécurité IA et l’alignement si vous développez des systèmes. Suivez les cadres réglementaires (EU AI Act) qui s’appliquent dès maintenant aux systèmes ANI à haut risque. Et gardez un scepticisme sain face aux annonces marketing qui confondent progrès incrémentaux et révolution cognitive.