Ce que signifie l’AGI

Peu de termes de la technologie pèsent aussi lourd avec aussi peu de consensus. L’intelligence artificielle générale, ou AGI selon le sigle anglais, est l’objectif déclaré des plus grands laboratoires d’IA, l’objet d’une célèbre clause contractuelle et l’horizon de nombreuses prévisions.

Voici ce que le terme signifie, où en sont les systèmes à l’automne 2026, et ce qu’une entreprise devrait en faire selon nous.

Ce que l’on entend par AGI

Commençons par trois termes simples. L’IA spécialisée fait un seul travail, souvent mieux que n’importe quelle personne : un programme d’échecs, un filtre antispam, un modèle qui prédit le repliement des protéines. L’IA générale ferait l’essentiel du travail intellectuel des êtres humains, dans tous les domaines, et apprendrait un travail nouveau comme le fait une personne. La superintelligence surpasserait chaque personne dans presque tout. L’IA spécialisée est partout. Le débat porte sur les deux autres.

La définition la plus citée figure dans la charte d’OpenAI de 2018 : des systèmes hautement autonomes qui surpassent les humains dans la plupart des travaux à valeur économique. Elle mesure le travail, pas l’esprit.

En 2023, des chercheurs de Google DeepMind réunis autour de Meredith Ringel Morris ont proposé des niveaux plutôt qu’une ligne d’arrivée unique. Ils évaluent un système selon sa performance, d’émergent à surhumain, et selon son degré de généralité. AlphaFold est surhumain, mais spécialisé. Ils ont placé ChatGPT, Bard, Llama 2 et Gemini au premier niveau de l’IA générale : égal ou légèrement supérieur à une personne sans qualification. L’autonomie, notaient-ils, est une question à part.

En octobre 2025, Dan Hendrycks et 32 coauteurs ont défini l’AGI comme une IA qui atteint la polyvalence et la compétence cognitives d’un adulte bien formé, mesurées dans dix domaines comme le raisonnement, la mémoire et la perception. GPT-4 obtenait 27 pour cent, GPT-5 57 pour cent. Le profil était irrégulier : fort là où le savoir aide, faible sur des bases comme la capacité à retenir ce qu’il apprend dans la durée.

L’ARC Prize Foundation définit l’AGI comme un système capable d’acquérir toute compétence qu’un humain peut acquérir, aussi efficacement qu’un humain. Elle construit ses tests autour de cette idée.

Où en sont les systèmes en 2026

Le mouvement le plus net de l’année est venu du test le plus récent de la fondation. Au lancement d’ARC-AGI-3 en mars, une série de jeux interactifs sans instructions, les humains ont résolu tous les jeux et les meilleurs systèmes d’IA ont obtenu 0,51 pour cent. En septembre, GPT-6 Astra d’OpenAI a atteint 62,7 pour cent dans la configuration standard, et 99,9 pour cent dans une configuration qui conserve le raisonnement caché du modèle d’une étape à l’autre. La fondation y a vu un saut, tout en précisant qu’elle n’affirme pas que ce résultat soit de l’AGI : le test a un périmètre étroitement délimité et ne rend pas compte de l’ouverture et de la complexité du monde réel.

Le travail réel avance plus lentement. METR chronomètre des agents IA sur des tâches logicielles et compare avec des personnes qualifiées. En mai, METR a indiqué que les meilleurs modèles publics réussissaient une fois sur deux des tâches qui prennent environ 12 heures à une personne. Pour réussir quatre fois sur cinq, les tâches devaient descendre à environ une heure et demie. Les longues tâches peuvent être tentées. Les courtes sont menées à bien de manière fiable.

Les figures du secteur ne s’accordent pas sur la distance qui reste. En août, Sam Altman a déclaré à TIME qu’OpenAI n’y était pas encore tout à fait, mais qu’elle disposerait d’ici la fin de l’année d’un système interne qu’il appellerait AGI. À Davos en janvier, Demis Hassabis, de Google DeepMind, a estimé que les systèmes actuels sont très loin d’une AGI de niveau humain et qu’il faudra peut-être encore une ou deux percées. Yann LeCun, qui a quitté Meta pour fonder AMI Labs, a soutenu que des modèles entraînés sur du texte n’atteindront jamais une intelligence de niveau humain, faute d’un modèle des causes et des effets dans le monde réel.

Au total, les systèmes actuels sont surhumains pour certaines tâches, experts pour beaucoup, et encore faibles quand il s’agit de se souvenir, d’apprendre en travaillant et de rester fiables sur la durée. Que cela compte comme AGI dépend de la définition que l’on retient.

Pourquoi le mot compte malgré tout

Pendant des années, le mot a eu un prix. Dans le partenariat d’origine, Microsoft devait perdre ses droits sur la technologie d’OpenAI dès qu’OpenAI atteindrait l’AGI. En décembre 2024, The Information a fait état d’un critère financier : l’AGI serait atteinte lorsque les systèmes d’OpenAI généreraient au moins 100 milliards de dollars de bénéfices. En octobre 2025, les deux entreprises ont convenu qu’un panel d’experts indépendants devrait vérifier toute déclaration, et ont prolongé les droits de Microsoft jusqu’en 2032, y compris pour les modèles postérieurs à l’AGI.

En avril 2026, la clause est tombée. Les reversements de chiffre d’affaires d’OpenAI à Microsoft se poursuivent désormais jusqu’en 2030, dans la limite d’un plafond total et indépendamment des progrès technologiques d’OpenAI, et la licence de Microsoft jusqu’en 2032 n’est plus exclusive. Comme l’a résumé The Verge, il n’y a plus de panel, ni de règle sur ce qui se passe si, ou quand, l’AGI est déclarée.

Le mot porte aussi des promesses. La charte d’OpenAI engage l’entreprise à cesser de concurrencer un projet qui partage ses valeurs et se soucie de sécurité, et à commencer à l’aider, si ce projet s’approche de l’AGI avant elle. Une telle promesse ne fonctionne que si quelqu’un sait reconnaître le moment où l’on s’en approche.

Le législateur évite le mot. Le règlement européen sur l’IA (AI Act) encadre les modèles d’IA à usage général, dont les fournisseurs ont des obligations depuis le 2 août 2025, et présume un risque systémique pour un modèle entraîné avec plus de 10 puissance 25 opérations en virgule flottante. La loi compte ce qu’elle peut mesurer. Et une prévision d’AGI façonne les investissements, les recrutements et la patience des conseils d’administration bien avant que quiconque s’accorde sur ce qui est arrivé.

Ce que cela signifie pour une entreprise

Pour une entreprise, attendre une déclaration est la mauvaise stratégie. Elle ne viendra peut-être jamais, et le contrat montre qu’elle peut perdre son importance même pour ceux qui l’ont négociée. Le profil irrégulier est la partie utile : un même système peut être surhumain pour une tâche et peu fiable pour la suivante. La question n’est donc pas de savoir quand l’AGI arrivera. Elle est de savoir quel travail peut être confié dès maintenant, et sur quelles preuves.

Dressez la liste du travail que votre équipe répète : l’offre, la clôture du mois, la réponse à une demande standard, le premier jet d’une page. Posez trois questions pour chacun. Une machine peut-elle le faire assez bien aujourd’hui ? Une personne peut-elle vérifier le résultat en quelques minutes ? Une erreur peut-elle être annulée à peu de frais ? Commencez là où les trois réponses sont oui.

Confiez-le ensuite étape par étape. D’abord, la machine rédige et une personne décide. Quand les brouillons n’ont plus besoin de corrections sur assez de travail réel pour que cela compte, la machine exécute la routine et une personne valide à des points de contrôle fixes. Ensuite seulement, elle fonctionne seule, dans des règles écrites, chaque étape étant consignée. Tout au long du chemin, des personnes fixent la direction et vérifient le résultat. Ce qui change, c’est la part du travail intermédiaire que porte la machine.

Rien de tout cela n’attend une définition. Même un système qui réussirait tous les tests d’AGI aurait besoin du savoir d’une entreprise, de ses règles et d’une personne qui répond du résultat. Tout cela peut se construire maintenant, quel que soit le nom du prochain modèle.

La position de crue

Notre ligne dit : Guidé par l’humain. Propulsé par l’IA. Bientôt autonome. Elle décrit un chemin, pas une prévision sur l’AGI.

Aujourd’hui, chaque produit crue est guidé par l’humain. Des personnes apportent l’idée, l’expérience et le goût, l’IA se charge de la production, et des personnes relisent le résultat et y apportent la touche finale. Ensuite, les produits deviennent agentiques : des agents font l’essentiel du travail, et des personnes fixent les objectifs et valident aux points de contrôle. Puis vient l’autonomie, une routine après l’autre, à mesure que chacune la mérite.

Nous ne construisons pas d’AGI, et nous ne l’attendons pas. De meilleurs modèles rapprochent chaque étape, mais les étapes ne dépendent pas du nom qu’un laboratoire donne à son système. Helm, notre vision d’une entreprise dirigée par son fondateur avec des agents, est l’endroit où nous allons le plus loin sur ce chemin. Twin donne à une entreprise son cerveau IA, et Eigna un modèle privé qui lui est propre.

Si un système répond un jour à toutes les définitions de l’AGI, une entreprise se posera les mêmes questions qu’aujourd’hui : quel travail confier, qui fixe la direction et qui répond du résultat. Le mot continuera de bouger. Quelqu’un devra toujours tenir la barre.