L'AGI, c'est quoi, et où on en est vraiment ?

L'AGI, ou artificial general intelligence (intelligence artificielle générale), désigne une IA aussi polyvalente qu'un humain : capable de raisonner, d'apprendre et de s'adapter sur n'importe quelle tâche intellectuelle, pas seulement celles pour lesquelles elle a été entraînée. On n'y est pas. Et, point souvent passé sous silence, même sa définition fait débat parmi les chercheurs.

Le terme circule beaucoup, porté par les annonces des grands laboratoires. Il vaut donc la peine de poser ce qu'il recouvre, ce qui le sépare de l'IA que tu utilises déjà, et où en est réellement la recherche.

IA étroite, IA générale, superintelligence

Trois niveaux à ne pas confondre.

L'IA étroite (narrow AI) est celle d'aujourd'hui. Un LLM (large language model, modèle de langage entraîné sur d'immenses corpus de texte) comme GPT-5.5, Claude Opus 4.8 ou Gemini 3.5 Pro couvre une étendue de tâches impressionnante : écrire, traduire, coder, résumer. Mais il reste étroit au sens où sa compétence s'effondre sur des problèmes vraiment hors de sa distribution d'entraînement, et où il n'a ni compréhension du monde physique ni véritable autonomie. Il prédit la suite la plus plausible, ce qui n'est pas la même chose que savoir.

L'AGI serait le niveau au-dessus : une IA générale, qui transfère une compétence d'un domaine à un autre et apprend une tâche inédite à partir de quelques exemples, comme une personne. Pas un modèle plus gros, mais un modèle qualitativement différent dans sa robustesse.

La superintelligence (ASI) désigne un système qui dépasserait l'humain sur à peu près tout. C'est de la prospective : on ne sait ni la construire, ni même décrire précisément à quoi elle ressemblerait.

Pourquoi la définition reste floue

Il n'existe pas de définition consensuelle de l'AGI, ni de test unique reconnu pour dire qu'on y est arrivé. C'est le coeur du problème.

Chacun tire la définition vers son camp. Google DeepMind décrit l'intelligence comme un ensemble de facultés (perception, mémoire, apprentissage, raisonnement, métacognition) à évaluer par une batterie de tests. Sam Altman, le patron d'OpenAI, a lui-même qualifié le terme de peu utile, parce que tout le monde l'entend autrement. Quand le mot veut dire une chose différente pour chaque interlocuteur, annoncer son arrivée ne prouve plus grand-chose.

Le vieux test de Turing ne tranche plus : un modèle peut tenir une conversation crédible sans rien comprendre. La communauté a donc construit des benchmarks plus exigeants. ARC-AGI-2, conçu pour mesurer le raisonnement abstrait sur des problèmes réellement nouveaux, illustre l'écart : au printemps 2026, les modèles de pointe y plafonnent à quelques pour cent quand un humain en résout la quasi-totalité. La conversation est fluide, le raisonnement fondamentalement nouveau, beaucoup moins.

Où on en est, sans prédiction de date

Les progrès sont rapides et bien réels. Les modèles qui raisonnent découpent un problème en étapes avant de répondre, ce qui améliore nettement les résultats en maths et en code. Les lois d'échelle (scaling laws) montrent que plus de données et de calcul font monter les performances de façon assez prévisible.

Trois limites tiennent pourtant bon, en juin 2026.

Le raisonnement robuste reste fragile : face à un problème vraiment inédit, et non une variante de l'entraînement, les modèles décrochent. La fiabilité aussi : un LLM produit encore des réponses fausses avec aplomb, parce qu'il optimise la plausibilité, pas la vérité. C'est le phénomène d'hallucination. Enfin le monde physique : manipuler des objets, percevoir un environnement réel, agir avec bon sens dans l'espace dépasse largement ce que sait faire un LLM.

Sur le calendrier, les experts qui construisent ces systèmes divergent du tout au tout : certains parlent de quelques années, d'autres d'une décennie, d'autres encore estiment que les architectures actuelles n'y mèneront pas. Personne ne sait. Toute date présentée comme acquise est une opinion, pas un fait.

Pierre n'attend pas l'AGI

Pierre dirige Maisons&Mobilia (M&M), une enseigne de meubles. Il lit partout que « tout va changer avec l'AGI » et se demande s'il doit patienter avant d'investir.

Il n'a aucune raison d'attendre. Cette semaine, Sophie, à la compta, fait résumer par une IA les notes de frais éparpillées d'un chantier de réaménagement de magasin et obtient un tableau propre en quelques minutes. Antoine, au marketing, génère cinq variantes d'une fiche produit et garde la meilleure après relecture. L'équipe pose ses questions à un assistant branché sur les fiches techniques fournisseurs, au lieu de fouiller un classeur partagé.

Aucun de ces usages n'a besoin d'AGI. Ils tiennent avec l'IA étroite d'aujourd'hui, à deux conditions : cadrer le périmètre (une tâche précise, pas « gère mon entreprise ») et relire les sorties, parce que le modèle peut se tromper avec assurance. La valeur est concrète et disponible maintenant. Elle ne dépend pas d'une percée future.

	IA actuelle (étroite)	AGI	Superintelligence
Statut	Existe et déployée	Objectif théorique, pas atteint	Hypothétique
Polyvalence	Large mais faillible hors périmètre	Aussi générale qu'un humain	Au-delà de l'humain
Apprend une tâche inédite	Mal, hors distribution	Oui, avec peu d'exemples	Oui
Utilisable au travail aujourd'hui	Oui, sur tâches cadrées	Sans objet	Sans objet

La bonne question n'est pas « quand l'AGI arrive », sur laquelle personne n'a de réponse fiable. C'est « quelles tâches précises l'IA d'aujourd'hui fait-elle déjà bien chez moi », à laquelle tu peux répondre dès cette semaine.

Aller plus loin

Pour distinguer ce que fait vraiment l'IA actuelle d'un fantasme de remplacement total, l'article l'IA va-t-elle remplacer mon métier ? remet les choses à l'échelle. Pour comprendre la brique de base, vois c'est quoi un LLM. Et pour creuser ce qui sépare un modèle qui répond d'un modèle qui raisonne, lis les modèles qui raisonnent.

Sur l'app saisir.ai, le thème Concepts reprend ces notions une à une, en quelques minutes par jour.