Altman, Amodei, Hassabis et Huang ne parlent pas de la même AGI

L’AGI, ou intelligence artificielle générale, sert aujourd’hui de mot-valise pour des ambitions très différentes : un travailleur autonome économiquement rentable, un chercheur numérique de niveau Nobel, une machine dotée de toute l’étendue cognitive humaine, ou encore un système excellent dans les évaluations.

Cet écart de définition explique pourquoi des prévisions pourtant très affirmatives peuvent coexister. Il explique aussi pourquoi la confiance du public dépend de plus en plus d’évaluations indépendantes, et non de la seule déclaration des dirigeants des entreprises qui conçoivent ces modèles.

Quatre dirigeants, quatre seuils

Sam Altman : l’AGI comme autonomie économiquement utile

La définition souvent citée d’OpenAI décrit l’AGI comme des « systèmes hautement autonomes qui surpassent les humains dans la plupart des travaux ayant une valeur économique ». Le seuil est donc avant tout pratique et économique : l’enjeu est la capacité à accomplir, à grande échelle, un travail utile — pas la reproduction parfaite de la cognition humaine.

Dans ses communications plus récentes, OpenAI met l’accent sur l’autonomie de décision des personnes. L’entreprise dit vouloir créer des systèmes qui aident chacun à poursuivre ses propres objectifs plutôt que de remplacer le jugement humain ; elle affirme aussi qu’automatiser intégralement toute activité serait à la fois dangereux et peu épanouissant. 23 Son cadre sur l’évolution des emplois rappelle de même qu’automatiser des tâches ne supprime pas automatiquement un métier : l’humain peut rester indispensable pour délivrer le service, superviser ou assumer la responsabilité. 25

Entre l’outil performant, l’agent autonome et l’AGI, la frontière reste donc large et mobile. La définition économique peut aider à suivre l’impact réel des systèmes, mais elle ne fournit pas un test scientifique public.

Dario Amodei : une « IA puissante » aux capacités extraordinaires, mais plus concrètes

Le dirigeant d’Anthropic, Dario Amodei, préfère généralement l’expression « IA puissante » à celle d’AGI. Dans une contribution de politique publique, Anthropic définit cette IA comme une avancée majeure par rapport aux modèles actuels : des capacités intellectuelles équivalentes ou supérieures à celles de lauréats du prix Nobel dans la plupart des disciplines ; l’aptitude à utiliser les interfaces numériques accessibles aux travailleurs humains ; et la faculté d’exécuter de manière autonome des travaux complexes. 3

Anthropic prévoit l’arrivée de tels systèmes fin 2026 ou début 2027. Amodei a comparé cette perspective à « un pays de génies dans un centre de données », en insistant sur les conséquences économiques, sécuritaires et géopolitiques d’une telle concentration de capacités. 6 7

Le cadre est plus précis qu’une simple étiquette « AGI », mais il agrège encore plusieurs exigences difficiles : expertise étendue, autonomie, usage d’outils et fiabilité durable. Un modèle pourrait satisfaire certaines de ces conditions bien avant de les remplir toutes.

Demis Hassabis : l’AGI comme totalité des facultés cognitives humaines

Pour Demis Hassabis, directeur général de Google DeepMind, le seuil est plus élevé : l’AGI serait un système disposant de l’ensemble des capacités cognitives humaines. Il estime qu’une IA de niveau humain pourrait voir le jour au cours de cette décennie, tout en soulignant que les systèmes actuels sont « loin, très loin » d’une AGI de niveau humain. 33 38

Cette approche fait de l’AGI moins un jalon commercial qu’un seuil scientifique, fondé sur une véritable généralité. Elle exige davantage que de bons résultats à des examens ou des performances impressionnantes dans quelques professions : le système devrait fonctionner sur toute la diversité de la cognition humaine.

Jensen Huang : l’AGI comme performance supérieure dans les tests

Jensen Huang, le patron de Nvidia, emploie une définition davantage centrée sur les benchmarks. En 2024, il a estimé que l’AGI pourrait arriver en cinq ans si on la définit comme une IA capable de dépasser les humains dans pratiquement tous les tests ; des informations publiées en 2026 ont présenté sa position comme une déclaration selon laquelle l’AGI aurait été atteinte selon un critère pratique bien plus souple. 34

L’avantage de cette approche est sa simplicité : les tests produisent des scores. Sa limite l’est tout autant : réussir de nombreux tests ne démontre pas, à lui seul, une autonomie fiable sur la durée, un jugement solide ou une conduite sûre dans les situations désordonnées du monde réel.

Ces échéances ne mesurent pas le même événement

Ces dirigeants ne prédisent pas seulement des dates différentes pour un même basculement. Ils visent des destinations différentes :

• Altman / OpenAI : une performance autonome dans la plupart des travaux économiquement utiles ;
• Amodei / Anthropic : un travail intellectuel largement de niveau Nobel, associé à une exécution numérique autonome de longue durée ;
• Hassabis / DeepMind : toute l’étendue des capacités cognitives humaines ;
• Huang / Nvidia : des performances dépassant celles des humains dans un vaste ensemble de tests.

Une IA peut dominer un grand nombre de benchmarks sans être capable de mener seule plusieurs semaines de recherche. Elle peut automatiser une part importante du travail numérique sans posséder tout le répertoire cognitif d’une personne. Il ne faut donc pas lire ces échéances comme un unique compte à rebours vers l’AGI.

Pourquoi l’AGI est parfois jugée « spirituelle » ou impossible à tester

L’objection n’est pas que les capacités d’une IA seraient impossibles à mesurer. Elles le sont. Le problème est que l’AGI ne dispose d’aucune règle commune, indépendante et publique permettant de conclure clairement : réussite ou échec.

Une proposition universitaire qualifie l’AGI de concept controversé et la définit de façon opérationnelle comme une capacité au moins humaine dans la plupart des tâches. Cette formule illustre à la fois l’effort pour rendre le terme mesurable et les choix non résolus qu’elle dissimule : quelles tâches, quels humains de référence, quel niveau de fiabilité et dans quelles conditions ? 50

Un test public crédible exigerait au minimum :

1. une distribution de tâches clairement définie, plutôt qu’une succession de démonstrations changeantes ;
2. des seuils de performance et de fiabilité, y compris la fréquence des échecs ;
3. des tests d’autonomie de longue durée et d’usage d’outils, pas seulement des réponses ponctuelles ;
4. des protections contre l’entraînement spécifiquement conçu pour réussir l’évaluation ;
5. un accès indépendant suffisant pour reproduire ou auditer les résultats.

Sans cette infrastructure, l’AGI peut devenir un titre de prestige revendiqué par les organisations qui ont le plus intérêt à déplacer la ligne d’arrivée. L’AI Now Institute critique des métriques souvent étroites, vagues et avantageuses pour ceux qui les proposent. 62

Derrière le vocabulaire, un problème de confiance

Le débat sur l’AGI révèle une crise plus générale de crédibilité. Les entreprises peuvent annoncer des capacités transformatrices, alors que salariés et clients rencontrent des systèmes encore inégaux, sujets aux erreurs ou difficiles à déployer de manière fiable. Ce décalage ne prouve pas que toutes les prévisions de long terme sont erronées. Il signifie en revanche que des affirmations exceptionnelles exigent des preuves observables et des prévisions dont les auteurs rendent compte.

Le débat sur l’emploi le montre bien. OpenAI affirme que l’IA transformera le travail, que certains postes disparaîtront, mais que les données disponibles suggèrent jusqu’ici qu’elle agit davantage comme un outil d’appui que comme un substitut. 17 Ces affirmations ne sont pas nécessairement contradictoires : automatisation de tâches, transformation des métiers et suppression d’emplois sont trois phénomènes distincts. Mais la confiance publique souffre lorsque les projections de bouleversement massif ne s’accompagnent pas de mesures transparentes des effets réellement constatés sur le marché du travail.

Passer des labels AGI à un contrôle fondé sur les capacités

Un modèle de gouvernance plus solide chercherait moins à trancher si un système a « atteint l’AGI » qu’à évaluer les capacités précises qu’il présente et les risques associés.

L’approche AI Safety Levels d’Anthropic suit une logique conditionnelle explicite : si un modèle possède une capacité dangereuse définie, des garanties déterminées doivent être en place avant tout déploiement ou montée en puissance supplémentaire. 5 Le cadre politique ultérieur d’Anthropic appelle à la transparence, aux évaluations indépendantes et à une autorité publique capable de bloquer ou de décourager les déploiements dangereux. 10

Sam Altman a lui aussi plaidé pour une validation externe et des évaluations indépendantes des risques des modèles puissants, avec des tests avant publication et la diffusion des résultats d’évaluation. 49

Demis Hassabis a proposé un organisme américain de normes pour l’IA de frontière, inspiré de la FINRA — l’autorité d’autorégulation du secteur financier américain, financée par l’industrie mais soumise à un contrôle public. Cette structure évaluerait de manière indépendante les modèles les plus avancés avant leur mise sur le marché. 52 Selon les informations rapportées sur cette proposition, plusieurs dirigeants de laboratoires de pointe se rejoignent au moins sur un principe : des tiers devraient tester les systèmes avancés et contribuer à définir les normes qui guideront les politiques publiques. 51

L’écart entre les propositions et les obligations effectives reste cependant considérable. L’AI Safety Index 2026 du Future of Life Institute indiquait qu’il n’existait pas de réglementations ou normes nationales contraignantes visant explicitement les risques de l’IA de frontière et les processus d’évaluation correspondants. 59

À quoi ressembleraient des affirmations crédibles sur l’IA

La question utile pour le public n’est pas : « L’AGI est-elle arrivée ? » Elle est plutôt : « Que peut faire ce modèle, avec quelle fiabilité, qu’est-ce qui peut mal tourner, et qui a vérifié ces réponses de façon indépendante ? »

Cela conduit à des exigences ciblées :

• des protocoles d’évaluation publics pour les capacités à haut risque en matière de cyberattaque, de biologie et de tromperie ;
• des tests indépendants avant déploiement et des exercices de red teaming ;
• des informations sur la fiabilité, les incidents et les changements importants dans les conditions de déploiement ;
• des garanties et des limites d’accès liées à des seuils de risque démontrés ;
• des conséquences juridiques en cas de non-respect, au-delà de simples engagements volontaires.

L’AGI peut rester une ambition forte, un terme de communication et une question philosophique. Elle constitue un mauvais déclencheur réglementaire tant que sa proclamation ne s’appuie pas sur des preuves publiques. La confiance se gagnera lorsque les développeurs ne pourront plus redéfinir seuls le jalon, annoncer l’avoir franchi, puis certifier eux-mêmes la sûreté de leurs systèmes.