Jensen Huang affirme que l’AGI est déjà là pour certaines tâches : ce que cela veut vraiment dire

Les propos de Jensen Huang sur l’intelligence artificielle générale (AGI) ne constituent pas une nouvelle définition scientifique unanimement reconnue. Ils correspondent plutôt à une lecture très opérationnelle — et très favorable au modèle économique de Nvidia — de l’évolution de l’IA.

Lors de la présentation des résultats du deuxième trimestre de son exercice fiscal 2027, le PDG de Nvidia a expliqué que l’IA était devenue réellement utile et que les agents pouvaient désormais effectuer des tâches à valeur ajoutée. « Pour de nombreuses tâches, on pourrait dire que nous avons déjà atteint l’AGI », a-t-il déclaré, qualifiant au passage les étapes traditionnelles censées marquer l’arrivée de l’AGI de « quelque peu dépourvues de sens ». 3448

La nuance est essentielle : Huang n’a ni défini un seuil reproductible, ni cité une batterie de tests, ni affirmé que les systèmes actuels possédaient une intelligence comparable à celle des humains dans tous les domaines. Son propos portait avant tout sur ce que l’IA sait faire de manière productive aujourd’hui — et sur les besoins en infrastructures informatiques que cette évolution entraîne.

Ce que Jensen Huang a réellement dit sur l’AGI

Huang a commencé l’appel en soulignant que « l’IA est devenue utile ». Il a surtout insisté sur la progression de l’IA dite agentique : des systèmes qui ne se contentent plus de répondre à une consigne, mais peuvent enchaîner plusieurs étapes, utiliser des outils et mener à bien une partie d’un travail.

Selon lui, un agent peut nécessiter environ 15 à 100 fois plus de puissance de calcul qu’une interaction pilotée directement par un humain, selon la nature du problème à résoudre. 3336

C’est dans ce contexte qu’il a estimé que l’AGI pouvait déjà être considérée comme atteinte « pour de nombreuses tâches ». Cette formulation ne décrit donc pas une machine capable d’accomplir de façon fiable presque tout travail intellectuel humain. Elle renvoie plutôt à des domaines précis dans lesquels l’IA peut déjà produire des résultats utiles.

Le message plus large de Nvidia est clair : il faudrait juger l’IA à l’aune de sa capacité à générer du travail concret et de la valeur économique. Les résultats de l’entreprise mettent eux aussi en avant l’utilisation de l’IA dans des systèmes réels et l’accélération de la demande chez les clients. 47

Une vision différente de l’idée traditionnelle d’AGI

Il n’existe pas de définition universellement acceptée de l’intelligence artificielle générale. Le concept est toutefois généralement associé à la généralité : la capacité à transférer ses connaissances et ses compétences à un large éventail de tâches nouvelles, y compris dans des domaines inconnus, plutôt qu’à exceller dans quelques secteurs seulement. 17

La lecture de Huang déplace le débat. Au lieu de rechercher un seuil cognitif unique, elle met l’accent sur l’utilité pratique. Dans cette perspective, une IA peut sembler proche de l’AGI dès lors qu’elle réalise des tâches économiquement intéressantes, même si elle dépend encore d’outils, de procédures soigneusement conçues, d’une supervision humaine ou d’un environnement technique spécialisé.

La distinction peut se résumer ainsi :

• Vision traditionnelle, centrée sur les capacités : l’AGI doit démontrer une compétence large et transférable face à des problèmes intellectuels nouveaux.
• Vision pratique de Huang : le seuil pertinent est déjà atteint dans les domaines où des agents peuvent accomplir un travail utile.
• Ce que cette affirmation ne démontre pas : elle ne prouve pas une capacité de raisonnement robuste, une autonomie fiable sur de longues séquences ou une compétence générale en dehors de flux de travail conçus par des humains.

Autrement dit, Huang soutient que la transition économique compte davantage que l’étiquette. Cela ne signifie pas que la question scientifique de l’AGI est tranchée.

Pourquoi la définition d’OpenAI est plus exigeante

La définition historique d’OpenAI est elle aussi fondée sur un résultat économique, mais elle place la barre plus haut : l’AGI serait « un système hautement autonome qui surpasse les humains dans la plupart des activités économiquement importantes ». 17

La différence tient à l’ampleur et au degré d’autonomie requis. Huang parle d’une IA efficace pour de nombreuses tâches. La définition d’OpenAI exige un système capable de surpasser les humains dans la plupart des travaux économiquement importants, avec un niveau élevé d’autonomie.

Sam Altman aurait par ailleurs déclaré qu’OpenAI pourrait disposer, d’ici la fin de 2026, d’un système interne que l’entreprise qualifierait d’AGI. Cette échéance doit être comprise comme un objectif évalué selon les propres critères d’OpenAI — et non comme la promesse de la sortie publique d’un système d’AGI ou d’une transformation immédiate de l’économie. 192228

Altman a également reconnu que les progrès techniques et leur adoption économique pouvaient suivre des calendriers différents. Les informations disponibles situent la superintelligence plus tard, vers la fin de 2028, ce qui rappelle que l’AGI, son déploiement public, son impact économique et la superintelligence sont des étapes distinctes. 1821

Le désaccord apparent entre Huang et Altman est donc à la fois une question de définition et de calendrier. Huang insiste sur l’utilité déjà observable ; Altman évoque le moment où OpenAI pourrait considérer qu’un système interne satisfait un standard plus large d’autonomie et de performance économique.

La principale critique : l’utilité ne suffit pas à prouver l’intelligence générale

La critique la plus solide adressée à Huang est simple : la valeur commerciale ne constitue pas, à elle seule, une preuve d’intelligence générale. Un système peut être très rentable tout en restant spécialisé, peu fiable ou fortement dépendant d’une infrastructure conçue et contrôlée par des humains.

Huang n’a pas fourni d’évaluation indépendante démontrant que les systèmes actuels satisfaisaient un critère d’intelligence générale. En l’absence d’un ensemble commun de tâches, d’une norme d’autonomie, d’une exigence de fiabilité et de tests couvrant plusieurs domaines, l’affirmation selon laquelle « l’AGI est arrivée » reste difficile à vérifier.

Cela ne rend pas son propos vide de sens. Cela signifie plutôt qu’il s’agit d’une relecture orientée vers l’entreprise, et non d’un résultat scientifique établi. Comme il n’existe pas de définition universelle de l’AGI, des entreprises différentes peuvent employer le même terme pour désigner des niveaux de capacités très éloignés. 17

Les résultats de Nvidia confortent-ils l’argument de Huang ?

Nvidia a annoncé un chiffre d’affaires de 96,2 milliards de dollars pour son deuxième trimestre fiscal 2027, en hausse de 106 % sur un an. Les revenus de l’activité centres de données ont atteint 89,0 milliards de dollars, soit une progression de 117 %. 1

Ces chiffres ne prouvent pas l’existence de l’AGI. Ils montrent en revanche que les clients dépensent massivement pour les infrastructures nécessaires à l’entraînement et à l’exécution des systèmes d’IA. Ils confortent donc la thèse plus limitée de Huang : l’IA est déjà suffisamment utile pour susciter une demande commerciale considérable.

L’appel aux résultats relie ainsi deux idées :

1. Les agents IA deviennent capables d’effectuer un travail productif.
2. Les tâches autonomes et exécutées en plusieurs étapes exigent beaucoup plus de calcul qu’une simple interaction directement pilotée par un humain. 3348

Pour Nvidia, ce second point est déterminant. Plus un agent effectue d’étapes, utilise d’outils et fonctionne longtemps, plus chaque tâche utile peut générer de la demande en inférence et en infrastructures associées.

Le coût de la mémoire rappelle les limites du déploiement

L’équation économique n’est toutefois pas à sens unique. Nvidia subit aussi la pression de composants mémoire coûteux et difficiles à obtenir. Plusieurs informations indiquent que le niveau exceptionnel des coûts de mémoire pèse sur les perspectives de marge. 15

Cette contrainte nuance la déclaration de Huang. Même si les agents progressent, leur déploiement dépend de la capacité des entreprises à obtenir suffisamment de GPU, de mémoire, d’électricité et de capacité en centres de données — à un coût permettant d’obtenir un retour sur investissement satisfaisant.

La question centrale de l’industrie se déplace donc progressivement : il ne s’agit plus seulement de savoir si un modèle peut produire une réponse impressionnante, mais s’il peut effectuer un travail utile, fiable et rentable à grande échelle. Les résultats de Nvidia constituent un signal fort du côté de la demande. Les pénuries de mémoire et la pression sur les marges montrent que l’offre et l’économie unitaire restent loin d’être réglées. 1315

Comment interpréter au mieux la déclaration de Huang

La déclaration de Jensen Huang peut être comprise comme un rejet de l’AGI conçue comme une ligne d’arrivée spectaculaire et unique. Il affirme que la transition pratique est déjà engagée : les agents accomplissent des tâches utiles, les clients paient pour les infrastructures nécessaires et les besoins en calcul augmentent à mesure que les systèmes gagnent en autonomie.

C’est une affirmation plus étroite que l’idée selon laquelle les machines posséderaient désormais une intelligence générale comparable à celle des humains. Elle diffère aussi de la définition d’OpenAI, qui exige une performance hautement autonome dans la plupart des activités économiquement importantes.

La conclusion la plus prudente tient donc en deux points : l’IA utile et productive est clairement arrivée ; en revanche, la question de savoir si l’AGI est arrivée dépend de la définition retenue et du niveau de preuve exigé. Le trimestre à 96,2 milliards de dollars de Nvidia illustre la dynamique commerciale qui sous-tend le point de vue de Huang, mais il ne peut pas, à lui seul, trancher le débat sur le sens de l’AGI.