Les étiquettes sont utiles, mais ce ne sont pas des lois naturelles
L’intelligence artificielle étroite, l’intelligence artificielle générale et la superintelligence artificielle se comprennent mieux comme des régions sur plusieurs dimensions de capacité, et non comme trois cases délimitées avec précision. Chercheurs et institutions utilisent des définitions différentes, et il n’existe aucune autorité scientifique capable de certifier qu’un système « est devenu AGI ». Un lecteur attentif devrait donc se demander ce qu’entend celui qui emploie le terme, et quelles preuves étayent la classification.
L’intelligence artificielle étroite (ANI, de l’anglais artificial narrow intelligence) désigne traditionnellement un système optimisé pour une tâche ou un domaine délimité : un moteur d’échecs, un détecteur de fraude, un système de reconnaissance vocale, ou un prédicteur de structure protéique. Un tel système peut surpasser n’importe quel humain sur sa tâche cible tout en étant inutile ailleurs. Mais qualifier d’« étroit » tout modèle déployé aujourd’hui devient de plus en plus trompeur. Les modèles de langage et multimodaux à usage général peuvent écrire, coder, analyser des images, utiliser des outils et s’adapter à de nombreuses tâches à partir d’instructions. Ils sont larges en un sens, mais peu fiables, dépendants d’un échafaudage technique, et inégaux d’un domaine à l’autre. « IA à usage général » ou « modèle largement capable » est souvent une description plus informative que le fait de forcer ces systèmes dans l’ancienne opposition binaire étroit/général.
L’intelligence artificielle générale (AGI) désigne généralement une machine dotée d’une compétence large qui se transfère à des tâches inconnues. Au-delà de ce noyau, les définitions divergent. Certaines exigent une performance comparable à celle d’un humain typique sur la majorité du travail cognitif ; d’autres exigent la capacité d’apprendre efficacement ; certaines mettent l’accent sur le travail économiquement valorisable ; et d’autres ajoutent l’autonomie dans le monde physique ou numérique. Des chercheurs de Google DeepMind ont proposé de décrire l’AGI à la fois par sa largeur — le nombre de tâches qu’elle peut accomplir — et sa profondeur — la qualité avec laquelle elle les accomplit —, tout en traitant l’autonomie comme une propriété de déploiement distincte (DeepMind, Levels of AGI). Ce cadre évite de prétendre qu’un seul test de référence crée un seuil magique.
La superintelligence artificielle (ASI) est un système hypothétique qui surpasse substantiellement les meilleurs humains dans la quasi-totalité des domaines à valeur cognitive. Ce n’est pas une catégorie technologique observée. C’est un scénario utilisé pour raisonner sur des systèmes qui pourraient surpasser les institutions humaines en science, en stratégie, en ingénierie, en persuasion, et peut-être dans la recherche en IA elle-même. La possibilité d’un tel système, la rapidité avec laquelle il pourrait suivre l’AGI, et la question de savoir si l’intelligence dans tous les domaines peut se combiner en un seul système restent des questions disputées.
La capacité comporte plus d’un axe
Une évaluation utile distingue au moins cinq propriétés :
- Largeur : la variété des tâches et des environnements dans lesquels le système est compétent.
- Performance : s’il égale un novice, un travailleur typique, un expert, ou le meilleur humain.
- Fiabilité : la fréquence de ses réussites, y compris dans des conditions inhabituelles ou adverses.
- Apprentissage et transfert : avec quelle facilité il gère une tâche véritablement nouvelle sans réentraînement spécifique à celle-ci.
- Autonomie : pendant combien de temps et avec quelle sûreté il peut planifier, agir, utiliser des outils, se remettre d’erreurs, et poursuivre un objectif avec une supervision limitée.
Ces axes peuvent diverger de façon spectaculaire. Un modèle peut répondre à des questions sur des centaines de sujets tout en commettant des erreurs élémentaires. Un autre peut être exceptionnellement fiable dans un flux de travail scientifique précis mais incapable de généraliser. Un modèle conversationnel peut sembler largement informé alors qu’un agent construit autour de ce même modèle échoue parce qu’il perd le contexte, utilise mal un outil, ou ne reconnaît pas que son plan tourne mal. La définition d’un système d’IA de l’OCDE distingue de façon similaire les résultats générés et l’influence sur les environnements des différents niveaux d’autonomie et d’adaptabilité après déploiement (Principes de l’OCDE sur l’IA).
Cela compte parce qu’un langage soigné n’équivaut pas à une agentivité robuste. Une conversation d’apparence humaine encourage l’anthropomorphisme, tandis que les scores aux tests de référence peuvent masquer une dépendance à des invites soigneusement structurées, des données propres et une notation automatisée. À l’inverse, un système n’a pas besoin de converser comme une personne pour avoir des capacités conséquentes. Un modèle scientifique, un agent de trading ou un outil cybernétique peuvent compter pour ce qu’ils sont capables de faire, non parce qu’ils ressemblent à un esprit humain.
Pourquoi aucun test de référence ne prouve à lui seul l’AGI
Les tests de référence échantillonnent un comportement dans des conditions spécifiées. Ils ne révèlent pas directement la compréhension, la conscience, les intentions, ni la performance dans tout contexte non testé. Les scores peuvent augmenter en raison d’une généralisation authentique, d’une exposition à des exemples d’entraînement similaires, de meilleures invites, d’un accès à des outils, ou d’une ingénierie construite autour du modèle. Un test de référence peut aussi se saturer : une fois que les systèmes de pointe approchent de son plafond, les petites différences deviennent difficiles à interpréter.
Le même avertissement s’applique aux définitions économiques. « Peut automatiser la plupart des emplois » semble concret, mais les emplois sont des ensembles de tâches techniques, de négociation sociale, de responsabilité, d’activité physique, de connaissance locale et de responsabilité en cas d’erreur. Réussir des tâches autonomes n’établit pas qu’un système puisse remplacer un travailleur au sein d’une organisation désordonnée. METR précise explicitement que son horizon temporel de réalisation de tâches se concentre sur le logiciel, l’apprentissage automatique et la cybersécurité, et qu’il ne doit pas être lu comme une mesure générale de l’automatisation de l’emploi (Méthodologie de METR).
L’AGI devrait donc être traitée comme une affirmation nécessitant un ensemble de preuves. Quels domaines ont été testés ? À quel point les tâches étaient-elles nouvelles ? Quels outils et quelle aide humaine étaient autorisés ? La performance a-t-elle été reproduite de façon indépendante ? Quel était le taux de réussite ? Le système est-il resté fiable lorsque les objectifs étaient ambigus ou que l’environnement changeait ? Sans ces détails, une annonce d’AGI relève du marketing, de la prévision ou du jugement personnel — pas d’un résultat de mesure.
Pourquoi cette distinction change la politique publique
Des profils de capacité différents créent des risques différents. Les systèmes actuels causent déjà des préjudices documentés par la fraude, la discrimination, l’atteinte à la vie privée, des conseils dangereux, la disruption de l’emploi et les médias synthétiques. Ces problèmes ne nécessitent pas l’AGI et ne devraient pas être reportés jusqu’à un seuil futur. Des systèmes largement autonomes pourraient ajouter d’autres risques en menant des opérations cybernétiques, en accélérant des recherches dangereuses, ou en contrôlant des processus critiques à une échelle qui dépasse la révision humaine. La superintelligence hypothétique soulève des questions encore plus incertaines : les institutions humaines pourraient-elles superviser un système stratégiquement supérieur à elles ?
Ces catégories déterminent aussi des garde-fous proportionnés. Un classificateur médical étroit peut nécessiter une validation clinique, une surveillance et une procédure d’appel. Un modèle à usage général peut nécessiter des évaluations de capacité, une détection des abus, une notification des incidents et des contrôles autour des outils dangereux. Un système hautement autonome exploitant une infrastructure critique justifierait une assurance, un confinement et des exigences d’autorisation humaine plus stricts. Utiliser « l’IA » comme une catégorie indifférenciée dissimule ces différences.
Une meilleure façon de lire les affirmations sur l’AGI
Lorsque quelqu’un affirme que l’AGI est déjà là — ou qu’elle est impossible —, traduisez l’affirmation en questions observables. Le système est-il largement compétent, ou seulement large dans son interface ? Se transfère-t-il à un travail nouveau ? Quelle est sa fiabilité ? Peut-il mener à bien des projets longs et réels ? Nécessite-t-il une correction humaine continue ? Apprend-il après le déploiement ? La preuve est-elle publique et reproductible de façon indépendante ?
La conclusion honnête en 2026 n’est ni que toute l’IA déployée est simplement étroite, ni que les grands modèles de langage ont franchi une ligne d’AGI universellement acceptée. Les systèmes actuels combinent une largeur frappante avec une fragilité sérieuse. L’AGI demeure un concept disputé, et l’ASI demeure hypothétique. « L’échelle des capacités » la plus utile est donc une carte multidimensionnelle assortie de preuves datées — non un escalier à trois marches sur lequel une entreprise pourrait se déclarer gagnante.