Le scénario que ce manuel doit prendre au sérieux
Chaque page de ce pilier raisonne sur un domaine qui progresse rapidement, et les pages de prévisions et de tableau de bord des capacités traitent la poursuite d’un progrès rapide comme l’hypothèse de travail. Cette page en est le contrepoids : et si l’AGI n’arrivait pas dans les délais ? Un manuel sérieux planifie pour la distribution des résultats possibles, pas pour le titre le plus probable, et cette distribution inclut un blocage. Il s’agit ici d’une analyse de scénarios portant sur un phénomène historiquement documenté, non d’une affirmation selon laquelle le progrès se serait arrêté.
À quoi ont vraiment ressemblé les deux derniers hivers
Le domaine est déjà passé par là, deux fois.
Le premier hiver (environ 1974–1980) a suivi un coup institutionnel direct. Le rapport de 1973 de Sir James Lighthill, Artificial Intelligence: A General Survey, commandé par le Conseil britannique de la recherche scientifique, a conclu que les grandes promesses de la recherche en IA — traduction automatique, robotique, résolution générale de problèmes — n’avaient pas été tenues, loin s’en faut, à l’échelle projetée, et recommandait de rediriger le financement vers des travaux plus circonscrits. En quelques années, les principaux bailleurs de fonds gouvernementaux se sont retirés des deux côtés de l’Atlantique, et les programmes de troisième cycle se sont contractés brutalement.
Le second hiver (environ 1987–1993) a fait une autre victime : les systèmes experts. Ces produits commerciaux fondés sur des règles avaient absorbé un investissement corporatif et gouvernemental considérable durant les années 1980, avant de s’effondrer sous leur propre fragilité — des systèmes incapables d’apprendre, incapables de gérer les exceptions, et coûteux à maintenir. Le krach du marché a entraîné dans sa chute le financement de tout le paradigme de l’IA symbolique. L’histoire de la recherche fédérale en informatique publiée par les National Academies, Funding a Revolution (1999), documente comment le repli de la DARPA et la disparition des fabricants de machines Lisp ont transformé l’échec d’un sous-domaine en une sécheresse touchant toute la discipline (National Academies Press). Les récits historiques les plus complets sont AI: The Tumultuous History of the Search for Artificial Intelligence de Crevier (1993) et The Quest for Artificial Intelligence de Nilsson (2009) — tous deux valent le détour pour le schéma qu’ils dégagent, pas seulement pour les faits.
Le schéma : chaque hiver n’a pas été une impasse technique, mais un effondrement de crédibilité et de financement. La science a continué d’avancer dans l’ombre ; l’argent, les talents et la patience du public, non. L’hiver a pris fin lorsqu’une démonstration à faible coût — les échecs, puis ImageNet — a de nouveau rendu le domaine attractif pour les investisseurs, presque du jour au lendemain.
L’argumentaire en faveur d’un faux départ
La version la plus solide de la thèse du blocage repose sur trois piliers.
Les limites des données et des algorithmes. L’analyse d’Epoch sur les textes générés par des humains a estimé que le stock de données d’entraînement publiques de haute qualité s’épuiserait en une décennie environ si les tendances alors en vigueur se maintenaient (Villalobos et al., 2022), forçant le recours à des données synthétiques et à d’autres solutions de contournement dont la valeur à long terme est réellement incertaine. Par ailleurs, le domaine a répété l’erreur consistant à confondre saturation des tests de référence et compétence générale — une mise en garde que les pages de ce manuel sur les capacités émergentes et le test de Turing développent en détail. Les tests de référence peuvent saturer pendant que la fiabilité dans le monde réel — ce pour quoi les économies paient réellement — accuse un retard sévère.
L’irrégularité pourrait être le plafond, non le plancher. Le constat persistant selon lequel les modèles sont surhumains sur certaines dimensions et inexplicablement faibles sur des dimensions voisines admet une lecture pessimiste : mettre à l’échelle un prédicteur de token suivant achèterait de la largeur sans acheter le type de raisonnement robuste et compositionnel qu’anticipent les optimistes des lois d’échelle. La thèse de Chollet selon laquelle les tests de référence contemporains surestiment l’intelligence parce qu’ils permettent la mémorisation plutôt que d’exiger l’acquisition de compétences face à la nouveauté est l’énoncé canonique de ce scepticisme (Chollet, 2019).
Le dépassement de capacité coupe dans les deux sens. Même si les gains sont réels, ils ont peut-être déjà été extraits : l’argument du « dépassement de capacité » implique que les modèles actuels sous-performent par rapport à leur entraînement parce que les produits, les évaluations et les organisations n’ont pas rattrapé leur retard. Si c’est le cas, poursuivre la mise à l’échelle produit des retours visibles décroissants — que les marchés lisent comme un plateau, quelle qu’en soit la cause sous-jacente. Il existe même un phénomène documenté qui va à l’encontre de l’échelle : la mise à l’échelle inverse, où les modèles plus grands obtiennent de moins bons résultats sur certaines tâches, comme certains types de raisonnement véridique ou sensible (McKenzie et al., 2023).
L’argumentaire contre un hiver
Les défenseurs de la thèse de l’hiver doivent expliquer pourquoi ce cycle rime avec les deux précédents, et les différences sont considérables.
L’argent est réel, cette fois. Les hivers précédents ont suivi un battage médiatique sans revenus. Le cycle actuel affiche des revenus de déploiement se chiffrant en dizaines de milliards de dollars par an, et un investissement privé dans l’IA générative qui continue de battre des records — le Stanford AI Index 2025 rapporte 33,9 milliards de dollars d’investissement privé dans l’IA générative pour la seule année 2024, en forte hausse d’une année sur l’autre. Un financement de cette ampleur ne s’évapore pas parce que des tests de référence déçoivent ; il s’évapore quand les bilans se brisent.
La base matérielle est immense. Les hivers précédents pouvaient affamer le domaine en coupant quelques subventions. Aujourd’hui, le domaine repose sur une expansion à forte intensité de capital des semi-conducteurs, du cloud et de l’énergie, dont les investisseurs attendent des décennies de retours. C’est un plancher sous la poursuite du progrès — et, plus sombrement, une base d’intérêts qui continuera de pousser même quand la prudence commanderait de s’arrêter.
Une intégration généralisée crée sa propre demande. Des centaines de millions de personnes et une grande part des entreprises dépendent désormais des systèmes d’IA pour le travail ordinaire. L’utilité, contrairement à la nouveauté, ne se démode pas. La charge de la preuve incombe à la thèse de l’hiver : elle doit démontrer non seulement que le progrès ralentit, mais qu’il ralentit suffisamment, et assez longtemps, pour reproduire un effondrement de financement face à une base installée de cette taille.
Ce que signifierait un hiver
Supposons que le blocage se produise. Ce qui suit est véritablement à double tranchant.
Dispersion des talents. Un hiver pousse les chercheurs de pointe vers les fonds spéculatifs, la biotechnologie et quel que soit le prochain domaine à la mode. C’est mauvais pour la sécurité d’une manière — l’expertise en alignement, déjà mince et concentrée dans une poignée de laboratoires, se disperse — et peut-être bon d’une autre : le travail sur les capacités dangereuses ralentit tandis que certains de ces mêmes esprits travaillent sur des problèmes plus circonscrits et plus vérifiables. L’effet net est impossible à connaître à l’avance, mais la dispersion des talents en alignement est un coût réel que les optimistes de l’hiver ont tendance à passer sous silence.
Dépassement matériel. L’arrêt des progrès logiciels ne fait pas fondre les puces. Un monde qui cesserait demain d’entraîner des modèles de pointe conserverait néanmoins un stock immense de capacités déjà déployées, dont une grande partie serait peu incitée à maintenir des effectifs de sécurité. L’hiver amincit les défenses autour des systèmes existants ; il n’amincit pas les systèmes eux-mêmes.
Le risque de mauvaise lecture. C’est le pire aspect. Un plateau authentique de plusieurs années serait politiquement décodé comme « le risque est passé » — une conclusion qui serait activement erronée. Un progrès mis en pause n’est pas un progrès réfuté. Les moteurs sous-jacents (le calcul, l’efficacité algorithmique, l’incitation commerciale) continueraient de s’accumuler en arrière-plan, et le redémarrage, lorsqu’il surviendrait, serait probablement plus rapide et moins supervisé que la montée en puissance précédente. Le traitement que ce manuel réserve aux bénéfices et coûts d’opportunité va dans le même sens : même une transition bloquée comporte des gains réels, et un monde qui déclare la victoire trop tôt perd à la fois les gains et la vigilance.
Le risque de mauvaise lecture mérite d’être souligné : l’hiver le plus dangereux est celui qui convainc le public que le danger est passé. Les hivers historiques se sont terminés par des redémarrages. Rien dans un blocage ne garantit que le travail de sécurité survive jusqu’au prochain dégel.
Planifier pour la distribution, pas pour le titre
La posture honnête pour un manuel est la même que celle sur laquelle s’est ouverte cette page : ne pas parier l’analyse sur la poursuite d’un progrès exponentiel, mais ne pas la parier non plus sur un blocage. Se préparer à ce que les capacités arrivent dans les délais, arrivent en retard, arrivent de façon inégale, et arrivent au milieu des défaillances institutionnelles traitées ailleurs sur ce site — parce que les mêmes préparations (des institutions robustes, un savoir préservé, une capacité de réponse distribuée) sont celles qui portent leurs fruits sur toute l’étendue de cette distribution. Un hiver changerait le calendrier. Il ne changerait pas à quoi ressemble une société bien préparée.