Comment lire cet instantané
Ce tableau de bord consigne les preuves publiques disponibles au 13 septembre 2026. Ce n’est pas un classement en temps réel et il ne doit pas être mis à jour silencieusement. Les produits d’IA, les échafaudages, les jeux d’évaluation et les prix évoluent trop rapidement pour qu’une page « actuelle » non datée reste honnête.
La capacité est multidimensionnelle. Un système peut résoudre un problème de niveau olympique tout en échouant à lire une horloge analogique, répondre à des questions expertes de biologie tout en échouant à mener à bien un protocole de laboratoire, ou réussir un évaluateur de code en produisant un correctif qu’un mainteneur rejetterait. L’AI Index 2026 de Stanford appelle ce schéma intelligence irrégulière et documente d’importants écarts entre environnements contrôlés et environnements réels (Stanford AI Index, performance technique).
Les évaluations ci-dessous décrivent les preuves disponibles, non un modèle universel. « Solide » signifie que les systèmes de pointe obtiennent des résultats impressionnants sur les évaluations publiques pertinentes. Cela ne signifie pas sûr, équivalent à l’humain, ni suffisamment fiable pour un usage autonome à fort enjeu.
| Dimension | Preuves de septembre 2026 | Limite importante |
|---|---|---|
| Langage et connaissances | Solide sur de larges tests de questions-réponses et multimodaux | Les hallucinations, la contamination et une fiabilité factuelle irrégulière persistent |
| Mathématiques et raisonnement structuré | Les systèmes de pointe ont atteint des résultats de niveau compétition sur des problèmes sélectionnés | La performance reste irrégulière et sensible aux outils et au budget d’inférence |
| Programmation et usage d’ordinateur | Gains rapides sur les tests de référence de programmation et d’agents de bureau structurés | Réussir les évaluateurs ne garantit pas un travail de production maintenable |
| Autonomie sur tâches longues | Les horizons de tâches logicielles mesurés ont augmenté rapidement | Surtout des tâches propres de logiciel/AA/cybersécurité ; pas une durée d’opération indépendante |
| Assistance scientifique | Solides connaissances de domaine et amélioration de la performance en protocole et dépannage | Les scores de connaissance n’établissent pas de compétence expérimentale de bout en bout |
| Capacité cybernétique | Les agents peuvent trouver de vraies vulnérabilités et accomplir certaines tâches expertes | Les attaques autonomes de bout en bout ne sont pas établies publiquement |
| Persuasion | Changements d’opinion mesurables dans des expériences contrôlées | Aucun impact malveillant à l’échelle d’une population n’est démontré |
| Robotique et incarnation | Progrès solides en environnement contrôlé | La fiabilité domestique et en monde ouvert reste bien plus faible |
| Sécurité et fiabilité | Les garde-fous et les évaluations s’améliorent | Le reporting est incohérent et aucune méthode ne garantit le contrôle |
Le raisonnement est impressionnant et irrégulier
L’AI Index 2026 rapporte qu’un système de Google DeepMind a atteint un score de niveau médaille d’or à l’Olympiade internationale de mathématiques 2025, dans la limite de temps de la compétition. Le même chapitre rapporte que le meilleur modèle testé sur ClockBench n’a lu correctement des horloges analogiques qu’environ une fois sur deux, contre environ 90 pour cent pour les humains. Ces tests n’ont pas la même importance, mais leur contraste ruine l’idée d’un unique « niveau d’intelligence » scalaire.
Les gains sur les tests de référence peuvent refléter un meilleur modèle de base, davantage de calcul au moment de l’inférence, l’usage d’outils, l’échantillonnage de plusieurs solutions, ou un échafaudage spécialisé. Un résultat appartient au système complet testé dans les conditions énoncées. Il ne devrait pas être transposé sans précaution à un niveau de produit moins cher ou à un déploiement contraint dans le temps.
De nombreux tests se saturent aussi rapidement. Stanford rapporte des gains marqués sur Humanity’s Last Exam et une quasi-saturation sur SWE-bench Verified, tout en signalant des questions invalides et une possible adaptation au classement. La saturation signifie qu’une évaluation a moins de pouvoir pour distinguer les systèmes de pointe entre eux ; elle ne signifie pas que le domaine sous-jacent est résolu.
Programmation et usage d’ordinateur
Les agents de pointe peuvent réparer certains problèmes de dépôts de code, écrire du code substantiel et manipuler des applications graphiques. Stanford rapporte que la performance sur OSWorld est passée d’environ 12 pour cent à 66,3 pour cent, échouant encore sur environ une tâche structurée sur trois. L’usage réel d’un ordinateur ajoute des interfaces changeantes, des objectifs peu clairs, des identifiants, du contenu adversarial, et des conséquences qu’un test de référence peut omettre.
La notation automatisée est une autre limite. L’étude 2026 de METR sur les correctifs SWE-bench a constaté que réussir les tests du test de référence ne signifiait pas que les mainteneurs fusionneraient les changements, mettant en évidence des dimensions de qualité au-delà des cas de test fonctionnels (étude de METR sur la revue des mainteneurs). La programmation de production exige de l’architecture, de la communication, de la sécurité, de la maintenance et une responsabilité assumée en cas d’échec.
Ces preuves étayent une assistance et une automatisation substantielles pour certains travaux. Elles n’étayent pas l’idée que « l’ingénierie logicielle est résolue ».
Autonomie sur tâches longues
Le tableau de bord de METR de mai 2026 estime la durée de tâche d’un expert humain pour laquelle un agent affiche un taux de réussite prédit de 50 ou 80 pour cent. Les tâches concernent principalement l’ingénierie logicielle, l’apprentissage automatique et la cybersécurité. METR précise que les mesures au-delà de seize heures ne sont pas fiables avec le jeu de tâches actuel (horizons de tâches de METR).
Cette métrique est souvent mal interprétée. Un horizon de quatre heures ne signifie pas que l’agent fonctionne de façon indépendante pendant quatre heures ; cela signifie qu’un expert humain a typiquement besoin d’environ quatre heures pour des tâches de la difficulté mesurée. Les agents qui réussissent peuvent terminer bien plus vite. Le jeu de tâches est autonome et objectivement notable, contrairement à une grande partie du travail organisationnel.
METR met en outre en garde sur le fait que les domaines diffèrent d’ordres de grandeur, que les marges d’erreur peuvent être larges, et qu’un horizon à 50 pour cent est inadéquat lorsqu’une fiabilité de 98 pour cent est requise (limites de METR). La tendance constitue une preuve significative de progrès rapide sur des tâches numériques sélectionnées — pas un compte à rebours vers l’automatisation de l’emploi ou l’AGI.
Science, biologie et cybersécurité
L’UK AI Security Institute rapporte que les systèmes testés jusqu’en octobre 2025 ont dépassé ses lignes de base d’experts au niveau doctorat sur des questions sélectionnées de chimie et de biologie, et se sont améliorés en génération de protocoles et en dépannage de laboratoire. Il rapporte aussi une difficulté persistante avec la conception de plasmides de bout en bout (rapport de tendances de l’IA de pointe de l’AISI). Ce sont des résultats d’évaluation gouvernementale, mais les lignes de base d’experts et la construction des tâches continuent de déterminer leur signification.
La capacité cybernétique est passée de la réponse à des questions à des agents capables de découvrir des vulnérabilités et de résoudre des défis à plusieurs étapes. L’AISI a rapporté une croissance plus rapide de ses mesures de tâches cybernétiques en février 2026 (tendances cybernétiques de l’AISI). Le rapport international sur la sécurité de l’IA distingue cette preuve du déploiement effectif : les attaquants utilisent l’IA, mais des attaques autonomes de bout en bout n’ont pas été rapportées publiquement, et il reste incertain si c’est l’attaque ou la défense qui en tire le plus grand bénéfice (Rapport international sur la sécurité de l’IA 2026).
Persuasion et capacité sociale
L’IA conversationnelle peut modifier des attitudes en expérience. Une étude de 2026 dirigée par l’AISI portant sur 76 977 participants a trouvé des effets de persuasion plus importants liés aux instructions et à un post-entraînement axé sur la persuasion qu’à l’échelle ou à la personnalisation basique ; les effets de personnalisation étaient inférieurs à un point de pourcentage. Une persuasion accrue était associée à une exactitude factuelle réduite (étude de persuasion de l’AISI).
Ce résultat établit une capacité mesurée dans des conditions expérimentales. Il ne démontre pas un changement de comportement durable, des effets électoraux, ni un contrôle de population. La portée, la distribution sur les plateformes, les messages concurrents, la confiance des utilisateurs et la persistance restent des variables distinctes.
L’incarnation physique reste un écart majeur
La robotique montre la différence la plus nette entre environnements contrôlés et environnements ouverts. Stanford rapporte un taux de réussite élevé sur un test de référence en simulation, mais seulement 12 pour cent sur des tâches domestiques réelles testées. Les véhicules autonomes fonctionnent à une échelle significative dans des zones de service contraintes, avec des domaines de conception opérationnelle et un soutien humain à distance qui comptent pour l’interprétation des résultats.
La large interface numérique d’un modèle de langage ne doit pas être confondue avec une généralité dans le monde physique. La perception, la manipulation, la sécurité autour des personnes, la récupération après des erreurs inédites, la maintenance matérielle et le coût contraignent tous le déploiement. Le chapitre sur les robots humanoïdes de ce manuel suit cet écart entre démonstrations sur tests de référence et performance réelle des robots plus en détail, entreprise par entreprise.
La fiabilité fait partie de la capacité
Un agent qui réussit 66 pour cent du temps peut être utile sous supervision et inacceptable sans elle. Les systèmes à fort enjeu exigent une incertitude calibrée, une détection des échecs, un droit de recours, des journaux d’audit, un retour en arrière possible, de la sécurité et un recours humain de repli. Les scores moyens des tests de référence masquent des erreurs rares mais lourdes de conséquences.
L’AI Index 2026 constate que les développeurs rapportent les tests de référence de capacité courants de façon bien plus systématique que les évaluations d’IA responsable (chapitre IA responsable de l’AI Index). L’absence de résultats publics ne prouve pas l’absence de tests internes, mais elle limite la comparaison et l’assurance publique.
Ce que ce tableau de bord n’établit pas
Il n’établit ni conscience, ni intentions, ni valeur économique sur l’ensemble des emplois, ni un seuil d’AGI reconnu. Il ne montre pas qu’un résultat de test de référence se transpose à une autre langue, une autre population, un autre jeu d’outils, une autre limite de coût ou un environnement adversarial différent. Il ne tranche pas la question de savoir si les architectures actuelles peuvent devenir solidement générales.
À la date de cet instantané, la conclusion la plus solide est que les systèmes de pointe affichent une ampleur extraordinaire et une amélioration rapide, aux côtés d’une fragilité persistante, d’écarts entre domaines et de preuves de sécurité incomplètes. C’est plus lourd de conséquences — et plus exact — que « ce n’est que de l’autocomplétion » ou que « l’AGI est arrivée ».