La dispersion est le résultat le plus important
Les prédictions pour une IA hautement capable ou de niveau humain vont de quelques années à plusieurs décennies, certains chercheurs doutant même que les méthodes actuelles puissent y parvenir. Ce désaccord n’est pas une simple marge d’erreur mineure autour d’un modèle scientifique partagé. Les prévisionnistes sont en désaccord sur ce qui compte comme AGI, sur les étapes techniques restantes, sur la vitesse à laquelle des intrants comme le calcul et les données peuvent croître, et sur la question de savoir si le progrès se poursuivra sans heurts. Toute échéance devrait donc être présentée comme une prévision datée sous une définition énoncée — non comme un « compte à rebours vers l’AGI ».
Demis Hassabis illustre bien pourquoi l’attribution exacte compte. Dans une interview accordée à CNBC en mars 2025, le PDG de Google DeepMind a déclaré qu’une IA de niveau humain pourrait arriver dans cinq à dix ans. Il n’a pas dit que des preuves significatives d’AGI arriveraient « dans l’année » (interview CNBC). Même correctement citée, cette prévision laisse des questions ouvertes : niveau humain sur quelles tâches, avec quelle fiabilité, et avec quelle autonomie ? La citation enregistre le jugement d’un expert, pas une probabilité mesurée.
Quatre types de prévision à ne pas confondre
Les déclarations des dirigeants de laboratoires sont visibles et informées par une exposition directe aux systèmes de pointe, mais ce ne sont pas des mesures neutres. Les dirigeants possèdent des informations privées précieuses sur les expériences en cours, mais dirigent aussi des organisations en concurrence pour le capital, les talents, les clients et l’attention politique. Leurs déclarations peuvent utiliser des définitions propres à l’entreprise et exposent rarement un modèle de prévision complet.
Les enquêtes auprès des chercheurs agrègent de nombreux points de vue et révèlent la distribution de l’opinion experte. L’Enquête d’experts sur le progrès de l’IA de 2023, publiée en 2024, a réuni 2 778 chercheurs et rapporté un large éventail d’estimations pour des machines dépassant les humains sur toute tâche possible ; les auteurs ont aussi souligné un désaccord substantiel et une sensibilité à la formulation des questions (Grace et al., 2024). Les enquêtes décrivent des croyances à un instant donné. Elles ne valident pas ces croyances et ne garantissent pas que les répondants partagent une même définition.
Les plateformes de prédiction comme Metaculus agrègent en continu des prévisions. Leurs médianes peuvent se mettre à jour plus vite que les enquêtes, mais le résultat dépend des critères exacts de résolution et du bassin de participants. « IA faiblement générale », « IA transformatrice » et « AGI » sont des questions différentes. Une médiane de marché ou de communauté devrait être présentée avec sa date de consultation, la formulation de la question, sa plage, et ses conditions de résolution, plutôt que d’être transformée en échéance valable pour l’ensemble du site.
Les projections fondées sur des modèles extrapolent des tendances de calcul, de performance sur les tests de référence, d’efficacité algorithmique, ou de durée des tâches que les agents peuvent accomplir. Elles rendent les hypothèses visibles, ce qui est précieux, mais l’extrapolation peut échouer lorsqu’un test de référence sature, qu’une contrainte de ressource devient contraignante, ou qu’un nouveau paradigme change la tendance. Une courbe est une preuve sur des mesures passées ; son prolongement est une prévision conditionnelle.
Ce que montrent réellement les tendances de capacité actuelles
Il existe des preuves réelles d’amélioration rapide. L’AI Index de Stanford documente la baisse des coûts d’inférence et la hausse des scores sur des tests de référence exigeants, tout en montrant aussi que des évaluations difficiles restent non résolues et que l’évaluation normalisée de l’IA responsable demeure inégale (Stanford AI Index 2025). METR rapporte que la durée, pour un expert humain, des tâches orientées logiciel que les agents de pointe accomplissent à une probabilité de succès donnée a augmenté rapidement (horizons temporels de METR). Ce sont des observations portant sur des systèmes et des tests sélectionnés, non des observations directes d’une date d’AGI qui approcherait.
La métrique de METR est particulièrement facile à déformer. Un horizon temporel à 50 pour cent de plusieurs heures signifie que, sur le jeu de tâches de METR, le modèle ajusté prédit une probabilité de 50 pour cent de réussir des tâches qui prennent ce temps-là à un expert humain. Cela ne signifie pas que l’IA fonctionne de façon autonome pendant ce nombre d’heures. Les tâches relèvent principalement de l’ingénierie logicielle, de l’apprentissage automatique et de la cybersécurité ; elles sont exceptionnellement autonomes et objectivement notables ; les estimations au-delà de seize heures sont actuellement décrites comme non fiables ; et les emplois réels sont bien plus désordonnés. Les chercheurs de METR ont averti que les marges d’erreur peuvent couvrir un facteur d’environ deux et que les écarts entre domaines peuvent atteindre plusieurs ordres de grandeur (note sur les limites de METR).
Ces résultats étayent une conclusion plus restreinte : certaines formes d’accomplissement de tâches numériques s’améliorent rapidement. Ils n’établissent pas, à eux seuls, quand un système deviendra un scientifique fiable, un gestionnaire, un aidant, un décideur politique, ou un substitut général au travail humain.
Pourquoi des prévisions raisonnables divergent
Les prévisionnistes qui anticipent une arrivée précoce mettent souvent l’accent sur la persistance de la mise à l’échelle, un meilleur calcul au moment du raisonnement, les données synthétiques, l’usage d’outils, et la recherche assistée par IA. Si ces tendances se renforcent mutuellement, le progrès pourrait s’accélérer. Ils peuvent aussi soutenir que des systèmes économiquement transformateurs n’ont pas besoin de reproduire chaque caractéristique de l’intelligence humaine ; une large compétence numérique pourrait suffire.
Les prévisionnistes à échéance plus longue mettent l’accent sur la fiabilité, l’ancrage, l’apprentissage continu, la compréhension causale, la robotique, et l’écart entre les tests de référence et le travail ouvert. Ils soulignent aussi des contraintes pratiques : l’énergie, les puces, la construction de centres de données, des données de haute qualité, l’évaluation, et la capacité des organisations à déployer des systèmes en toute sécurité. Certains attendent des avancées architecturales au-delà des méthodes actuelles de grands modèles. Aucune de ces positions ne peut être tranchée par la seule assurance ou l’ancienneté de qui la formule.
Les définitions créent une autre source de désaccord apparent. Un système capable d’automatiser une grande part du travail informatique à distance pourrait être économiquement transformateur tout en échouant sur des tâches incarnées. Un modèle qui obtient un score supérieur aux humains typiques sur une large batterie d’examens peut rester trop peu fiable pour opérer de façon indépendante. Un prévisionniste peut appeler l’un ou l’autre système AGI ; un autre peut réserver le mot à un apprentissage robuste équivalent à l’humain dans le monde réel.
Comment tenir un suivi responsable des échéances
Un outil de suivi utile devrait conserver la formulation d’origine, l’auteur, la date, la source, la définition, et la plage de prévision. Il devrait distinguer une estimation personnelle d’un engagement organisationnel, enregistrer les révisions ultérieures, et ne jamais remplacer silencieusement une ancienne prédiction. Les prévisions agrégées devraient afficher des intervalles d’incertitude plutôt qu’une seule médiane. La page devrait aussi divulguer les incitations potentielles et préciser si la prévision repose sur des preuves publiques ou privées.
Les lecteurs peuvent appliquer cinq questions :
- Quel résultat est prédit ? L’AGI, une IA de niveau humain, l’automatisation de tâches, ou la superintelligence ?
- Quelle probabilité et quelle date sont associées ? « Pourrait » n’est pas une prévision médiane.
- Quelle preuve motive l’estimation ? La mise à l’échelle, une enquête, des expériences privées, ou l’intuition ?
- Qu’est-ce qui changerait l’avis du prévisionniste ? Une prévision sans possibilité de réfutation est difficile à évaluer.
- A-t-elle été notée après coup ? Les prédictions passées devraient rester visibles après leur échéance.
La conclusion pratique
La planification ne devrait pas dépendre du choix d’une seule date. Les préjudices et opportunités à court terme méritent une action, que l’AGI arrive en 2028, en 2040, ou jamais. Les gouvernements et les organisations peuvent utiliser des plages de scénarios : se préparer à des gains de capacité rapides, construire des politiques qui restent utiles en cas de progrès plus lent, et définir des déclencheurs mesurables pour des garde-fous renforcés.
L’incertitude elle-même est exploitable. Elle plaide pour surveiller les capacités plutôt que les étiquettes marketing, investir dans l’évaluation et la résilience, et revoir les prévisions selon un calendrier fixe. Une page sur les échéances gagne la confiance en montrant à quel point les dates prouvent peu de choses, et non en faisant passer une médiane mouvante pour une horloge qui égrène le compte à rebours vers un destin déjà écrit.