aiko
Nous contacter
aiko
Nous contacter
Retour à l’Académie IA

Académie IA · intelligence artificielle générale

Qu’est-ce que l’intelligence artificielle générale (AGI) ?

L’intelligence artificielle générale désigne l’hypothèse d’une IA capable de comprendre, d’apprendre et d’agir dans un très grand nombre de domaines avec une polyvalence comparable à celle d’un humain. L’AGI reste un concept débattu, sans définition ni test universellement acceptés.

Définition 30 sec

L’intelligence artificielle générale, appelée AGI en anglais et parfois IAG en français, est un objectif théorique : créer une machine capable de transférer ses compétences entre des tâches très différentes, de s’adapter à des situations nouvelles et d’accomplir un large éventail d’activités intellectuelles, plutôt qu’une fonction spécialisée.

Comprendre

La plupart des systèmes d’IA actuels sont spécialisés, même lorsque leur interface donne une impression de polyvalence. Un LLM peut traiter de nombreux sujets parce qu’il a appris des régularités dans d’immenses corpus et qu’il peut être relié à des outils. Cela ne démontre pas pour autant une intelligence générale comparable à l’humain.

Le concept reste flou : certains le définissent par la performance économique, d’autres par la capacité à apprendre presque toute tâche cognitive, l’autonomie ou l’équivalence avec l’intelligence humaine. Or cette dernière est elle-même multidimensionnelle et imparfaitement comprise. AGI, IA forte et superintelligence sont souvent rapprochées, mais ne sont pas strictement synonymes : la superintelligence suppose généralement des capacités dépassant celles des humains.

La promesse d’AGI peut devenir un récit qui détourne l’attention des systèmes disponibles, de leurs limites et des problèmes concrets à résoudre.

Une autre difficulté tient au caractère mouvant de la définition. À mesure que les modèles franchissent des benchmarks autrefois considérés comme révélateurs d’intelligence, le seuil supposé de l’AGI peut être déplacé. Il est donc plus rigoureux de décrire les capacités observables — autonomie, transfert, robustesse, apprentissage — que d’annoncer l’atteinte d’une catégorie absolue.

Cela n’empêche pas de prendre au sérieux les progrès actuels. Des systèmes sans intelligence générale peuvent déjà transformer de nombreux métiers. Le débat utile consiste à distinguer ce qu’un modèle démontre dans un environnement contrôlé de ce qu’il peut accomplir de manière fiable dans des situations réelles.

Comment ça fonctionne ?

Il n’existe pas de fonctionnement propre à l’AGI, puisqu’aucun système reconnu comme tel ne fait consensus. Les pistes de recherche combinent notamment apprentissage multimodal, raisonnement, mémoire, planification, capacité d’action, apprentissage continu et transfert de compétences.

Pour évaluer une éventuelle généralité, un simple score sur un benchmark ne suffit pas. Il faudrait observer la robustesse dans des situations nouvelles, la capacité à apprendre avec peu d’exemples, à transférer un savoir entre domaines et à agir de façon fiable dans des environnements ouverts.

Les modèles actuels peuvent réunir plusieurs de ces briques sans satisfaire une définition exigeante de l’AGI. Il faut donc distinguer progrès mesurable des capacités et annonce d’un seuil symbolique.

Exemple concret

Une entreprise peut être tentée de différer l’organisation de son programme IA en attendant des systèmes supposément plus généraux. Dans le même temps, elle pourrait déjà automatiser la lecture de documents, améliorer des prévisions ou assister des équipes sur des tâches délimitées.

Attendre une hypothétique intelligence générale peut ainsi créer un coût d’opportunité : l’entreprise reporte des usages concrets au profit d’un débat abstrait. Une feuille de route utile évalue les capacités présentes sur des processus concrets, tout en conservant une veille sur les évolutions futures.

Pourquoi c’est important pour les entreprises ?

L’AGI influence les investissements, la régulation et l’imaginaire collectif, mais elle ne doit pas devenir l’unité de mesure de toute stratégie IA. Les décisions d’entreprise portent aujourd’hui sur des systèmes réels : quelles tâches leur confier, avec quelles données, quel contrôle et quelle preuve de valeur ?

Une gouvernance robuste n’a pas besoin de trancher la date d’arrivée de l’AGI. Elle doit suivre les capacités effectivement disponibles, anticiper leurs effets sur les métiers et conserver des principes valables malgré l’évolution des modèles : responsabilité, sécurité, contrôle humain, réversibilité et mesure.

Traiter l’AGI comme une hypothèse incertaine permet de préparer l’avenir sans sacrifier les opportunités ni les risques immédiats.

Le récit de l’AGI peut aussi influencer la concentration du marché et les choix d’infrastructure. Si les entreprises pensent qu’un modèle général résoudra bientôt tous leurs besoins, elles risquent de sous-investir dans leurs données, leurs processus, leurs compétences et leur capacité d’intégration.

Une stratégie robuste conserve plusieurs horizons : exploiter les capacités disponibles, tester les progrès mesurables et préparer des scénarios de rupture. Elle évite à la fois le déni et l’adhésion à une promesse dont la définition reste instable.