Nous sommes à 57% de l’IA Générale

Un article de Flavien Chervet

Le 24 octobre 2025

D’un côté, Andrej Karpathy, brillant ingénieur en IA, cofondateur d’OpenAI désormais reconnu comme l’un des meilleurs formateurs en IA du monde. De l’autre, Dario Amodei, fondateur et CEO d’Anthropic, la société qui édite l’IA Claude, l’un des plus gros concurrents à ChatGPT. Le premier estime que l’IA Générale (AGI) ne devrait pas arriver avant 10 ans. Le second, lui, assure que l’histoire devrait être pliée d’ici 2027-2028. Ce débat qui anime la Silicon Valley révèle un problème fondamental : personne ne s'accorde sur ce qu'est réellement l'AGI. Sans définition précise, impossible de comparer les prédictions.

Pour mettre fin à cette confusion, 32 chercheurs et personnalités de l’IA ont proposé pour la première fois une définition opérationnelle, quantifiée et scientifiquement fondée du concept d’ « IA Générale »¹. Parmi eux, Dan Hendrycks du Center for AI Safety, Dawn Song de Berkeley, Yoshua Bengio, Erik Brynjolfsson de Stanford et même Eric Schmidt. Leur définition est inspirée d'un siècle de recherche en psychologie cognitive humaine et les premiers résultats sont frappants : GPT-5 se situerait déjà à mi-chemin de l'AGI, avec un score de 57%, contre 27% pour GPT-4 deux ans plus tôt.

Bon, ok. Mais d’où sortent ces chiffres ?

L'intelligence humaine comme étalon de mesure

La définition proposée par les chercheurs est relativement simple : « L'AGI est une IA capable d'égaler ou de dépasser la polyvalence cognitive et la compétence d'un adulte bien éduqué. » Deux mots clés ressortent : polyvalence (capacité à performer dans de nombreux domaines différents) et compétence (niveau de performance comparable aux humains).

Pour rendre cette définition opérationnelle, l'équipe s'est tournée vers la seule forme d'intelligence « générale » que nous connaissions : la nôtre (même si la généralité de l’intelligence humaine soit en réalité très questionnable). Plus précisément, ils se sont appuyés sur la théorie Cattell-Horn-Carroll (CHC), le modèle le plus empiriquement validé à ce jour de la cognition humaine. Cette théorie, fruit de plus d'un siècle de recherche en psychométrie, décompose l'intelligence en une hiérarchie de capacités cognitives distinctes.

L'approche est ainsi radicale dans son anthropocentrisme : pour savoir si une IA possède une intelligence générale, testons-la avec les mêmes batteries de tests utilisées pour mesurer l'intelligence humaine. Au lieu de s'en remettre à des benchmarks artificiels conçus spécifiquement pour les machines, évaluons les IA sur les tâches cognitives fondamentales qui définissent notre propre intelligence.

Les dix piliers de l'intelligence générale

Le framework, selon la théorie CHC, décompose l'intelligence générale en dix grandes composantes cognitives, chacune pesant 10% du score total pour privilégier l'amplitude plutôt que la spécialisation :

1. Connaissances générales : La compréhension factuelle du monde, englobant le sens commun, la culture, les sciences, les sciences sociales et l'histoire.

2. Lecture et écriture : La maîtrise du langage écrit, de la reconnaissance de lettres à la composition de textes complexes.

__3. Compétences mathématiques __: L'éventail des capacités mathématiques, de l'arithmétique au calcul infinitésimal, en passant par l'algèbre et les probabilités.

__4. Raisonnement __: La capacité à résoudre des problèmes nouveaux par déduction et induction, sans s'appuyer uniquement sur des schémas appris.

__5. Mémoire de travail __: L'aptitude à maintenir et manipuler des informations à court terme, dans les modalités textuelle, auditive et visuelle.

__6. Stockage en mémoire à long terme __: La capacité d'apprentissage continu, associer de nouvelles informations, mémoriser des récits, retenir des données verbatim.

__7. Récupération de la mémoire à long terme __: La fluidité et la précision avec lesquelles on accède aux connaissances stockées, incluant la capacité cruciale d'éviter les confabulations (hallucinations).

__8. Traitement visuel __: L'analyse, le raisonnement et la génération d'informations visuelles, images et vidéos.

__9. Traitement auditif __: La discrimination et la reconnaissance des stimuli sonores, incluant la parole, le rythme et la musique.

__10. Vitesse __: La rapidité d'exécution des tâches cognitives simples (lecture rapide, temps de réaction, fluidité de traitement).

Cette approche multimodale permet un diagnostic précis des forces et faiblesses des systèmes actuels. Chacune des 10 compétence vaut pour 10% des 100% de l’intelligence générale, un score de 0% représentant une incompétence complète, un score de 10% représentant l’équivalent de l’intelligence humaine éduquée sur la compétence en question. Et contrairement à ce qu'on pourrait croire, les IA les plus avancées ne sont pas « un peu moins bonnes » que les humains sur tous les plans. Elles présentent en fait un profil cognitif extrêmement « dentelé », excellant dans certains domaines (dépassant même parfois largement l’humain) tout en étant complètement défaillantes dans d'autres.

GPT-5 : un bond spectaculaire, mais encore à mi-chemin

Les résultats de l'évaluation de GPT-4 et GPT-5 sur ce framework sont révélateurs. En deux ans, le « score AGI » est passé de 27% à 57%, une progression impressionnante qui marque effectivement un point d'inflexion. GPT-5 atteint désormais le score maximal (10%) sur plusieurs composantes majeures : connaissances générales, lecture et écriture, mathématiques, et raisonnement.

GPT-5 peut désormais résoudre des problèmes d'olympiades mathématiques qui auraient déconcerté la plupart des adultes bien éduqués. Il maîtrise la lecture de documents complexes et la production de textes sophistiqués. Son raisonnement logique, notamment grâce aux avancées des modèles de raisonnement comme o1 ou o3, approche la fluidité humaine (notamment depuis la percée de o3 au test ARC).

Le traitement visuel marque des progrès significatifs (4% contre 0% pour GPT-4), mais reste largement insuffisant. Les modèles actuels peinent particulièrement sur le raisonnement visuel et la modélisation du monde physique. Sur le benchmark IntPhys 2 développé par Meta, qui teste la compréhension intuitive de la physique via des vidéos, les meilleurs modèles actuels ne dépassent que légèrement le niveau du hasard. C'est comme si l'IA voyait les images, pouvait les analyser et décrire ce qui s’y trouve, mais ne comprenait pas vraiment comment le monde fonctionne.

Le traitement auditif progresse également (6% contre 0%), mais là encore, les capacités restent partielles. La mémoire de travail double (de 2% à 4%), reflétant notamment les améliorations dans la gestion des contextes longs et des informations multimodales.

La récupération de mémoire à long terme stagne à 4% pour les deux modèles. Cela s'explique en grande partie par les hallucinations, ces moments où le modèle invente des informations avec une confiance inébranlable. Sur le benchmark SimpleQA d'OpenAI, GPT-5 hallucine encore sur plus de 30% des questions très spécifiques. Toutes ces capacités, bien qu’encore un peu faiblarde, s’améliorent rapidement.

En revanche, il n’en va pas de même pour la mémoire à long terme qui reste une faiblesse majeure. GPT-4 comme GPT-5 restent à… 0%. Les deux modèles souffrent d'une forme d'« amnésie » : ils sont incapables d'apprendre véritablement de nouvelles informations au fil du temps. Leur réseau de neurones est entraîné une fois pour toute puis reste complètement statique par la suite. Certes, les interfaces des chatbots actuels donnent l'illusion d'une mémoire grâce à 2 astuces :

• Au sein d’une conversation : réinjecter dans l’IA l’ensemble de l’historique de la conversation à chaque nouveau prompt pour donner une cohérence contextuelle.
• Entre les conversations : stocker certains faits saillants dans une petite base de données externes (fonctionnalité « mémoire » de ChatGPT), dans lequel l’IA peut aller piocher pour affiner ses réponses.

Mais ces contorsions ne remplacent pas un véritable apprentissage continu de l’IA elle-même, qui seul garantirait sa réelle amélioration au fil du temps.

Les goulots d'étranglement sur la route de l'AGI

Adam Khoja, co-auteur de l'étude, a récemment publié une analyse des obstacles restants dans un article pour AI Frontiers. Selon lui, la plupart des lacunes actuelles seront comblées par de l'ingénierie « business-as-usual », les progrès incrémentaux habituels de la recherche en IA.

Pour le raisonnement visuel, les progrès sont déjà rapides. Sur le benchmark SPACE d'Apple, GPT-4o (mai 2024) ne scorait que 43,8%, tandis que GPT-5 (août 2025) atteint 70,8%, contre 88,9% pour les humains. À ce rythme, l'écart pourrait se combler d'ici quelques mois.

Pour la modélisation du monde physique, même si des chercheurs comme Yann LeCun estiment qu'il faudra des avancées plus fondamentales, la progression générale des capacités semble déjà améliorer les performances. Un « modèle du monde » (world model) structuré semble peu à peu émerger grâce aux techniques actuels. En outre, la recherche sur le sujet est très active, du fait notamment de la popularité des IA de génération de vidéo comme Sora 2, qui s’appuient sur les « world models ».

Le traitement auditif apparaît comme l'un des domaines les plus accessibles à court terme. Historiquement, les capacités audio sont plus faciles à acquérir pour les modèles que les capacités visuelles (car les données auditives peuvent, en général, se ramener à du texte avec moins de perte d’information que les images). Si les modèles audio des grandes entreprises d'IA restent en retrait, c'est probablement par manque de priorisation plutôt que par difficulté technique intrinsèque. La startup Sesame AI, spécialisée dans les compagnons vocaux, a déjà démontré des capacités vocales bien supérieures aux leaders du secteur.

Mais la mémoire à long terme, elle, représente un défi d'une autre nature. L’architecture des systèmes elle-même est challengée. Ici, une vraie innovation sera nécessaire. Mais doit-on attendre un vrai changement de paradigme, comme le fut l’arrivée des Transformers en 2017 qui nous a mené aux LLM comme ChatGPT, ou bien une simple nouvelle approche des technologies actuelles, comme l’arrivée des modèles de raisonnement, sera-t-elle suffisante ? Adam Khoja penche pour la seconde option.

Et de fait, le problème n'est pas complètement opaque. Les grandes entreprises d'IA y consacrent désormais des ressources considérables. En août 2025, Demis Hassabis de DeepMind a identifié la mémoire comme une capacité clé manquante. Sam Altman, PDG d'OpenAI, a précisé en parlant de GPT-6 que « Les gens veulent de la mémoire. » Dario Amodei d'Anthropic a même détaillé des pistes techniques prometteuses : « Nous pourrions entraîner le modèle de manière à ce qu'il soit spécialisé dans l'apprentissage sur le contexte. On pourrait même, pendant le contexte, mettre à jour les poids du modèle... Il y a beaucoup d'idées très proches des idées actuelles qui pourraient peut-être accomplir l'apprentissage continu. »

2028 ou 2030 : l'AGI plus proche qu'on ne le pense ?

En agrégeant l'ensemble des capacités, Adam Khoja estime une probabilité de 50% d'atteindre un score AGI supérieur à 95% d'ici fin 2028, et de 80% d'ici fin 2030. Ces estimations se rapprochent donc davantage des prédictions d'Amodei que de celles de Karpathy.

Ces estimations s'expliquent par la nature des obstacles restants. Si l'on devait réinventer complètement les fondements de l'IA pour progresser, les délais seraient effectivement longs. Mais si les principaux goulots d'étranglement relèvent de l'ingénierie incrémentale et d'une percée ciblée sur la mémoire, alors la fenêtre temporelle se rétrécit considérablement.

Le framework proposé par cette équipe de chercheurs ne résoudra pas tous les débats. On peut discuter la pondération de chaque composante, l'exhaustivité des tests, ou la pertinence de prendre l'adulte bien éduqué comme référence. Je considère moi-même que prendre l’humain comme mesure de la machine n’est pas la méthode la plus féconde, et qu’il est plus pressant et cohérent avec les technologies actuelles d’étudier la question de superintelligences très différentes de l’humain. Mais ce travail a le mérite de remplacer la spéculation vague par un diagnostic quantitatif. Il permet de passer de « l'AGI arrive bientôt (ou pas) » à « voici précisément où nous en sommes, voici ce qui manque, et voici à quelle vitesse nous progressons ».

Cette clarification n'est pas qu'académique. Elle change la nature des conversations sur la gouvernance de l'IA, sur les investissements nécessaires, et sur les préparations sociétales. Si l'AGI est effectivement à portée de main d'ici 3 ans et non d’ici 10 ans, alors l'urgence de repenser nos systèmes éducatifs, nos marchés du travail, et nos cadres réglementaires devient criante.

Nous sommes à mi-chemin. Pas dans un voyage linéaire, mais dans un processus de construction dont nous commençons seulement à comprendre l'architecture. Les prochaines années nous diront si les pièces manquantes du puzzle se mettront en place aussi rapidement que certains le prédisent. Nous disposons désormais d'un instrument de mesure pour suivre le chemin, kilomètre après kilomètre, vers ce qui pourrait être la transformation technologique la plus profonde de l'histoire humaine.

Footnotes

1. http://agidefinition.ai/ ↩