L’intelligence artificielle générale (IAG, ou AGI pour Artificial General Intelligence) désigne une forme hypothétique d’IA capable de comprendre, d’apprendre et d’accomplir n’importe quelle tâche intellectuelle qu’un être humain peut réaliser. Les systèmes actuels font l’inverse : ils sont excellents sur des tâches spécifiques et incapables de transposer seuls ce qu’ils savent à un domaine voisin. L’intelligence artificielle générale reste à ce jour un objectif de recherche, pas une réalité technique atteinte.
Malgré les progrès des grands modèles de langage, aucun consensus scientifique n’existe sur le fait que ces systèmes constituent une IAG ou s’en approchent. Le débat oppose des chercheurs qui annoncent une intelligence de niveau humain à brève échéance et d’autres qui jugent les architectures actuelles structurellement insuffisantes. Cet article fait le point sur ce que recouvre le terme, sur ce qui sépare réellement les modèles d’aujourd’hui d’une IAG, et sur ce que cela change pour une entreprise.
- L’IAG désigne une IA aux capacités cognitives générales équivalentes ou supérieures à celles de l’humain, sur tous les domaines.
- Les modèles actuels (GPT, Claude, Gemini) sont des IA très performantes mais spécialisées, principalement dans le traitement du langage.
- Il n’existe pas de définition unique et consensuelle de l’intelligence artificielle générale parmi les chercheurs.
- Les grands laboratoires ont des positions publiques différentes sur les délais et sur la faisabilité.
- L’IAG soulève des questions de sécurité, d’alignement et de gouvernance qui font l’objet d’une recherche active.
- Aucun test ne fait autorité pour établir qu’un système a franchi le seuil.
Ce que recouvre exactement l’intelligence artificielle générale
Le terme décrit une machine qui apprend et raisonne dans des domaines qu’elle n’a pas vus pendant son entraînement, avec le même degré d’autonomie qu’un humain. On parle indifféremment d’intelligence générale artificielle, d’IA forte ou d’intelligence artificielle générale : trois formulations pour la même idée. En français, le sigle est IAG, intelligence artificielle générale. En anglais, AGI vient d’Artificial General Intelligence, à distinguer de l’expression Artificial Intelligence qui, elle, couvre toute la discipline.
La difficulté commence avec la définition. Il n’existe pas de seuil chiffré à franchir. Certains chercheurs définissent l’IAG par l’autonomie économique : un système capable d’exécuter la majorité des tâches professionnelles à distance. D’autres la définissent par la généralisation : apprendre une règle sur quelques exemples et l’appliquer ailleurs. D’autres encore par la robustesse : garder ses capacités quand le contexte change. Ces définitions ne mesurent pas la même chose, ce qui explique pourquoi deux chercheurs sérieux peuvent regarder le même modèle et conclure l’un que l’IAG approche, l’autre qu’elle reste hors de portée.
Une confusion revient souvent : l’IAG n’est pas l’IA générative. L’IA générative produit du texte, des images ou du son à partir d’un modèle statistique entraîné sur de grandes quantités de données. C’est une famille de technologies, pas un niveau d’intelligence. Un générateur d’images très performant reste une IA étroite.
IA étroite, IA générale, super-intelligence
La distinction entre ces trois niveaux structure tout le sujet. Le premier existe et vous l’utilisez déjà. Le deuxième est un objectif. Le troisième relève de la prospective.
| Type | Capacités | Exemples |
|---|---|---|
| IA étroite (narrow AI) | Spécialisée dans une tâche ou un domaine spécifique, sans transfert vers d’autres domaines | ChatGPT, Claude, systèmes de recommandation, IA d’échecs, filtres antispam |
| IA générale (AGI ou IAG) | Capacités cognitives humaines sur les domaines les plus variés, apprentissage autonome de nouvelles tâches | Hypothétique, pas encore atteinte |
| Super-intelligence (ASI) | Dépasse l’intelligence humaine dans tous les domaines, y compris la recherche scientifique | Purement théorique, sujet de débat prospectif |
| IA générative | Produit du contenu à partir de modèles entraînés sur des données massives, indépendamment du niveau d’intelligence | Modèles de langage, générateurs d’images, synthèse vocale |
Pour aller plus loin sur le premier niveau, l’article consacré à l’intelligence artificielle étroite détaille ce que ces systèmes savent faire et où ils s’arrêtent. La distinction voisine entre IA faible et IA forte recoupe partiellement ce classement, avec un vocabulaire hérité de la philosophie de l’esprit.
Pourquoi les systèmes actuels ne sont pas une IAG
Un modèle de langage prédit le token suivant à partir du contexte. Cette mécanique, poussée à très grande échelle, produit des comportements qui ressemblent au raisonnement : résoudre un problème par étapes, écrire du code, traduire, résumer. Elle ne produit pas pour autant les capacités humaines de généralisation. Quatre écarts restent documentés.
L’apprentissage s’arrête à l’entraînement. Un humain apprend en continu, à chaque interaction. Les modèles actuels sont figés une fois entraînés. Ce qui se passe dans une conversation ne modifie pas leurs paramètres. Les mémoires ajoutées par-dessus sont des bases de données consultées au moment de la requête, pas un apprentissage au sens propre.
La généralisation reste faible hors distribution. Sur une tâche proche de ce qu’ils ont vu, les modèles excellent. Sur une règle inédite qu’un enfant saisit en deux exemples, ils échouent souvent. C’est précisément ce que cherchent à isoler les tests conçus autour du raisonnement abstrait plutôt qu’autour de la connaissance.
Le monde physique manque. Ces systèmes n’ont pas de modèle du monde construit par l’expérience. Ils manipulent des descriptions du monde. La robotique progresse, mais l’ancrage entre le langage, la perception et l’action reste un chantier ouvert.
La fiabilité n’est pas contrôlable. Un modèle génère avec la même assurance une réponse exacte et une réponse fausse. Une IAG devrait savoir ce qu’elle ne sait pas. C’est une propriété qu’aucune architecture actuelle ne garantit.
D’où vient la notion d’intelligence artificielle générale
L’idée précède largement la technologie. En 1950, Alan Turing publie un article où il propose de remplacer la question de la pensée machine par un test conversationnel, le jeu de l’imitation. Six ans plus tard, la conférence de Dartmouth donne son nom à la discipline et fixe une ambition explicitement générale : décrire l’intelligence assez précisément pour qu’une machine la simule.
Le terme d’artificial general intelligence lui-même est plus récent. On en attribue généralement le premier usage écrit à Mark Gubrud, dans un article de 1997 consacré aux risques technologiques. Il ne s’impose vraiment que dans les années 2000, quand une partie de la communauté de recherche veut se démarquer d’une IA devenue une collection d’outils spécialisés.
Entre-temps, la discipline change de méthode. L’approche symbolique des débuts, qui encode des règles à la main, cède la place au machine learning, où le système apprend des régularités à partir de données. Le deep learning et les réseaux de neurones à plusieurs couches font ensuite sauter les verrous de la vision et de la compréhension du langage naturel, le NLP. IBM Watson gagne le jeu télévisé Jeopardy! en 2011 et marque les esprits, tout en restant un système conçu pour des tâches spécifiques. Le développement des architectures de transformeurs, à partir de 2017, ouvre la voie aux modèles de langage que nous connaissons.
Comment on tente de mesurer l’écart
Aucun test ne fait autorité. Le test de Turing, longtemps cité comme référence, mesure la capacité à imiter une conversation humaine, pas la capacité à raisonner : un système peut le passer sans rien comprendre, et un système très capable peut y échouer parce qu’il annonce qu’il est une machine.
Les évaluations sérieuses se sont donc déplacées vers des batteries de tests spécialisés : compréhension de textes, mathématiques, programmation, raisonnement scientifique. Leur limite est connue. Quand un test devient une référence publique, il finit dans les données d’entraînement, et le score monte sans que les capacités suivent. Les tests de raisonnement abstrait, construits sur des grilles inédites que le modèle ne peut pas avoir mémorisées, tentent de contourner ce biais.
Un troisième axe monte en puissance : l’évaluation par tâches longues. Plutôt que de poser une question, on confie au système une mission de plusieurs heures avec des outils, et on mesure jusqu’où il va sans intervention humaine. C’est le protocole le plus proche de ce que recouvrirait une IAG, et celui où l’écart avec l’humain reste le plus visible.
Qui travaille sur l’IAG et avec quelles positions
Le paysage se lit à deux niveaux : ceux qui construisent les modèles et ceux qui fournissent l’infrastructure. Sam Altman a fait de l’intelligence artificielle générale la mission affichée d’OpenAI, dont Microsoft est le principal partenaire industriel. Google poursuit la même trajectoire avec DeepMind et la famille Gemini. Amazon combine sa plateforme cloud et des investissements dans des laboratoires concurrents. Nvidia ne construit pas de modèle grand public mais fournit les processeurs graphiques sans lesquels aucun de ces entraînements n’aurait lieu.
Les positions publiques divergent nettement sur le calendrier. Yann LeCun défend depuis plusieurs années l’idée que les modèles de langage seuls ne mèneront pas à une intelligence de niveau humain, et travaille sur des architectures fondées sur un modèle du monde. Andrew Ng, figure de l’apprentissage automatique, relativise régulièrement les scénarios catastrophes et invite à se concentrer sur les usages présents. Elon Musk, cofondateur d’OpenAI puis fondateur de xAI, se situe du côté des voix qui annoncent une échéance courte. Cette divergence est réelle et n’a rien d’anecdotique : elle porte sur la nature même du chemin restant à parcourir.
| Acteur | Rôle dans la course à l’IAG |
|---|---|
| OpenAI | L’IAG figure dans sa mission affichée, partenariat industriel avec Microsoft |
| Google DeepMind | Recherche fondamentale et modèles Gemini, travaux sur les agents et le raisonnement |
| Anthropic | Modèles Claude, recherche sur la sécurité et l’interprétabilité des systèmes |
| Meta | Recherche publique et modèles open source, position critique sur la voie des modèles de langage seuls |
| Nvidia | Fournisseur des processeurs graphiques utilisés pour l’entraînement |
| Amazon | Infrastructure cloud et investissements dans des laboratoires de recherche |
La couverture médiatique amplifie ces écarts. Les annonces de laboratoires sont reprises par la presse généraliste et économique, du New York Times à CNBC, souvent sans la nuance méthodologique qui les accompagne. Lire un communiqué de laboratoire comme un résultat scientifique validé est l’erreur la plus fréquente sur ce sujet.
Ce qui manquerait techniquement à une IAG
Au-delà du débat sur les délais, la liste des briques manquantes fait plutôt consensus.
- L’apprentissage continu : intégrer de nouvelles connaissances sans réentraîner le modèle entier ni dégrader ce qu’il savait déjà.
- La mémoire à long terme : conserver et réutiliser une expérience passée comme le font les humains, pas seulement recharger un contexte.
- Un modèle du monde : représenter la causalité physique et sociale, anticiper les conséquences d’une action.
- La planification profonde : tenir un objectif sur des centaines d’étapes, se corriger, revenir en arrière.
- L’ancrage multimodal : relier langage, perception et action dans une même représentation, au-delà de la juxtaposition de modalités.
- La calibration : mesurer sa propre incertitude et refuser de répondre quand les données manquent.
Aucune de ces briques n’est hors d’atteinte par principe. Aucune n’est résolue. C’est cet écart entre des systèmes IAG théoriques et les systèmes actuels que la recherche en intelligence artificielle essaie de combler, avec des paris méthodologiques différents : monter en échelle, changer d’architecture, ou combiner apprentissage et raisonnement symbolique.
Sécurité, alignement et gouvernance
Plus les capacités d’un système augmentent, plus la question de son alignement devient concrète. L’alignement consiste à faire en sorte qu’un système poursuive les objectifs voulus, y compris dans des situations que ses concepteurs n’ont pas prévues. Le problème n’est pas de science-fiction : il se pose déjà sur des agents autonomes qui exécutent des actions réelles, envoient des messages ou modifient des fichiers.
Trois familles de risques structurent la recherche. Les risques d’usage, quand la technologie sert à produire de la désinformation ou du code malveillant. Les risques de fiabilité, quand un système est déployé sur une décision qu’il n’est pas capable de tenir. Les risques systémiques, quand la concentration de capacités entre quelques acteurs pose une question de gouvernance publique. Le cadre réglementaire européen sur l’intelligence artificielle traite les deux premiers en imposant des obligations proportionnées au niveau de risque de chaque usage.
Pour une entreprise, la traduction opérationnelle est simple : documenter les usages, garder un humain dans la boucle sur les décisions qui engagent, et vérifier ce qui est produit avant publication.
Ce que ça change pour une entreprise aujourd’hui
L’IAG n’existe pas, donc elle ne figure dans aucun plan à court terme. Ce qui existe et se déploie, ce sont des IA étroites très efficaces sur des périmètres précis. Le service client automatisé traite les demandes répétitives et transfère le reste. La génération de contenu accélère les premiers jets, à condition de relire. L’analyse de données repère des motifs dans des volumes qu’aucune équipe ne lirait. Les applications concrètes de l’intelligence artificielle sont là, et elles se choisissent tâche par tâche.
La méthode qui fonctionne tient en trois temps. Identifier une tâche répétitive, mesurable et non critique. Tester sur un périmètre réduit avec un contrôle humain systématique. Étendre seulement si la qualité tient sur la durée. Ce cadrage vaut mieux qu’une stratégie construite sur l’arrivée annoncée d’une intelligence générale.
Sur le référencement, la conséquence est déjà visible : les moteurs affichent des réponses générées et les modèles conversationnels deviennent une porte d’entrée. Un contenu utile, structuré et vérifiable reste ce qui se fait citer, hier par les liens bleus et aujourd’hui par les réponses générées. L’histoire de la discipline, que retrace l’article sur qui a inventé l’intelligence artificielle, montre d’ailleurs que chaque vague a produit ses promesses excessives et ses usages réels, et que les deux ne se recouvrent jamais complètement.
Boostez votre visibilité avec Oscar Black
Oscar Black est une agence parisienne SEO, Google Ads et GEO. Nous construisons des stratégies de référencement naturel pensées pour les moteurs de recherche et pour les réponses générées par les modèles d’IA.
FAQ : intelligence artificielle générale
ChatGPT ou Claude sont-ils des IAG ?
Non. Ce sont des modèles de langage spécialisés dans le traitement et la génération de texte, d’images et parfois d’audio. Malgré des capacités impressionnantes, ils n’ont ni l’apprentissage continu, ni la généralisation, ni la calibration qu’exigerait une intelligence artificielle générale.
Quelle différence entre IA générale et IA générative ?
L’IA générative désigne une famille de technologies qui produisent du contenu à partir de données d’entraînement. L’IA générale désigne un niveau de capacités cognitives. Un modèle génératif très performant reste une IA étroite tant qu’il ne généralise pas hors de son domaine.
Quand l’IAG sera-t-elle atteinte ?
Il n’existe aucun consensus scientifique sur ce calendrier. Les estimations vont de quelques années chez certains dirigeants de laboratoires à plusieurs décennies, voire jamais, chez des chercheurs qui jugent les architectures actuelles insuffisantes. Aucune de ces prévisions ne repose sur une méthode vérifiable.
Le test de Turing permet-il de trancher ?
Non. Il mesure la capacité à imiter une conversation humaine, pas les capacités cognitives sous-jacentes. Un système peut le passer par imitation et rester incapable de raisonner sur un problème nouveau.
L’intelligence artificielle générale est-elle dangereuse ?
La question fait l’objet d’un débat actif. Les risques discutés portent sur l’alignement, sur les impacts économiques et sur la gouvernance. Les risques concrets aujourd’hui sont plus prosaïques : erreurs non détectées, usages malveillants, dépendance à des systèmes mal évalués.
Faut-il en tenir compte dans une stratégie digitale ?
Pas comme une échéance. En revanche, les usages actuels de l’IA modifient déjà la recherche en ligne, la production de contenu et la relation client. C’est sur ce terrain, mesurable, que se prennent les décisions utiles.