Dossier AGI · Intermédiaire · 10 min
Quand l’AGI ? Les prévisions publiées, leurs méthodes et pourquoi elles divergent
Aucune date d’AGI ne fait consensus. Comparez les prévisions publiées, leurs définitions, leurs méthodes et les incertitudes qui expliquent leurs écarts.
Aucune date d’arrivée de l’AGI, ou intelligence artificielle générale, ne fait consensus dans les sources examinées au 24 octobre 2026. Les prévisions divergent parce qu’elles visent des capacités différentes et combinent enquêtes, extrapolations, scénarios ou jugements de recherche. Pour les comparer, il faut lire ensemble l’événement prévu, sa probabilité, ses conditions et la date de publication de l’estimation.
Définir l’événement avant de comparer les dates
Une prévision devient interprétable lorsqu’elle précise ce qui doit se produire. Dépasser un humain sur des épreuves scolaires, apprendre un métier inconnu et conduire une recherche autonome sont des objectifs distincts. Une date dépourvue de critère de réussite laisse au lecteur le soin de choisir sa propre définition.
Il faut notamment séparer la performance, la généralisation et l’autonomie. La performance décrit un résultat sur une tâche. La généralisation concerne le transfert à des situations nouvelles ; l’autonomie ajoute la capacité à poursuivre un objectif avec une supervision limitée.
La dimension économique introduit encore d’autres exigences. Un système peut réussir une tâche tout en demandant trop de calcul, de vérifications ou d’interventions pour remplacer une organisation existante. À l’inverse, une automatisation spécialisée peut transformer une activité sans satisfaire une définition exigeante de l’intelligence générale.
Avant de retenir une échéance, demandez donc :
- Quelles tâches sont incluses, et lesquelles sont exclues ?
- Quel niveau humain sert de comparaison ?
- Quel apprentissage préalable et quelle assistance sont autorisés ?
- Quels coûts, délais et taux d’erreur sont acceptables ?
- Qui constate que le seuil est franchi ?
Ces questions complètent notre explication de la définition de l’AGI. Elles empêchent surtout de placer sur une même frise des événements qui portent le même nom mais ne correspondent pas au même seuil.
Les prévisions publiées : des objets différents
Le tableau suivant rassemble des publications identifiables. Les dates indiquées appartiennent aux estimations d’origine ; elles ne constituent pas un calendrier validé par le site.
| Publication | Événement ou capacité visée | Horizon publié | Méthode et limite principale |
|---|---|---|---|
| Enquête de Grace et ses coauteurs, publication initiale en janvier 2024 | Machines sans assistance dépassant les humains dans toutes les tâches possibles | Probabilité agrégée de 10 % d’ici 2027 et de 50 % d’ici 2047 | Enquête auprès de chercheurs ; agrégation d’opinions |
| Dario Amodei, Machines of Loving Grace | IA très supérieure dans de nombreux domaines, capable de travail autonome | Possibilité évoquée dès 2026 | Jugement argumenté ; aucune échéance garantie |
| AI 2027, prévisions techniques d’avril 2025 | Développement interne d’un programmeur surhumain | Médianes initiales toutes considérations comprises : 2028, 2030 et 2033 selon les prévisionnistes | Modèles et ajustements de jugement ; cible centrée sur le code |
| State of AI Report 2026 | AGI annoncée comme prévision éditoriale | 2027 | Prise de position prospective ; définition opérationnelle à examiner |
L’enquête de Grace et ses coauteurs, publiée initialement en janvier 2024, rassemble 2 778 chercheurs. Sous l’hypothèse d’une poursuite de la science sans interruption, son estimation agrégée atteint 50 % en 2047 pour la capacité générale étudiée. Une question différente, portant sur l’automatisation complète de tous les métiers, atteint ce seuil en 2116.
Dans Machines of Loving Grace, daté d’octobre 2024, Dario Amodei envisage une IA puissante dès 2026, tout en reconnaissant qu’elle pourrait prendre bien plus longtemps. Il décrit des capacités intellectuelles étendues et une autonomie sur des travaux longs. Il s’agit d’une possibilité argumentée, sans probabilité chiffrée comparable à celle d’une enquête.
Le State of AI Report 2026, publié en octobre 2026, retient pour sa part une prévision d’AGI en 2027. Cette annonce ne suffit pas à rendre son seuil équivalent à ceux des autres publications.
Les enquêtes mesurent des attentes, pas un compte à rebours
Une enquête permet de décrire la distribution des anticipations d’une communauté. Sa valeur tient à la formulation des questions, à la sélection des personnes interrogées et à la transparence de l’agrégation. Elle permet aussi de suivre l’évolution des attentes lorsque le protocole reste comparable.
Mais l’expertise en apprentissage automatique ne constitue pas une mesure directe du délai jusqu’à une découverte. Un chercheur peut connaître précisément certaines architectures et rester incertain sur les ressources industrielles, la robotique ou l’organisation du travail. Plusieurs personnes compétentes peuvent partager un angle mort.
Le libellé de la question compte autant que le nombre de réponses. Une tâche intellectuelle réalisée dans un environnement numérique n’impose pas les mêmes contraintes que l’automatisation complète d’un métier. Ce dernier peut comprendre de la présence physique, de la responsabilité et des interactions difficiles à formaliser.
Il faut également distinguer l’estimation agrégée et l’accord entre répondants. Une courbe collective peut être calculée à partir d’opinions très dispersées. Sa médiane ne signifie pas que tous les chercheurs situent personnellement le basculement près de cette date.
Pour lire une enquête, cherchez donc la question originale et les conditions attachées aux réponses. Vérifiez aussi si l’on vous présente une probabilité cumulée, une moyenne de dates ou une autre statistique. Ces résumés ne sont pas interchangeables.
Les extrapolations : prolonger une mesure exige un pont
L’extrapolation part d’une évolution observée et la prolonge sous certaines hypothèses. Elle rend le raisonnement inspectable : on peut discuter la pente, la période étudiée et le seuil à atteindre. Elle ne démontre pas que la tendance se poursuivra hors du domaine mesuré.
METR fournit un exemple utile avec l’horizon temporel des tâches. Cet horizon exprime la durée qu’un humain mettrait à accomplir des tâches sur lesquelles un agent atteint un taux de réussite donné. Il ne correspond donc pas simplement au temps pendant lequel un programme reste actif.
Dans sa mise à jour du 29 janvier 2026, METR rapporte un doublement historique d’environ sept mois sur sa série hybride, et de 131 jours pour la période depuis 2023 avec sa méthode révisée. L’organisme souligne la sensibilité à la composition des tâches et des intervalles encore larges.
Ces mesures renseignent sur une progression expérimentale. Pour prévoir une AGI, il faut ensuite justifier le passage entre la réussite sur ces tâches et les capacités générales recherchées. Ce pont entre mesure et objectif est souvent la partie la plus incertaine du raisonnement.
La fiabilité change aussi l’interprétation. Une réussite une fois sur deux peut être pertinente pour explorer une capacité, mais insuffisante pour déléguer une activité sans contrôle. Une extrapolation doit préciser le niveau de réussite qu’elle prolonge, ainsi que le coût des échecs.
Les scénarios rendent les hypothèses visibles
Un scénario déroule une succession possible d’événements. Il peut montrer comment des progrès techniques, des décisions d’entreprise et des réactions politiques interagiraient. Son détail facilite la discussion des mécanismes ; il ne donne pas automatiquement une forte probabilité à l’ensemble du récit.
Les prévisions techniques accompagnant AI 2027 distinguent notamment une extrapolation des horizons de tâches et une méthode partant d’un benchmark de recherche, suivie d’une estimation du chemin restant. Leur cible est un programmeur surhumain dans une entreprise développant l’IA. Les estimations initiales toutes considérations comprises d’avril 2025 avaient des médianes différentes, malgré le titre commun du scénario.
Cette distinction évite une erreur : traiter l’année d’un récit comme la médiane unique de ses auteurs. Il faut lire les distributions et les documents techniques qui accompagnent la narration.
La mise à jour d’AI Futures Project du 16 août 2026 ajoute des approches fondées sur les gains de productivité en programmation et les revenus. Les auteurs signalent notamment l’incertitude du lien entre horizon de tâches et automatisation du code. Ils précisent que leurs échéances supposent une progression aussi rapide que techniquement possible.
Pour évaluer un scénario, isolez les transitions décisives : assistance au code, automatisation du travail, accélération de la recherche, puis capacités plus larges. Chacune demande des éléments propres. La plausibilité d’une étape ne valide pas mécaniquement les suivantes.
Les désaccords portent aussi sur la nature de l’intelligence
Une partie des divergences ne concerne pas la vitesse du progrès, mais ce qui manque pour atteindre l’objectif. Si l’obstacle principal relève de l’ingénierie et des ressources, prolonger une tendance peut sembler pertinent. S’il faut résoudre un problème conceptuel, cette extrapolation devient moins informative.
Dans On the Measure of Intelligence, publié en novembre 2019, François Chollet propose de caractériser l’intelligence par l’efficacité d’acquisition de compétences. Son analyse distingue le niveau atteint sur une tâche de la capacité à apprendre, en tenant compte des connaissances préalables et de l’expérience. Cette proposition conduit à examiner les conditions d’apprentissage plutôt qu’à déduire une échéance d’un score isolé.
La page consacrée à la généralisation selon François Chollet développe cette distinction. Elle ne fournit pas, à elle seule, une date d’arrivée de l’AGI.
Yann LeCun expose une autre proposition dans A Path Towards Autonomous Machine Intelligence, daté du 27 juin 2022. Il présente une architecture articulant notamment modèle prédictif du monde, apprentissage autosupervisé et planification hiérarchique. Ce texte décrit une direction de recherche, sans établir une échéance calendaire.
Ces approches doivent être discutées sur leurs propositions précises. Elles ne justifient ni d’attribuer à leurs auteurs une date absente de la publication, ni de considérer qu’une critique des méthodes actuelles prouve un horizon nécessairement lointain.
Pourquoi les estimations s’écartent autant
Les différences de définition expliquent une partie des écarts. Les hypothèses sur les progrès futurs expliquent le reste : continuité des améliorations, rendement des ressources supplémentaires et capacité des systèmes à contribuer eux-mêmes à la recherche.
Une prévision courte peut supposer que plusieurs obstacles céderont ensemble. Une autre peut considérer que la fiabilité, l’apprentissage durable ou la planification imposeront des étapes supplémentaires. Il faut identifier ces hypothèses avant de comparer les années finales.
| Hypothèse à examiner | Si elle favorise une arrivée rapide | Si elle impose un délai |
|---|---|---|
| Continuité des progrès | Les méthodes connues restent productives | Un rendement décroissant impose une nouvelle approche |
| Contribution à la recherche | Les agents accélèrent les expériences utiles | La vérification et le matériel limitent l’accélération |
| Transfert des capacités | Les compétences passent à de nouveaux domaines | Chaque domaine demande une adaptation importante |
| Fiabilité | Les erreurs deviennent détectables et récupérables | Les défaillances rares bloquent la délégation |
| Déploiement | Les systèmes sont intégrables et abordables | Coûts et contraintes opérationnelles retardent l’usage |
Ce tableau sert à analyser les raisonnements ; il n’attribue pas une probabilité à chaque trajectoire. Il rappelle qu’une même observation peut être interprétée différemment selon le mécanisme supposé.
Les horizons courts ne doivent donc pas être rejetés parce qu’ils sont courts. Les horizons longs ne deviennent pas plus solides par leur seule prudence apparente. La qualité dépend de la précision des conditions et de la possibilité de réviser le raisonnement.
Lire les probabilités et les intervalles
Une date médiane partage une distribution en deux selon l’estimation retenue. Elle n’annonce pas que l’événement se produira probablement pendant cette seule année. Une prévision peut avoir une médiane proche tout en laissant une possibilité substantielle à des délais très longs.
L’année la plus probable et l’échéance médiane répondent également à des questions différentes. La première désigne le sommet de la distribution annuelle ; la seconde dépend de toute la probabilité accumulée avant une date. Les confondre peut donner une impression trompeuse de précision.
Les intervalles demandent la même attention. Certains représentent l’incertitude d’un prévisionniste sur l’événement futur. D’autres décrivent seulement l’incertitude statistique d’un ajustement, sous l’hypothèse que le modèle choisi est correct.
Un intervalle étroit autour d’une pente ne couvre pas forcément une rupture technologique ou un changement de protocole. La précision du calcul n’élimine pas l’incertitude sur les hypothèses.
Enfin, une prévision conditionnelle doit conserver sa condition lorsqu’on la résume. Une arrivée sous progression techniquement maximale n’équivaut pas à une arrivée tenant compte de toutes les interruptions possibles. Supprimer cette réserve change le sens du résultat publié.
Quels indices devraient faire réviser une prévision ?
Une prévision utile précise ce qui pourrait la renforcer ou l’affaiblir. Sans cette règle, chaque résultat risque de devenir une confirmation après coup. La révision doit porter sur les mécanismes annoncés, pas seulement sur une nouvelle impression générale.
Pour une prévision fondée sur l’autonomie, on cherchera des tâches longues, nouvelles et évaluées indépendamment. Il faudra connaître les interventions humaines, les tentatives abandonnées et les ressources consommées. Un résultat final réussi ne décrit pas tout le processus.
Pour une prévision centrée sur l’apprentissage, on examinera l’acquisition de règles inédites et leur réutilisation dans un autre contexte. Pour une prévision économique, on observera les gains nets, après contrôle et correction.
Les principaux signaux à suivre sont :
- la réussite sur des tâches gardées hors de l’entraînement ;
- la récupération après une erreur ou un changement de situation ;
- la baisse de la supervision nécessaire ;
- le transfert des acquis entre environnements ;
- le coût total d’un résultat utilisable.
Notre page sur les benchmarks de l’AGI détaille les limites de ces mesures. L’article sur la lecture des classements de modèles aide à distinguer un progrès mesuré d’une comparaison modifiée par le protocole.
Utiliser les prévisions sans dépendre d’une seule date
Pour une entreprise, une collectivité ou un particulier, l’enjeu pratique consiste à préparer des décisions qui restent valables sous plusieurs trajectoires. Former à la vérification des résultats et documenter ses processus peut avoir un intérêt même si l’AGI tarde.
On peut organiser cette préparation autour de trois trajectoires qualitatives : progrès rapide des capacités générales, automatisation forte mais inégale, ou ralentissement sur certains obstacles. Elles servent à tester la robustesse d’une décision, sans leur attribuer des probabilités arbitraires.
Associez ensuite chaque investissement à un déclencheur observable. Une délégation plus large peut dépendre d’une fiabilité démontrée sur vos tâches et d’un coût acceptable. Le guide d’évaluation des agents IA fournit une méthode pour construire ces vérifications.
Conservez enfin un registre des prévisions suivies : publication, événement visé, conditions, probabilité et révisions. Cette pratique évite de remplacer silencieusement une ancienne estimation par sa version corrigée. Elle permet de comprendre ce que les observations ont réellement changé.
Le dossier AGI et recherche rassemble les notions nécessaires pour poursuivre cette veille. La question durable reste celle des capacités démontrées, de leurs conditions d’obtention et de ce qu’elles permettent raisonnablement d’anticiper.
À retenir
- Une date d’AGI n’est comparable à une autre qu’après examen des critères de réussite.
- Enquête, extrapolation, scénario et proposition de recherche apportent des informations différentes.
- Une médiane, une possibilité précoce et l’année d’un récit ne désignent pas la même chose.
- Les révisions doivent être datées et reliées aux observations qui les motivent.
- Pour décider, retenez des capacités vérifiées et plusieurs trajectoires plutôt qu’une échéance unique.
Pages liées
Questions fréquentes
Quelle est la date prévue pour l’AGI ?
Il faut associer chaque date à une définition et à une publication précise. Une échéance concernant l’automatisation de la programmation ne répond pas à la même question qu’une prévision sur l’apprentissage de tâches entièrement nouvelles.
Une prévision à 50 % signifie-t-elle que l’AGI arrivera cette année-là ?
Non. Elle situe un seuil de probabilité cumulée : selon cette estimation, l’événement a autant de chances de survenir avant cette échéance qu’après. Elle laisse donc ouverte une arrivée beaucoup plus tardive.
Pourquoi les prévisions des chercheurs sont-elles si différentes ?
Les chercheurs ne retiennent pas tous les mêmes obstacles ni les mêmes critères de réussite. Leur expertise technique ne leur donne pas non plus un accès certain aux découvertes futures, aux décisions industrielles ou aux contraintes de déploiement.
Peut-on déduire une date d’AGI des benchmarks ?
Un benchmark renseigne sur une population de tâches et un protocole définis. Pour en tirer une date d’AGI, il faut ajouter des hypothèses sur les capacités absentes du test et sur la poursuite des progrès.
Comment utiliser ces prévisions pour une entreprise ?
Préparez plusieurs trajectoires et associez vos investissements à des résultats observables sur vos activités. Une décision reste plus solide si elle conserve son intérêt lorsque les progrès arrivent plus lentement que prévu.