Qu'est-ce que l'AGI ? Définition, mesure et état de la recherche

L’AGI, ou intelligence artificielle générale, désigne un système capable d’apprendre et de résoudre une grande variété de problèmes, y compris des problèmes nouveaux, en transférant ses acquis entre situations. Sa définition et son seuil de validation restent discutés : une bonne performance sur un examen, une conversation ou un benchmark ne suffit pas à établir cette capacité générale.

Ce que signifie le mot « générale »

Une intelligence spécialisée accomplit une famille de tâches délimitée. Pour parler d’intelligence générale, il faut aussi examiner sa capacité à acquérir des compétences lorsque les règles, les données ou les objectifs changent. L’enjeu dépasse donc le nombre de fonctions proposées dans une interface.

Prenons un exemple pédagogique : un programme sait organiser des fichiers selon leur extension. Vous lui demandez ensuite de découvrir un classement inconnu à partir d’exemples, puis de l’adapter lorsqu’une exception apparaît. Ce qui intéresse la recherche sur l’AGI est la manière dont il apprend cette nouvelle organisation, les informations nécessaires et sa capacité à réutiliser ce qu’il a compris.

La généralité ne signifie pas nécessairement savoir tout faire immédiatement. Elle peut désigner une aptitude à apprendre dans un périmètre étendu, avec des ressources limitées. Il faut donc préciser si l’on mesure des compétences déjà disponibles ou la capacité à en acquérir.

Le travail Levels of AGI for Operationalizing Progress on the Path to AGI, publié initialement en novembre 2023 et révisé en septembre 2025, propose de distinguer la profondeur des performances et l’étendue des capacités. Il traite aussi séparément l’autonomie accordée au système. Cette proposition fournit un vocabulaire de recherche ; elle ne constitue pas une certification universelle.

Vous trouverez dans notre dossier sur l’intelligence artificielle générale les pages consacrées aux différentes dimensions de cette question. Avant de retenir une annonce, identifiez toujours la définition utilisée.

Les notions qu’il faut distinguer

AGI, modèle de langage, agent et superintelligence ne désignent pas le même objet. Les employer comme synonymes conduit à attribuer à un système des capacités que son fonctionnement ne démontre pas.

Un grand modèle de langage est une catégorie de modèle. Un agent est un système qui choisit et exécute des actions dans un environnement. L’AGI décrit une ambition de généralité des capacités ; la superintelligence ajoute l’idée de performances dépassant largement celles des humains.

Notion	Ce qu’elle décrit	Ce qu’il faut examiner	Ce qu’elle ne prouve pas
Modèle de langage	Une famille de modèles traitant notamment le langage	Qualité des réponses, transfert, erreurs	Une aptitude générale à apprendre
Agent IA	Une organisation capable d’enchaîner des actions	Choix des actions, vérification, récupération après erreur	Une intelligence générale
AGI	Une capacité générale à apprendre et résoudre des problèmes	Étendue, adaptation, efficacité d’apprentissage	Une conscience ou une intention propre
Superintelligence	Un niveau de capacités largement supérieur aux capacités humaines	Domaines concernés et conditions de comparaison	Un comportement bénéfique

Ces distinctions ont une conséquence pratique : ajouter une mémoire et des outils à un modèle peut améliorer un système sans démontrer son caractère général. Inversement, un système peut réussir un problème difficile tout en restant soumis à une validation humaine avant chaque action.

La conscience constitue encore une autre question. Les tests présentés ici observent des comportements et des résultats ; ils ne donnent pas accès à une éventuelle expérience subjective.

Pour comprendre la boucle d’actions sans la confondre avec une mesure d’intelligence, consultez l’article Agent IA ou chatbot : quelle différence ?. Une architecture d’exécution et un niveau de capacité doivent être évalués séparément.

Mesurer l’intelligence plutôt que les compétences accumulées

Dans son essai On the Measure of Intelligence, publié en novembre 2019, François Chollet défend une distinction entre compétence et intelligence. Une performance peut dépendre fortement des connaissances préalables et de l’expérience d’entraînement. Elle ne révèle donc pas, à elle seule, la capacité du système à apprendre.

Il propose de considérer l’intelligence comme une efficacité d’acquisition de compétences. Cette approche demande de tenir compte du périmètre des problèmes, de leur difficulté de généralisation, des connaissances initiales et de l’expérience disponible. L’objectif est de mieux isoler l’aptitude à faire face à la nouveauté.

Pour interpréter un résultat dans cette perspective, vous pouvez examiner :

• les informations déjà accessibles au système ;
• les exemples supplémentaires nécessaires pour apprendre ;
• les changements introduits dans la tâche ;
• les ressources consommées pour réussir ;
• le transfert vers un problème différent.

Considérons une situation hypothétique de classement de documents. Un système reconnaît correctement des formulaires familiers, puis rencontre une présentation inconnue. Sa réussite initiale reste utile, mais elle ne répond pas à la question suivante : peut-il découvrir les nouvelles règles avec peu d’exemples et les appliquer correctement ?

Cette distinction aide à construire une évaluation. On conserve le principe du problème, on modifie sa présentation, puis on observe les erreurs et les corrections nécessaires. Il faut éviter de transformer le test en simple reconnaissance d’un format connu.

Notre page sur la généralisation et l’acquisition de compétences approfondit cette approche. Elle permet de comprendre pourquoi la quantité de connaissances mobilisées et la capacité d’adaptation méritent des mesures différentes.

Les critères d’une évaluation utile

Une évaluation de l’AGI doit annoncer ce qu’elle cherche à établir. « Réussir des tâches variées » reste trop vague si l’on ne précise ni les domaines, ni le niveau attendu, ni l’aide autorisée.

Il faut d’abord définir le périmètre. Un ensemble d’exercices mathématiques peut renseigner sur certaines capacités mathématiques, mais ne mesure pas directement l’apprentissage d’un logiciel inconnu ou l’interaction avec un environnement physique. Une conclusion solide reste proportionnée aux tâches observées.

Il faut ensuite définir la nouveauté. Une question inédite peut reproduire presque exactement un schéma familier. À l’inverse, une présentation visuellement proche peut exiger une règle différente. La généralisation se juge donc sur les transformations demandées, pas uniquement sur l’absence de doublon textuel.

Les conditions de réussite doivent également être explicites. Le système reçoit-il des corrections ? Peut-il consulter une documentation, exécuter des programmes ou recommencer ? Évalue-t-on sa première réponse ou le meilleur résultat parmi plusieurs essais ?

Une comparaison avec des humains demande la même précision. Des spécialistes, des débutants et des participants entraînés au test ne représentent pas la même référence. Ils doivent disposer d’instructions et de moyens dont les différences sont documentées.

Enfin, l’évaluation doit conserver les échecs. Un système qui produit parfois une solution excellente peut rester peu fiable si l’on ne sait pas identifier ses réponses incorrectes. Pour une utilisation réelle, la possibilité de détecter une erreur et de demander de l’aide compte autant que la réussite moyenne.

Ces critères ne composent pas une définition officielle. Ils rendent une affirmation vérifiable et permettent de discuter ses limites sans dépendre d’une impression générale.

ARC-AGI : tester l’adaptation à des problèmes nouveaux

ARC-AGI fournit un exemple de cette démarche. La présentation officielle d’ARC-AGI-1 décrit des problèmes de grilles dans lesquels il faut déduire une transformation à partir d’exemples, puis l’appliquer à une nouvelle entrée. Le test vise l’acquisition d’une règle avec peu d’informations.

Le format évite de faire dépendre chaque problème d’une connaissance spécialisée. Il reste néanmoins construit avec des choix sur les objets, l’espace et les régularités accessibles au participant. Ce cadre doit être pris en compte lorsque l’on interprète les résultats.

En octobre 2026, il faut aussi distinguer les tâches statiques des environnements interactifs. La présentation officielle d’ARC-AGI-3 décrit des environnements où un agent explore, découvre le fonctionnement et les objectifs, puis adapte ses actions sans instructions en langage naturel. L’évaluation porte ainsi sur un apprentissage qui se déroule au fil de l’interaction.

La différence est méthodologique. Dans un problème statique, toutes les observations fournies peuvent être examinées avant la réponse. Dans un environnement interactif, le système doit choisir ses expériences : une action sert aussi à obtenir une information utile.

Pour autant, un succès sur ces épreuves ne couvrirait pas tous les aspects possibles de l’AGI. La maîtrise du langage, les compétences sociales ou la fiabilité professionnelle demanderaient d’autres évaluations.

La page de référence ARC-AGI détaille les formats et leurs limites. Le nom du benchmark indique un programme de recherche ; il ne faut pas le lire comme un label automatiquement attribué à ses meilleurs participants.

Pourquoi un score élevé ne suffit pas

Un score résume des résultats dans un protocole. Pour le comprendre, il faut retrouver ce que cette moyenne rassemble et ce qu’elle laisse de côté.

La première difficulté est la séparation entre entraînement et évaluation. Si les questions ou leurs solutions ont été utilisées pour préparer le système, le résultat peut refléter une familiarité avec le test. Même sans accès direct aux réponses, des réglages répétés sur les mêmes exercices peuvent favoriser une adaptation au benchmark.

La robustesse demande une vérification différente. L’étude GSM-Symbolic, initialement publiée en octobre 2024, examine des variantes contrôlées de problèmes mathématiques. Elle rapporte des variations de performance lorsque certains éléments des énoncés changent. Ces observations concernent les modèles et les conditions étudiés ; elles ne décrivent pas automatiquement les systèmes disponibles en octobre 2026.

Le principe reste utile pour concevoir des tests : changer les nombres, retirer un indice superficiel ou reformuler une consigne permet d’examiner la stabilité d’une réussite. Une baisse doit ensuite être analysée, car toutes les modifications n’ont pas la même difficulté.

Il faut aussi séparer réussite et coût. Une méthode peut améliorer son résultat en multipliant les tentatives, les programmes candidats ou les appels à des outils. Cela peut constituer un progrès utile, mais la comparaison doit inclure ces ressources.

Enfin, une moyenne peut masquer une famille entière d’échecs. Examinez les résultats par type de tâche, les cas non résolus et les conditions où le système se trompe avec assurance.

L’article Comprendre les classements des modèles donne une grille de lecture complémentaire. Un classement ordonne des résultats ; il ne remplace pas l’analyse du protocole.

Ce que l’on peut établir en octobre 2026

Au 24 octobre 2026, les sources consultées permettent de constater une recherche active sur l’adaptation, l’efficacité et les conditions d’évaluation. Elles ne fournissent pas un protocole universel permettant de certifier l’ensemble des capacités généralement associées à l’AGI.

Le classement officiel d’ARC Prize, consulté à cette date, distingue notamment les configurations de raisonnement, les systèmes de compétition et les dispositifs qui entourent les modèles. Il met aussi en relation performances et ressources consommées. Ces distinctions empêchent d’attribuer toute variation de score au seul modèle.

Le dispositif d’exécution peut conserver des notes, transmettre l’historique ou préserver un état de travail. Si ces conditions changent, le système évalué change également. Une comparaison sérieuse doit donc décrire la configuration complète et son budget.

Cette observation invite à formuler des conclusions précises : un système a réussi certaines tâches, selon certaines règles, avec certaines ressources. Passer de ce constat à l’affirmation qu’il possède une intelligence générale exige des preuves supplémentaires sur l’étendue et le transfert de ses capacités.

L’absence de certification universelle ne signifie pas que tous les progrès seraient indécidables. On peut mesurer une meilleure réussite sur un jeu inédit, une adaptation plus rapide ou une diminution du nombre d’interventions nécessaires. Ces résultats sont informatifs lorsqu’ils sont reproductibles.

Pour suivre l’état de la recherche, privilégiez donc les publications accompagnées de protocoles, de traces et de limites explicites. Une démonstration sélectionnée illustre une possibilité ; une évaluation systématique permet d’en examiner la fréquence et les conditions.

Les pistes de recherche : apprendre, chercher et réutiliser

Plusieurs mécanismes peuvent contribuer à l’apprentissage de nouvelles tâches. Les distinguer permet de comprendre ce qu’une expérience démontre réellement.

Un système peut apprendre pendant son entraînement, exploiter des exemples fournis dans son contexte ou chercher une solution pendant l’exécution. Il peut aussi tester une hypothèse avec un outil, observer l’échec et recommencer. Ces mécanismes ne mobilisent pas les mêmes informations ni les mêmes ressources.

Une piste consiste à rechercher des programmes qui expliquent les exemples observés. Le programme candidat peut ensuite être exécuté pour vérifier ses prédictions. L’intérêt est de disposer d’une représentation explicite de la règle proposée.

La publication DreamCoder, déposée en juin 2020, présente un système qui combine recherche de programmes, guidage neuronal et apprentissage d’abstractions réutilisables. Elle illustre comment des composants acquis sur certains problèmes peuvent aider à en résoudre d’autres. Ce résultat porte sur les domaines expérimentaux étudiés, sans établir une capacité générale illimitée.

Le problème de recherche reste exigeant : des règles différentes peuvent expliquer les mêmes exemples. Il faut choisir des hypothèses, organiser les essais et éviter une recherche trop coûteuse. La possibilité de vérifier un programme ne garantit pas que le système trouvera rapidement le bon.

Une autre question concerne la conservation des acquis. Un système peut réussir grâce à son historique immédiat sans savoir réutiliser la découverte dans une autre session. Tester ce transfert demande une expérience distincte.

Ces pistes doivent être comparées sur des tâches nouvelles et avec des budgets explicites. Une architecture prometteuse reste une hypothèse à évaluer ; son principe ne permet pas, seul, de conclure à l’AGI.

Comment examiner une annonce d’AGI

Vous pouvez lire une annonce comme une proposition expérimentale. Commencez par reformuler ce qui est revendiqué en termes observables : quelles tâches le système apprend-il, avec quelle aide et dans quelles limites ?

Cherchez ensuite les éléments permettant de contrôler la conclusion :

1. La définition retenue. La publication vise-t-elle une capacité d’apprentissage, une couverture de tâches ou un niveau de performance ?
2. Le système complet. Quels outils, mémoires, instructions et interventions humaines participent au résultat ?
3. Les données d’évaluation. Les tâches sont-elles publiques, nouvelles, protégées ou sélectionnées après les essais ?
4. Le budget. Les tentatives infructueuses et le calcul supplémentaire sont-ils comptabilisés ?
5. La vérification. Les protocoles, traces et résultats permettent-ils une reproduction indépendante ?

Distinguez ensuite ce qui a été observé de ce qui est extrapolé. Un système qui apprend un environnement inconnu fournit un résultat sur cet environnement. Affirmer qu’il pourra apprendre tout métier ou toute science ajoute une hypothèse dont il faut examiner les preuves.

Les échéances méritent le même traitement. Une prévision dépend du seuil choisi et d’hypothèses sur les progrès futurs. Une date annoncée ne remplace ni un protocole ni un résultat.

Pour un usage professionnel, vous pouvez appliquer cette discipline sans attendre de trancher le débat sur l’AGI. Définissez des tâches représentatives, conservez les cas difficiles, mesurez les corrections et contrôlez les actions sensibles. Le guide pour évaluer un agent IA développe cette méthode.

La question opérationnelle devient alors précise : ce système accomplit-il votre tâche avec une fiabilité et un coût acceptables ? Sa réponse peut être utile même si son statut d’intelligence générale reste discuté.

À retenir

• L’AGI désigne une capacité générale d’apprentissage et de résolution de problèmes ; son seuil de validation dépend d’une définition explicite.
• Une compétence élevée ne mesure pas directement l’efficacité avec laquelle un système acquiert des compétences nouvelles.
• Un résultat doit être accompagné de son protocole, de ses ressources et de ses limites de généralisation.
• Les tests comme ARC-AGI éclairent certaines capacités ; leur réussite ne couvre pas tous les critères possibles de l’intelligence générale.
• Pour juger une annonce, examinez les tâches inédites, les échecs, l’aide reçue et la possibilité de reproduire les résultats.

Questions fréquentes

Que veut dire AGI en français ?

AGI signifie Artificial General Intelligence, traduit par intelligence artificielle générale. L’acronyme anglais reste courant en français. Il désigne un objectif de recherche dont les critères précis varient selon les publications.

Une AGI serait-elle forcément consciente ?

Les évaluations de capacités ne permettent pas de déterminer si un système possède une expérience subjective. Une machine pourrait satisfaire des critères de résolution de problèmes sans que cela tranche la question de sa conscience. Ces deux sujets demandent des arguments distincts.

Quel score faut-il obtenir pour être une AGI ?

Il n’existe pas de note universelle donnant ce statut. Un résultat doit être interprété dans le périmètre du test, avec ses données, ses ressources autorisées et sa méthode de notation. Même un test entièrement réussi laisse ouvertes les capacités qu’il n’évalue pas.

Peut-on prévoir la date d’arrivée de l’AGI ?

Une prévision dépend de la définition retenue et des hypothèses sur les progrès futurs. Elle devrait préciser les capacités attendues, les conditions de validation et son incertitude. Une échéance annoncée par un laboratoire ne constitue pas une démonstration expérimentale.