Les chiffres d'abord
En 2019, la prédiction médiane des experts pour l'arrivée de l'AGI était autour de 2060. En 2022, après GPT-3 et la première vague de modèles de fondation, elle est tombée à 2048. La vague 2023 — GPT-4, Claude 2, Gemini — l'a poussée à 2037. Aujourd'hui, septembre 2026, la médiane de la communauté Metaculus se situe à 2031. L'enquête expert d'AI Impacts, qui sonde des centaines de chercheurs, atterrit dans la même plage.
Vingt-neuf ans d'avenir prévu, disparus en sept ans. Ce ne sont pas des experts qui s'emballent aux titres des journaux. C'est une réponse à des choses spécifiques et mesurables qui se sont produites.
Ce qui a réellement fait bouger l'aiguille
Trois catégories de preuves conduisent ce changement, pas des cycles d'engouement.
Saturation des benchmarks. Des tests conçus pour rester hors de portée de l'IA pendant des décennies sont franchis des années à l'avance. MMLU — un test de compréhension linguistique multi-tâches massif couvrant 57 matières, du droit à la physique — était attendu hors de portée jusqu'au milieu des années 2030. GPT-4 a atteint des performances de niveau expert en 2023. GPQA, qui teste les connaissances de niveau doctoral en biologie, chimie et physique, a été franchi par Claude 3 Opus en 2024. Chaque benchmark franchi est un point de calibration. Les experts mettent à jour en conséquence.
Codage et génie logiciel. SWE-bench — un benchmark de vraies issues GitHub nécessitant des modifications multi-fichiers — est passé d'un taux de résolution de 2% en 2023 à plus de 50% mi-2026. Ce n'est pas une amélioration marginale. Le génie logiciel était la profession que de nombreux chercheurs indiquaient comme le proxy le plus clair de la capacité cognitive générale. Observer son effondrement comme facteur différentiateur a été significatif pour ceux qui fixent des calendriers.
Accomplissement de tâches agentiques. C'est plus récent et plus difficile à évaluer clairement, mais la direction est nette. Des systèmes IA accomplissant des projets logiciels sur plusieurs jours, gérant des pipelines de recherche, itérant de manière autonome sur des résultats expérimentaux — ce sont des changements qualitatifs qui n'existaient pas du tout en 2019. Ils compriment l'écart conceptuel entre « modèle de langage très capable » et « système cognitif à usage général ».
À noter : les prévisions restent réparties sur une large plage. Certains chercheurs crédibles situent l'AGI à 2027-28. D'autres à 2040+. La médiane indique seulement où se concentre la masse de probabilité — pas une garantie, ni un seuil. Ce qui est frappant, c'est que toute la distribution s'est déplacée vers la gauche, pas seulement la queue optimiste.
Pourquoi ce n'est pas du mimétisme
Une objection raisonnable : les experts se contentent-ils de s'aligner sur le cycle de battage autour de l'IA, en se suivant plutôt qu'en suivant les preuves ?
Certains probablement. Mais les chercheurs qui ont évolué de manière la plus spectaculaire — Hinton, Sutskever, les équipes d'Epoch AI — ne le font pas à l'instinct. Ils pointent vers des discontinuités de capacités spécifiques : le moment où o1 a montré que donner aux modèles du temps pour raisonner avant de répondre améliorait dramatiquement leurs performances sur des problèmes difficiles. Le moment où les benchmarks de codage ont cessé d'être des tests significatifs. Le moment où les systèmes agentiques ont commencé à accomplir des tâches nécessitant une planification multi-étapes soutenue sans correction humaine.
Les prévisionnistes qui restent sceptiques — Yann LeCun étant le plus prominent — ne soutiennent pas que les choses ne se sont pas améliorées. Ils soutiennent que l'architecture actuelle (basée sur les transformers, entraînée sur la prédiction du prochain token) a un plafond, et que ce plafond est en dessous de l'AGI. C'est une position légitime. Mais il convient de noter que la même critique architecturale existait en 2020, et les benchmarks ont continué à tomber.
Ce que le score mesure réellement
Le score de proximité AGI sur ce tracker s'appuie sur quatre entrées pondérées : enquêtes expert (40%), consensus des marchés de prédiction (25%), performance des benchmarks (25%) et signaux de feuille de route des laboratoires (10%). Le score actuel se situe à 65 sur 100 — en hausse par rapport à 62 lors de notre lancement en août.
La composante benchmark est ce qui a le plus bougé l'année dernière. Les enquêtes expert se mettent à jour lentement (les grandes enquêtes se déroulent tous les 1-2 ans). Les marchés de prédiction sont réactifs. Les benchmarks sont continus, publics, et difficiles à falsifier — et ils ont évolué plus vite que les enquêtes expert ne les ont rattrapés.
Ce qui vient ensuite
Les prévisions continueront d'évoluer aussi longtemps que les benchmarks continueront de tomber. Ceux à surveiller :
- ARC-AGI 2 — le benchmark mis à jour de François Chollet conçu pour résister au pattern-matching qui a effacé les tests précédents. S'il tombe rapidement, il supprime l'un des arguments « pas encore » les plus solides restants.
- Découverte scientifique autonome — des systèmes IA apportant de véritables contributions nouvelles à la recherche, pas seulement en résumant la littérature. AlphaFold était un exemple. D'autres sont en cours.
- Performance agentique soutenue — accomplissement de tâches sur des jours ou des semaines sans correction humaine, dans plusieurs domaines. L'infrastructure pour cela est en construction maintenant.
Rien de tout cela ne signifie que 2031 est certain. Cela signifie que la base de preuves pour repousser le calendrier s'est amenuisée avec chaque année qui passe, et que les chercheurs qui le suivent l'ont remarqué. Pour un regard profession par profession sur ce que ce calendrier signifie pour votre travail, voir l'analyse complète du risque emploi.
Questions fréquentes
Dans combien de temps l'AGI sera-t-elle réalisée de manière réaliste ?
L'estimation actuelle la plus crédible situe la médiane autour de 2031 — c'est là que se situe la prévision communautaire Metaculus et l'enquête expert AI Impacts en fin 2026. « Réaliste » est le mot clé : les prévisionnistes qui rejettent le calendrier à court terme ont tendance à s'ancrer aux intuitions d'avant 2022 qui n'ont pas été mises à jour par rapport aux données des benchmarks. Les chercheurs qui construisent activement ces systèmes ont mis à jour leurs estimations bien plus rapidement que le consensus académique.
Combien de temps avant que l'AGI soit atteinte ?
À la médiane 2031, cela représente environ cinq ans (en 2026). Mais le cadre le plus utile est que les effets des capacités quasi-AGI — des systèmes capables d'effectuer de manière autonome la plupart des travaux de connaissance — seront probablement ressentis deux à trois ans avant le seuil formel. Cela situe l'arrivée de perturbations significatives vers 2028-2029 pour les personnes prenant des décisions aujourd'hui.
À quel point ChatGPT est-il proche de l'AGI ?
ChatGPT (GPT-4o et ses successeurs) réussit des examens professionnels, dépasse les performances humaines médianes sur de nombreux benchmarks de raisonnement, et gère des tâches complexes multi-étapes — mais il échoue encore sur des tests de résolution de problèmes novateurs conçus pour résister au pattern-matching, comme ARC-AGI 2. L'estimation interne de probabilité d'OpenAI, rapportée mi-2026, situait leurs systèmes à environ 70% de leur définition interne de l'AGI.
À quel point sommes-nous proches de l'AGI en 2026 ?
L'écart entre les systèmes actuels et l'AGI se réduit selon deux dimensions : les capacités brutes et l'autonomie. Sur les capacités brutes, les systèmes 2026 font des choses qui auraient été des prédictions de niveau AGI en 2019 — les buts ont bougé. Sur l'autonomie (accomplissement fiable et soutenu de tâches multi-jours sans correction), l'écart est plus grand. Le tableau 2026 : les capacités sont presque là dans de nombreux domaines, mais l'agentivité autonome fiable entre domaines ne l'est pas. C'est là que vit l'écart restant jusqu'à 2031.
Que vient-il après l'AGI — et qu'est-ce que l'ASI ?
L'AGI (intelligence artificielle générale) désigne des systèmes qui égalent ou dépassent les performances humaines dans tous les domaines cognitifs. L'ASI (superintelligence artificielle) est ce qui vient après : des systèmes qui dépassent significativement les meilleures performances humaines — pas seulement en les égalant. La plupart des prévisionnistes qui modélisent l'AGI vers 2031 s'attendent à ce que la transition vers l'ASI se produise plus rapidement que la transition vers l'AGI, car un système d'intelligence générale peut accélérer son propre développement. Pour un regard approfondi sur l'écart AGI-ASI, voir la comparaison AGI vs ASI.