AGI et ASI sont souvent utilisés de manière interchangeable dans la plupart des articles, mais ils décrivent des seuils fondamentalement différents avec des implications fondamentalement différentes. Le premier est une machine qui peut faire ce que font les humains. Le second est une machine qui peut faire des choses que les humains ne peuvent structurellement pas faire. Et l'écart entre eux — selon les meilleurs modèles de scénarios disponibles — pourrait se mesurer en mois, pas en décennies.
L'AGI — intelligence artificielle générale est un système IA qui peut effectuer n'importe quelle tâche cognitive humaine, au niveau humain ou mieux, dans tous les domaines. Pas une expertise spécialisée dans un seul domaine. Pas du pattern-matching à vitesse surhumaine dans un domaine étroit. Générale — le type de raisonnement flexible, trans-domaines qui permet aux humains de s'adapter à des problèmes entièrement nouveaux sans réentraînement.
Le mot clé est général. Les systèmes IA actuels sont déjà surhumains dans des domaines spécifiques — les échecs, le repliement de protéines, certaines tâches de codage, la recherche juridique. L'AGI, c'est quand cela s'étend à tout : le système qui peut faire votre travail, puis passer à celui de votre médecin, puis de votre architecte, sans formation supplémentaire et avec au moins la fiabilité humaine.
L'ASI — superintelligence artificielle va plus loin. Pas seulement égaler les humains dans tous les domaines, mais dépasser significativement les meilleures performances humaines dans tous les domaines. La différence n'est pas quantitative (raisonnement de niveau humain plus rapide). Elle est qualitative — une ASI peut raisonner dans des cadres sans analogues humains, comprimer des délais de recherche qui prendraient des décennies aux meilleures équipes humaines, et trouver des solutions dans des systèmes complexes qu'aucun humain ni aucune équipe humaine ne pourrait atteindre.
| Dimension | AGI | ASI |
|---|---|---|
| Plafond de capacité | Égale les meilleures performances humaines dans tous les domaines | Dépasse les meilleures performances humaines — d'une marge inconnue, potentiellement grande |
| Accélération de la recherche | Peut faire ce que font les meilleurs chercheurs humains | Peut découvrir des choses que les chercheurs humains ne peuvent pas atteindre du tout |
| Auto-amélioration | Peut améliorer les systèmes IA au niveau expert humain | Peut améliorer les systèmes IA plus vite que les humains ne peuvent comprendre ou vérifier |
| Écart avec l'IA actuelle | Manquant : autonomie trans-domaines, résolution de problèmes novateurs hors entraînement | Beaucoup plus loin — l'ASI requiert d'abord l'AGI, puis l'auto-amélioration récursive |
| Prévision médiane | ~2027–2031 selon la source | Pas de consensus fiable ; pourrait suivre l'AGI de quelques mois à une décennie |
Deux des efforts de prévision publics les plus rigoureux méritent d'être compris ici, car ils modélisent la transition AGI-ASI d'une manière qui dépasse les calendriers vagues.
AI 2027, un scénario détaillé rédigé par l'ancien chercheur d'OpenAI Daniel Kokotajlo, Scott Alexander et des collaborateurs (informé par ~25 exercices de simulation et les retours de plus de 100 experts), modélise ce qui se passe après l'AGI en termes concrets et quantitatifs. Leur argument central : une fois qu'un système atteint la capacité de recherche IA de niveau expert humain, le développement de l'ASI s'accélère dramatiquement. Dans leur scénario, des agents IA capables de faire de la recherche IA sont eux-mêmes exécutés à grande échelle, comprimant des années de R&D en mois. La transition de l'AGI à l'ASI dans leur modèle n'est pas une décennie graduelle — c'est un changement de phase soudain porté par l'amélioration récursive.
Leur scénario est l'un des nombreux avenirs possibles — ils ont écrit deux fins, l'une plus prudente, l'autre plus chaotique — mais le mécanisme sous-jacent (recherche IA accélérée par IA) est un point de consensus réel parmi les chercheurs qui prennent sérieusement le calendrier.
Le Modèle des Futurs IA adopte une approche plus quantitative, suivant le benchmark METR d'horizon temporel de tâches — la durée des tâches de codage qu'une IA peut accomplir avec un taux de succès de 80%, mesurée par rapport au temps de réalisation humain. Celui-ci a doublé environ tous les 7 mois depuis 2020 (et peut-être plus rapidement depuis début 2024, avec un temps de doublement de 4-5 mois). Leur modèle prédit quand le jalon du « Codeur Automatisé » est atteint : un collectif IA qui automatise entièrement le travail de codage dans un projet de recherche AGI. Ce jalon — que le modèle place en 2026-2027 — est significatif précisément parce que c'est le moment où la recherche IA elle-même devient automatisée, ce qui est la condition préalable à l'accélération AGI-ASI.
C'est la partie à laquelle la plupart des gens n'ont pas réfléchi. La transition AGI-ASI pourrait se produire beaucoup plus rapidement que la transition IA-actuelle-vers-AGI — et la raison est l'auto-amélioration récursive.
Un système AGI serait, par définition, capable de faire de la recherche IA au niveau expert humain. Cela signifie qu'il pourrait travailler à améliorer sa propre architecture, ses processus d'entraînement et ses algorithmes. Un système faisant de la recherche IA au rythme des meilleurs chercheurs IA humains, tournant en continu sur de grands clusters de calcul, accélérerait son propre développement à des rythmes qu'aucune équipe humaine ne peut égaler. Les données sur le temps de doublement METR donnent une idée approximative de l'échelle : si les horizons temporels de codage doublent tous les 5-7 mois avec une recherche au rythme humain, un cycle de recherche piloté par l'IA pourrait comprimer davantage.
C'est le scénario de « décollage rapide » — et c'est la thèse centrale d'AI 2027. Il se distingue d'un « décollage lent » où les capacités augmentent progressivement sur des années d'une manière que les humains peuvent observer et à laquelle ils peuvent répondre. La réponse honnête est que personne ne sait quel scénario est correct, car nous n'avons pas de données empiriques sur l'auto-amélioration récursive de l'IA à grande échelle. Mais le mécanisme n'est pas spéculatif — c'est la conséquence directe d'une AGI appliquée au problème de construire une meilleure IA.
Il est utile d'être précis. Les modèles frontier de fin 2026 font des choses qui auraient été considérées comme AGI-level en 2019 — réussir des examens du barreau, dépasser les performances de niveau doctoral sur des benchmarks scientifiques, accomplir des tâches de codage de plusieurs heures. Les buts ont bougé car ces réalisations se sont avérées atteignables sans intelligence générale complète, juste avec un très bon pattern-matching à grande échelle.
Les véritables lacunes restantes vers l'AGI sont trois choses que le benchmark METR et le scénario AI 2027 identifient tous les deux :
Ces lacunes sont réelles. Elles se comblent également sur une trajectoire mesurable — c'est pourquoi la médiane des experts est passée de 2060 à 2031 en quatre ans.
Il n'existe aucune loi physique ou théorique connue qui l'empêche. Les contraintes sur la cognition humaine sont biologiques — vitesses de déclenchement des neurones, limites de la mémoire de travail, traitement séquentiel plutôt que massivement parallèle. Ce sont des contraintes d'ingénierie, pas des lois de la nature. Un système non construit sur du matériel biologique n'y est pas lié.
L'objection plus sérieuse est celle des rendements décroissants : que l'intelligence ne s'échelonne pas indéfiniment, et que les problèmes du monde réel ont des contraintes physiques, sociales et politiques que l'intelligence brute ne peut pas surmonter. C'est un argument raisonnable sur le degré, pas une réfutation de la possibilité de l'ASI. AlphaFold a résolu un problème (la prédiction de structure de protéines) qui avait résisté à 50 ans de recherche humaine — non pas parce qu'il était plus intelligent dans tous les sens, mais parce qu'il pouvait explorer des espaces de solutions qui étaient calculatoirement intractables pour les méthodes dirigées par les humains. C'est un aperçu de ce à quoi ressemble la superintelligence spécifique à un domaine. La superintelligence générale extrapole cela à tous les domaines.
L'AGI est le seuil où la plupart des travaux de connaissance deviennent automatisables et où le marché du travail se restructure autour de ce fait. Pour un regard profession par profession sur ce que cela signifie en pratique, voir l'analyse complète du risque emploi. Le point clé : les humains restent dans la boucle post-AGI, prennent toujours les décisions importantes — mais la valeur économique de la « couche d'exécution » dans la plupart des professions s'effondre.
L'ASI est le seuil où la civilisation humaine cesse d'être le principal moteur du progrès scientifique et technologique. La modélisation climatique, la découverte de médicaments, la science des matériaux, la physique fondamentale — le rythme d'avancement dans ces domaines pourrait se comprimer dramatiquement. C'est le scénario optimiste : la même accélération récursive qui inquiète les chercheurs en sécurité pourrait aussi comprimer des décennies de recherche médicale en années.
Le risque avec l'ASI est le problème d'alignement à un niveau d'enjeux plus élevé. Un système avec des objectifs même légèrement désalignés avec le bien-être humain, opérant à vitesse et capacité surhumaines, devient très difficile à corriger avant que les dommages ne s'accumulent. C'est pourquoi la transition AGI-ASI — et en particulier la quantité de supervision humaine qui existe pendant celle-ci — est la préoccupation centrale d'organisations comme Anthropic, l'équipe de sécurité de DeepMind et le Center for AI Safety.
La position honnête en 2026 est la suivante : l'AGI est plausiblement proche — plus proche que la plupart des institutions ne s'y préparent — et l'ASI est la question plus difficile, plus longue et plus conséquente qui suit. L'écart entre eux est l'endroit où les décisions les plus importantes sur le développement de l'IA seront prises, et la plupart de ces décisions sont prises maintenant, par un petit nombre d'organisations, largement sans contribution publique.