Sam Altman, OpenAI et l’AGI : où en sommes-nous ?

Les performances des modèles ont encore fortement progressé en 2026, mais cela ne suffit toujours pas à déclarer que l’AGI est atteinte. Le problème est autant conceptuel que technique : il n’existe pas de définition ni de test universel permettant de transformer une série de benchmarks impressionnants en certificat d’“intelligence générale”.

Pour un dirigeant, la bonne question n’est donc pas de deviner la date de l’AGI. Il faut comprendre quelles capacités sont déjà exploitables, quels risques changent réellement et quelles annonces relèvent encore d’une projection.

Qu’est-ce que l’AGI ?

Stanford HAI définit l’AGI comme l’idée d’un système doté d’une capacité générale, de niveau humain ou supérieur, à apprendre, raisonner et appliquer ses connaissances dans un large éventail de tâches et de domaines [1]. Le point essentiel est le transfert : réussir une tâche particulière ne suffit pas.

Cette définition reste controversée. “Niveau humain” varie énormément selon les activités, et un système peut être supérieur aux meilleurs experts sur certains benchmarks tout en restant fragile dans des situations ordinaires ou nouvelles.

Ce que Sam Altman avançait en 2025

Dans Three Observations, Sam Altman décrivait déjà l’AGI comme un terme “faiblement défini” et évoquait des systèmes capables de résoudre des problèmes de plus en plus complexes dans de nombreux domaines. Il insistait surtout sur l’arrivée d’agents pouvant devenir des sortes de collaborateurs virtuels, sous supervision humaine [2].

Cette nuance reste importante : autonomie accrue, usage d’outils et capacité à accomplir une mission ne sont pas synonymes d’AGI.

Ce qui a réellement changé en 2026

OpenAI a annoncé en septembre 2026 avoir atteint son objectif interne de disposer d’un “stagiaire de recherche automatisé” capable de contribuer, sous supervision humaine, aux travaux de recherche en apprentissage profond et en alignement [3]. C’est un changement important : l’IA ne se contente plus d’assister des tâches de bureau, elle commence à participer au processus qui fait progresser la recherche en IA elle-même.

Dans le même temps, GPT-6 Astra affiche des performances extrêmement élevées sur plusieurs benchmarks de raisonnement, de programmation, de cybersécurité et de science, dont ARC-AGI-3 [4]. Ces résultats signalent un nouveau niveau de capacité, mais ils ne constituent pas à eux seuls une preuve d’intelligence générale.

OpenAI continue d’ailleurs à présenter l’AGI comme une mission et un horizon de développement, et non comme un statut officiellement atteint.

Benchmark record, agent autonome, AGI : ne pas confondre les niveaux

Signal	Ce qu’il montre	Ce qu’il ne prouve pas
Score très élevé sur un benchmark	Une capacité forte sur un protocole donné	Une compétence générale dans toutes les situations
Agent capable d’utiliser des outils	Plus d’autonomie opérationnelle	Une compréhension générale de niveau humain
IA qui contribue à la recherche	Automatisation de tâches cognitives complexes	L’existence d’un seuil universel d’AGI
AGI	Capacité générale et largement transférable	Aucun consensus ne permet encore de la certifier par un test unique

Pourquoi les benchmarks ne suffisent pas

Un benchmark mesure un ensemble de tâches défini. Même lorsqu’un modèle le “sature”, il reste possible qu’il échoue sur des problèmes très différents, qu’il soit sensible à la formulation ou qu’il dépende fortement d’outils externes et de temps de calcul.

C’est pourquoi il faut regarder plusieurs dimensions : capacité de transfert, robustesse, autonomie, fiabilité, coût, besoin de supervision et comportement dans des environnements non préparés.

Ce qui change déjà pour les entreprises, même sans AGI

L’attente de l’AGI peut distraire des évolutions déjà concrètes. Les agents IA peuvent enchaîner plusieurs étapes, utiliser des logiciels et intervenir dans des workflows. Les modèles de pointe progressent en programmation, recherche scientifique, analyse documentaire et cybersécurité.

Pour une PME ou une ETI, cela crée des décisions immédiates : quelles tâches déléguer, quelles données rendre accessibles, où maintenir une validation humaine, comment tracer les actions d’un agent et comment mesurer le gain réel par rapport au risque.

Ces arbitrages sont plus utiles aujourd’hui que de bâtir un plan d’investissement sur une date hypothétique d’arrivée de l’AGI.

Comment lire une annonce spectaculaire sur l’AGI ?

01 — Quelle définition de l’AGI l’auteur utilise-t-il ?

02 — La capacité est-elle démontrée sur un benchmark, un produit ou dans un environnement réel ?

03 — Le système agit-il seul ou avec des outils, des données et une supervision importante ?

04 — Les résultats sont-ils reproductibles et comparés à plusieurs références ?

05 — Qu’est-ce que cette avancée change réellement pour votre activité aujourd’hui ?

Alors, sommes-nous proches de l’AGI ?

Nous sommes clairement plus proches de systèmes très généralistes et autonomes qu’il y a quelques années. Mais “proches” n’a pas de sens scientifique sans définition et sans seuil partagé. Les progrès de 2026 rendent le débat plus concret ; ils ne le clôturent pas.

La position la plus rigoureuse reste donc : les capacités avancent très vite, certaines tâches cognitives complexes sont déjà automatisables, mais l’AGI n’est toujours pas un état que l’on peut certifier aujourd’hui avec un test universel. Pour replacer cette évolution dans le temps long, voir notre histoire de l’intelligence artificielle et de l’AGI.

Sources

Dernière révision le 6 octobre 2026 par Olivier Robé, ImagesCréations.