Le patron de l’entreprise la mieux valorisée du secteur affirme que l’intelligence artificielle générale (AGI), soit une machine qui égalerait l’humain sur l’ensemble des tâches intellectuelles, est déjà là. Quelques secondes plus tard, il juge ces mêmes jalons « senseless », vides de sens. Deux phrases contradictoires en apparence, parfaitement cohérentes chez un fournisseur qui vend le calcul et aucun modèle.
La déclaration vient du vendeur de calcul
Devant les analystes financiers, à la présentation des résultats trimestriels de Nvidia, Jensen Huang a posé la nuance qui compte : « for many tasks, we could say that we’ve already achieved AGI ». Ce « pour de nombreuses tâches » vide la déclaration de sa portée tout en gardant le mot. Puis vient la formule la plus intéressante : tous ces jalons sont « kind of senseless at this point ». En mars, face à Lex Fridman, il avait lancé la même idée sans la borner : « I think we’ve achieved AGI ».
Nvidia occupe une position singulière dans ce débat. L’entreprise ne vend pas de modèle en concurrence frontale avec OpenAI ou Anthropic : elle vend le matériel sur lequel les autres entraînent les leurs. Chaque laboratoire qui vise l’AGI achète du calcul bien avant de produire le moindre résultat. Une déclaration qui valide la trajectoire collective soutient donc la demande sans engager son auteur sur une performance mesurable.
Déclarer l’objectif atteint depuis cette position ne coûte rien : aucune évaluation à publier, aucun produit à faire tenir la promesse, aucun comité scientifique à convaincre. Annoncer une victoire et devoir la démontrer sont deux exercices différents. Huang pratique le premier.
Cent milliards de dollars de profits, une définition à usage contractuel
OpenAI et Microsoft ont, eux, inscrit une définition dans leurs accords : sera considéré comme AGI un système générant au moins 100 milliards de dollars de profits. La formulation a le mérite de la clarté comptable. Elle a surtout un usage précis, qui règle la relation entre deux entreprises et n’a jamais prétendu décrire l’état de la recherche.
Regardez ce qu’elle implique. Un système pourrait rester médiocre sur des tâches de raisonnement élémentaires et franchir ce seuil, à condition d’être vendu assez cher et assez largement. À l’inverse, un modèle très supérieur à l’humain sur un domaine étroit, mais jamais commercialisé, ne le franchira jamais. La mesure porte sur l’adoption, pas sur les capacités.
Le calendrier suit la même logique. Mark Chen, directeur de la recherche d’OpenAI, situe son entreprise « à 80 % du chemin ». Sam Altman promet une annonce avant la fin de l’année. Une progression chiffrée, une échéance, et aucune méthode publique permettant de recalculer l’une ou d’anticiper l’autre.
Fridman propose une ligne d’arrivée qu’on peut vérifier
Lex Fridman avance sa propre définition : une IA capable de fonder et de diriger seule une entreprise technologique valant plus d’un milliard de dollars. Elle prête à sourire, et elle mesure une réussite entrepreneuriale plutôt qu’une capacité cognitive. Elle possède pourtant une qualité que les autres n’ont pas : on peut la démentir. Soit l’entreprise existe et pèse ce montant, soit elle n’existe pas.
Comparez avec « nous y sommes pour de nombreuses tâches ». Quelles tâches ? Évaluées comment ? Contre quel niveau de référence humain ? Aucune de ces questions n’admet de réponse publiable, et cette opacité fait toute la commodité de la formule. Elle s’affirme sans jamais s’exposer.
Chaque acteur compte dans l’unité qui l’avantage
Les unités de mesure retenues en disent plus que les déclarations elles-mêmes. Nvidia compte en tokens produits (les fragments de texte qu’un modèle consomme et génère), en débit, en coût par unité de calcul : le tableau de bord d’un fournisseur d’énergie. OpenAI compte en dollars de profits. Un laboratoire académique compterait en scores sur des jeux de tests publics et reproductibles.
Les laboratoires concurrents ont cherché des définitions qui s’exposent : Google DeepMind a publié une échelle graduée en cinq niveaux, de l’émergent au surhumain, adossée à des critères de performance et de généralité. Anthropic a pris l’autre chemin, Dario Amodei ayant renoncé au sigle au profit de « powerful AI », l’IA puissante, un système plus compétent qu’un lauréat du prix Nobel dans la plupart des disciplines.
Imposer l’unité de mesure, voilà le coup joué. Celui qui décide de ce qu’on compte a gagné la partie avant qu’elle commence, puisque la métrique retenue est celle sur laquelle il domine. Huang ne se trompe pas en jugeant ces jalons vides de sens. Il constate qu’un mot autrefois technique est devenu un actif commercial. Plus personne dans l’industrie n’a intérêt à le définir assez précisément pour risquer d’échouer au test.
Vos évaluations valent mieux que leurs annonces
Pour une équipe qui met des modèles en production, la conséquence est immédiate : aucune de ces déclarations n’est exploitable comme critère de décision. Ni celle de Nvidia, ni le pourcentage avancé par OpenAI, ni l’annonce promise pour les prochains mois. Aucune ne dit quoi que ce soit du comportement d’un modèle sur vos données, vos formats, vos cas limites.
Ce qui reste vérifiable relève d’un travail nettement moins spectaculaire. Construire un jeu d’évaluation maison sur vos tâches réelles, le rejouer à chaque changement de version, mesurer la régression autant que le progrès. Suivre le coût par million de tokens, la latence, la stabilité d’un modèle entre deux mises à jour silencieuses. Ces chiffres-là, vous les produisez vous-même, et personne ne peut les redéfinir à votre place.
L’annonce d’Altman arrivera avec sa définition et ses chiffres maison. En dehors des entreprises concernées, personne ne disposera des moyens de la contredire. Le mot ne mesure plus rien. Il sert à vendre du calcul, des levées de fonds et des abonnements.
