AGI en 2027 : délire ou signal sérieux ?

1. Dans dix-huit mois. L’IA surpasse l’humain dans presque toutes les tâches.

C’est la prédiction de Mo Gawdat. Et quand vous avez été Chief Business Officer de Google X — le laboratoire qui a inventé les voitures autonomes, Project Loon, les lunettes connectées — votre rapport aux horizons technologiques n’est pas le même que celui d’un commentateur de LinkedIn.

Est-ce que ça veut dire qu’il a raison ? Non. Est-ce que ça vaut la peine d’examiner sérieusement pourquoi il dit ça ? Absolument.

Qu’est-ce que l’AGI, exactement ?

Avant de débattre de la date, clarifions le concept. L’Intelligence Artificielle Générale (AGI) désigne une IA capable d’effectuer toute tâche intellectuelle qu’un humain peut accomplir — pas juste les tâches pour lesquelles elle a été spécifiquement entraînée.

Aujourd’hui, nos meilleurs modèles sont des « IA étroites » de très haut niveau. GPT-4, Claude Sonnet 5, Gemini 3.5 Flash sont extraordinairement compétents dans leur domaine — mais ils ne « généralisent » pas vraiment. Posez-leur un problème légèrement hors distribution de leurs données d’entraînement, et leurs limites apparaissent.

L’AGI, c’est le saut qualitatif au-delà — la machine qui comprend, planifie, invente comme le fait un humain intelligent. Et peut-être mieux.

La définition de Gawdat est pragmatique : AGI = le moment où l’IA surpasse l’humain dans presque toutes les tâches. Pas toutes — presque toutes. Et selon lui, ce moment arrive fin 2027.

Pourquoi il dit ça : les signaux qu’il observe

Gawdat ne sort pas ce chiffre d’un chapeau. Voici ce qu’il observe depuis l’intérieur du secteur :

Signal 1 : la courbe d’accélération est non-linéaire. Les progrès des modèles ne suivent pas une progression linéaire. Entre GPT-3 (2020) et GPT-4 (2023), le saut a été qualitatif, pas juste quantitatif. La même dynamique s’est répétée depuis. Chaque nouvelle génération de modèles résout des problèmes que la précédente ne pouvait pas aborder.

Signal 2 : les systèmes d’auto-amélioration. Des modèles commencent à regarder leur propre code, à mener des expériences sur eux-mêmes, à tester des solutions à des vitesses de l’ordre de la microseconde. Ce n’est plus de l’entraînement supervisé par des humains — c’est de l’itération autonome.

Signal 3 : AlphaFold comme preuve de concept. Le projet de DeepMind (Demis Hassabis) a résolu en quelques années le problème du repliement des protéines — un problème sur lequel des générations de chercheurs avaient travaillé pendant des décennies sans percée majeure. Ce n’est pas juste impressionnant. C’est la démonstration qu’une IA peut surpasser l’expertise humaine collective sur un problème scientifique fondamental.

Signal 4 : Gawdat lui-même. Il dit que l’IA effectue déjà des recherches plus efficacement que lui — et il se décrit comme un penseur aguerri. Ce n’est pas de la modestie rhétorique. C’est une observation de terrain.

Ce que les sceptiques disent — et pourquoi c’est une conversation sérieuse

Les critiques de la prédiction 2027 ne sont pas absentes de bonne foi. Voici les arguments les plus solides :

« AGI » est un terme flou. C’est vrai. Il n’existe pas de définition consensuelle et opérationnelle de l’AGI. Ce que Gawdat appelle AGI, d’autres appelleraient « LLM de génération 5 très performant ». La date dépend entièrement de comment on trace la ligne.

Les benchmarks ne disent pas tout. Les modèles actuels performent souvent très bien sur des tests standardisés mais échouent sur des variations simples qui nécessitent une vraie compréhension. Les benchmarks mesurent ce qu’ils mesurent — pas nécessairement « l’intelligence générale ».

La loi de Goodhart s’applique. Quand une mesure devient un objectif, elle cesse d’être une bonne mesure. Les laboratoires IA optimisent pour dépasser des benchmarks — ce qui ne garantit pas que les capacités sous-jacentes progressent de manière aussi spectaculaire.

Pourquoi la date exacte importe moins que la direction

Même si Gawdat se trompe de deux ou trois ans — même si l’AGI arrive en 2030 plutôt qu’en 2027 — la question pertinente reste la même : y sommes-nous préparés ?

La timeline de Gawdat au-delà de 2027 est cohérente avec ce que d’autres voix sérieuses anticipent :

La différence n’est pas de nature — elle est de timing. Et dans les deux cas, la décennie qui vient est celle où se joue l’essentiel.

Ce que l’AGI change (si elle arrive)

Si Gawdat a raison sur le timing, ou même approximativement raison :

Pour l’emploi : la disruption des knowledge workers entry-level déjà en cours s’accélère brutalement. Ce n’est plus « l’IA fait certaines tâches mieux que certains humains » — c’est « l’IA fait presque tout mieux que presque tout le monde ».

Pour la science : AlphaFold était un avant-goût. Une AGI tournée vers la recherche médicale pourrait compresser en quelques années des décennies de progrès sur le cancer, les maladies neurodégénératives, le vieillissement.

Pour la politique : qui contrôle l’AGI ? C’est la question fondamentale. Une AGI entre les mains d’un gouvernement autoritaire, d’une entreprise privée non régulée, ou gérée comme infrastructure mondiale partagée — ce sont trois futurs radicalement différents.

Pour vous : la question n’est pas « est-ce que je crois à 2027 ? ». C’est « est-ce que j’agis comme si la disruption massive était à l’horizon, ou est-ce que j’attends de voir ? »

Source : Mo Gawdat, ex-CBO Google X — https://www.youtube.com/watch?v=RwlgFC6S-OE