De l'AGI à l'ASI : l'Iceberg dont personne ne parle

Google DeepMind vient de faire quelque chose de rare pour un laboratoire d'IA en 2026 : publier 57 pages admettant ouvertement tout ce qu'il ne sait pas. Le rapport, intitulé « From AGI to ASI » et signé par quatorze chercheurs dont Shane Legg et Marcus Hutter — deux personnes qui ont passé leur carrière à définir ce que l'intelligence artificielle signifie — traite l'AGI de niveau humain non pas comme une ligne d'arrivée mais comme une porte de départ. Il cartographie quatre routes possibles allant d'« aussi intelligent qu'un humain médian » à quelque chose qui surpasse des organisations entières, ainsi que six frictions qui pourraient ralentir chacune d'elles.

C'est un travail sérieux, pas un argumentaire marketing déguisé en article. Mais une lecture attentive m'a laissé un sentiment tenace qui n'a rien à voir avec les quatre chemins eux-mêmes. Le rapport est honnête sur beaucoup de choses. Il est nécessairement silencieux sur une : dans quelle mesure cette transition a-t-elle déjà lieu quelque part où nous ne pouvons pas voir.

C'est le fil que je veux tirer. Pas les graphiques de scaling que tout le monde partage sur LinkedIn cette semaine. La partie en dessous.

La théorie dit que nous sommes peut-être déjà plus proches qu'il n'y paraît

Voici la partie du rapport qui devrait rendre chaque titre « L'IA a heurté un mur » un peu moins confiant.

Marcus Hutter a formalisé quelque chose appelé AIXI : le plan théorique d'un agent parfait. Imaginez un investisseur qui a lu chaque rapport, chaque marché, chaque futur possible, pondéré par la simplicité et la plausibilité de chaque explication, et qui choisit la meilleure action à chaque fois dans n'importe quel environnement que vous pouvez décrire avec un programme informatique. Voilà AIXI. C'est le plafond formel de l'intelligence, la limite supérieure de ce qu'on appelle la mesure Legg-Hutter. C'est aussi, heureusement pour notre tranquillité d'esprit, mathématiquement incalculable. Personne ne construira jamais le vrai.

Ce que les auteurs de DeepMind soulignent, prudemment, c'est que la recette derrière (construire une croyance sur le fonctionnement du monde, puis planifier en conséquence) n'est pas aussi exotique qu'il n'y paraît. Pré-entraîner un modèle massif pour compresser et prédire des données à l'échelle d'Internet, puis ajouter de la recherche et de la planification au moment de l'inférence, et vous obtenez quelque chose qui ressemble beaucoup à une approximation limitée en ressources de cette même recette. Pas le vrai AIXI. Une contrefaçon bon marché fonctionnant avec un budget limité. Mais une contrefaçon construite à partir du même plan.

Cette simple observation a une conséquence importante mais discrète. Le paradigme actuel — transformers plus pré-entraînement plus passage à l'échelle au moment du test — n'a peut-être pas besoin d'une révolution architecturale totale pour continuer à grimper vers la superintelligence. Il a peut-être simplement besoin de plus de lui-même : plus de calcul, un meilleur échafaudage de planification, des chaînes de raisonnement plus longues à l'inférence. Le rapport ne survend pas cela. Il note aussi, à travers le propre benchmark de Demis Hassabis, que les systèmes actuels n'ont toujours pas montré le genre de créativité transformatrice qui permettrait à une IA d'inventer la relativité générale à partir des seules preuves de l'époque d'Einstein. Nous sommes loin d'être arrivés. Mais « loin d'être arrivé » et « fondamentalement bloqué » sont des phrases très différentes, et la théorie penche vers la première.

Les esprits numériques ne deviennent pas plus intelligents, ils obtiennent un corps différent

C'est là que ça devient vraiment étrange, et là où je pense que la conversation publique sous-estime ce qui arrive.

Quand les gens imaginent une IA plus intelligente, ils imaginent une version plus intelligente d'une personne : le même genre d'esprit, juste avec un QI plus élevé. C'est une image erronée. Dès que l'intelligence fonctionne sur du silicium au lieu de neurones, elle hérite de propriétés qui n'ont rien à voir avec son degré d'intelligence et tout à voir avec sa composition.

Essayez cette expérience de pensée lors de votre prochaine réunion de direction. Demandez à votre meilleur ingénieur de transférer quarante ans de jugement accumulé, chaque erreur, chaque relation client, chaque leçon à moitié retenue, dans la tête d'un collègue d'ici vendredi. C'est impossible. Le transfert de connaissances humaines est lent, avec pertes, et meurt avec la personne qui les possède. Un système numérique n'a pas ce problème. Il peut être copié, état mémoire compris, en le temps d'exécuter une commande. Il fonctionne indifféremment sur un ordinateur portable ou dans un centre de données de la taille d'une petite ville (indépendance du substrat, dans le jargon). Il partage l'expérience brute entre instances à des bandes passantes qu'aucune conversation humaine n'atteindra jamais. Il fonctionne cent fois plus vite que le temps réel, ou s'arrête pendant une décennie et reprend exactement là où il s'était arrêté.

Rien de tout cela n'est une amélioration de l'intelligence au sens habituel. C'est une amélioration évolutive. La culture humaine évolue lentement parce que chaque nouvelle idée doit survivre au goulot d'étranglement d'un cerveau l'expliquant mal à un autre cerveau autour d'un café, d'un e-mail ou d'une réunion trimestrielle. Les systèmes numériques suppriment complètement ce goulot d'étranglement. Les bonnes idées ne sont pas racontées, elles sont copiées. Cela change la vitesse et la forme de l'évolution culturelle et technique elle-même, et ouvre la porte à des formes d'organisation pour lesquelles nous n'avons pas encore de bon mot : des collectifs étroitement fusionnés qui se comportent presque comme un seul esprit distribué, ou des essaims lâches de spécialistes échangeant du travail comme un marché échange des biens. Dans les deux cas, ce n'est pas « un humain plus intelligent ». C'est un type de chose complètement différent, et il devient plus différent à chaque fois que la puissance de calcul disponible augmente.

Quand une foule surpasse n'importe quel génie individuel

C'est la partie qui a réellement changé ma façon de penser aux échéances, et elle est accompagnée d'un chiffre concret.

Les auteurs de DeepMind proposent une simple expérience de pensée. Supposons que l'AGI arrive d'abord au niveau humain mais soit coûteuse, de sorte que seulement mille instances peuvent fonctionner dans le monde. La puissance de calcul effective s'est accumulée à environ dix fois par an (puces, investissements et gains d'efficacité algorithmique combinés). À ce rythme de croissance, mille instances deviennent dix mille en un an, et environ cent millions en cinq ans. L'argument du rapport est direct : cent millions d'instances coordonnées de niveau humain, partageant le contexte instantanément et divisant tout problème en un million de morceaux parallèles, est déjà une forme de superintelligence, qu'un modèle unique ait ou non franchi cette ligne tout seul.

Vous n'avez pas besoin de science-fiction pour comprendre pourquoi cela fonctionne. Vous l'avez déjà vu se produire à l'échelle humaine. Une entreprise bien gérée surpasse systématiquement son employé le plus intelligent, non pas parce que le QI moyen dans la salle est plus élevé, mais parce que l'organisation se spécialise, parallélise et se souvient de choses qu'aucun cerveau unique ne pourrait contenir. Multipliez cet effet par une communication instantanée, une mémoire parfaitement partagée et la capacité de créer ou d'arrêter un « collègue » en une seconde, et le plafond de la capacité collective cesse de ressembler à un plafond.

C'est pourquoi la voie multi-agents dans le rapport mérite plus d'attention qu'elle n'en reçoit. Elle n'exige pas qu'un modèle devienne individuellement un génie. Elle exige seulement suffisamment de copies rapides, coordonnées et de niveau humain fonctionnant sans la friction qui ralentit chaque institution humaine : réunions, ego, oubli, les six semaines qu'il faut pour intégrer un nouvel employé. Supprimez cette friction et les calculs deviennent rapidement inconfortables, de la manière la plus intéressante qui soit.

La partie de l'iceberg que nous venons de voir émerger

Voici maintenant l'élément que personne ne met dans le diaporama officiel, mais que ce même cycle d'actualité nous a livré presque par accident.

Le secret autour des capacités dangereuses n'est pas nouveau. Quand les États-Unis ont construit la bombe atomique, le général Leslie Groves considérait le cloisonnement comme, selon ses propres mots, « le cœur même de la sécurité ». Les travailleurs d'Oak Ridge et de Hanford ont passé des années à assembler des composants sans savoir à quoi ils servaient. Après la guerre, une catégorie juridique entière a été créée pour le savoir nucléaire : les informations classées « nées secrètes », restreintes par défaut plutôt que par exception. Les commentateurs politiques ont utilisé la comparaison avec le Projet Manhattan pendant des années chaque fois que l'IA de pointe est évoquée, et il s'avère que la comparaison n'est pas seulement rhétorique.

Regardez ce qui s'est passé la même semaine où DeepMind a publié sa feuille de route. Anthropic venait de sortir Fable 5, un modèle public construit sur quelque chose appelé Mythos, un système sous-jacent plus capable que l'entreprise avait délibérément gardé hors de portée du public en raison de ses capacités en cybersécurité. Fable était la version sécurisée, avec garde-fous, vendue au public. Mythos lui-même restait réservé aux agences gouvernementales et à une poignée d'entreprises vérifiées renforçant leur propre infrastructure. En quelques jours, invoquant la sécurité nationale, le gouvernement américain a ordonné le retrait complet des deux, craignant que les garde-fous de la version publique ne tiennent pas. Quelle que soit votre opinion sur la façon dont ce conflit a été géré, notez la structure : un modèle plus puissant existait, était connu pour exister, et était délibérément caché au public, tandis qu'un frère plus faible était vendu ouvertement. L'iceberg n'était pas une métaphore cette semaine-là. Il avait un nom et un communiqué de presse.

Ce schéma n'est pas propre à une seule entreprise. Plus tôt en 2026, des reportages ont révélé qu'un laboratoire de pointe avait un modèle atteignant le niveau médaille d'or au plus difficile concours de mathématiques du monde, resté non publié pendant des mois tandis que le public recevait un modèle plus ancien et plus faible à la place. Meta, qui a passé des années à prêcher l'IA open source comme principe, a discrètement retardé son plus grand modèle ouvert et a signalé que ses futurs systèmes de pointe pourraient rester derrière un paywall, invoquant des préoccupations de sécurité que personne en dehors de l'entreprise ne peut entièrement vérifier. Les chercheurs qui suivent l'écart entre les modèles ouverts et fermés situent le décalage entre quatre et quatorze mois selon le benchmark, et c'est seulement l'écart que les laboratoires sont prêts à admettre.

Rien de tout cela n'exige une conspiration. Cela n'exige rien de plus sinistre que des incitations ordinaires. Pourquoi donner à un concurrent, à un gouvernement étranger ou à un adolescent curieux le même chercheur automatisé qui accélère votre propre progrès ? Pour tout laboratoire suffisamment en avance, la décision rationnelle est de garder l'outil le plus tranchant à l'arrière-boutique et de vendre un modèle plus amical au comptoir. Le précédent historique pour ce genre de secret qui fonctionne, au moins pendant un temps, n'est pas théorique. Il a construit une bombe en moins de trois ans.

Pourquoi l'ancien manuel de prévision cesse de fonctionner

Mettez la théorie, l'évolution, le passage à l'échelle collectif et le secret dans la même pièce, et les six frictions du rapport commencent à paraître différentes selon le côté de la surface où vous vous tenez.

Le mur de données, la crainte que nous manquions de texte humain de haute qualité pour l'entraînement, importe énormément pour les modèles publics entraînés sur l'Internet ouvert. Il importe beaucoup moins pour un système interne alimenté par des interactions agentiques en direct, des environnements de simulation ou ses propres résultats distillés, de la même manière qu'AlphaZero a généré ses propres données d'entraînement surhumaines une fois qu'il n'avait plus rien à apprendre des humains. Les contraintes de ressources — puces, électricité, eau, terres rares — lient tout le monde également, laboratoires publics et cachés, ce qui est probablement le goulot d'étranglement le plus honnête de tout le rapport. La barrière d'abstraction, l'idée que les systèmes entraînés sur des concepts humains pourraient avoir du mal à en inventer de vraiment nouveaux, est la seule limite que l'argent ne peut pas simplement contourner, et c'est aussi le seul endroit où le jugement humain, construit sur une carrière plutôt que sur un cycle d'entraînement, a encore une valeur claire et durable.

Concrètement, cela signifie que l'image mentale confortable d'« une grande annonce d'AGI, puis tout change » n'a probablement jamais été juste. Une transition qui est en partie continuité théorique, en partie accélération évolutive, en partie passage à l'échelle collectif, et en partie délibérément cachée, n'arrive pas comme un seul titre. Elle arrive comme une centaine d'étapes séparées, plus petites, plus difficiles à vérifier, dont plusieurs que vous ne lirez jamais, parce que l'organisation qui les franchit a toutes les raisons de ne pas publier.

L'arrivée silencieuse, et quoi faire à ce sujet

Voici ma conclusion réelle, et ce n'est pas celle dramatique que les gros titres préfèrent.

Je ne pense pas que la superintelligence s'annonce. Je pense qu'elle se manifeste comme Mythos l'a fait : faisant silencieusement un travail réellement utile pour les gouvernements et une poignée d'initiés, tandis que le reste d'entre nous reçoit un cousin poli, bridé et bien élevé, présenté comme la frontière. L'écart entre ce que le public touche et ce qu'une agence de défense, un programme d'IA souverain ou l'équipe de recherche interne d'un laboratoire de pointe fait déjà tourner, est plus large que presque quiconque en dehors de ces pièces est prêt à l'admettre, et cet écart est structurellement susceptible de croître avant de se réduire, pour la même raison qu'aucun laboratoire ne donne volontairement son meilleur ingénieur à un concurrent.

Cela a deux conséquences très pratiques pour quiconque lit ceci entre deux réunions.