Les LLM suffiront-ils pour atteindre l'IAG ?

La question est venue d'un stagiaire, en fin de journée, pendant que les autres rangeaient leurs affaires. « Si l'IA devient plus intelligente que nous, à quoi bon me reconvertir ? » Il ne cherchait pas une réponse rassurante. Il cherchait une réponse vraie.

La réponse vraie demande de regarder ce que la recherche dit réellement de la route vers l'IAG — l'intelligence artificielle générale — et de la place qu'y tiennent les grands modèles de langage. Elle est plus nuancée que les deux slogans qui saturent le débat : « l'IAG arrive dans deux ans » et « les LLM ne comprennent rien ». Et elle éclaire directement la question du stagiaire.

Ce que disent vraiment les chercheurs

Commençons par le chiffre le plus solide du dossier. Dans le rapport 2025 du panel présidentiel de l'AAAI, l'association qui fédère la recherche en intelligence artificielle, 76 % des répondants jugent « improbable » ou « très improbable » que la simple mise à l'échelle des approches actuelles produise une IAG. L'enquête porte sur 475 membres de la communauté — 67 % d'universitaires, 19 % de chercheurs en entreprise — avec une participation volontaire : c'est donc un signal majoritaire, pas un consensus scientifique définitif. Mais un signal de cette ampleur, venant des gens qui construisent ces systèmes, mérite d'être pris au sérieux.

La voix la plus connue de ce camp est celle de Yann LeCun — pionnier de l'apprentissage profond, ancien Chief AI Scientist de Meta qu'il a quitté fin 2025, aujourd'hui président exécutif d'AMI Labs et professeur à NYU. Sa position, détaillée dès 2024, tient en une phrase : les LLM autorégressifs ne sont pas une voie suffisante vers une intelligence de niveau humain. Il pointe quatre capacités qui n'existent que sous une forme primitive dans ces modèles : la compréhension du monde physique, la mémoire persistante, le raisonnement et la planification.

Notez le mot qui compte : suffisante. Ni LeCun ni les répondants de l'AAAI ne disent que les LLM sont une impasse inutile. Ils disent qu'un ingrédient, même remarquable, ne fait pas la recette. Les quatre murs qui suivent expliquent pourquoi.

Le scaling n'est pas mort, il change de nature

Il faut d'abord rendre justice à ce qui fonctionne. Agrandir les modèles — plus de paramètres, plus de données, plus de calcul — continue de produire des gains réels. Le rapport AI Index 2025 de Stanford documente aussi l'autre versant du phénomène : le coût d'inférence pour atteindre le niveau de GPT-3.5 sur le benchmark MMLU a été divisé par plus de 280 entre novembre 2022 et octobre 2024. Ce qui coûtait cher fin 2022 se paie aujourd'hui une somme modique — c'est d'ailleurs ce qui explique le resserrement du peloton que nous mesurions dans notre top 10 des LLM d'août 2026.

Mais chaque gain coûte plus cher que le précédent. Selon les estimations de Stanford, l'entraînement final de GPT-4 a coûté environ 79 millions de dollars, Grok-2 107 millions, Llama 3.1-405B 170 millions, Gemini 1.0 Ultra 192 millions — et le compute d'entraînement des modèles notables a historiquement doublé environ tous les cinq mois. La courbe monte encore, mais elle monte en tirant sur trois ressources qui, elles, ne doublent pas tous les cinq mois : les données de qualité, l'énergie, le capital. C'est ce déplacement — du « plus gros » vers la qualité des données, le post-entraînement et le calcul à l'inférence — qui structure la suite.

Premier mur : le monde physique

Un modèle entraîné majoritairement sur des traces linguistiques et visuelles passives peut réciter les lois de la gravité, et néanmoins peiner à relier perception, action et conséquence. Ce n'est pas une intuition de philosophe, c'est un résultat de mesure. Le benchmark PhysBench, avec ses 10 002 exemples multimodaux, montre que les 75 modèles évalués réussissent nettement mieux les questions de sens commun que celles de dynamique physique. Et sur What-If World, un banc d'essai 2026 d'interventions causales — « que se passe-t-il si je modifie ceci ? » — aucun des neuf modèles évalués ne dépasse 52 % sur la métrique appariée.

Faut-il en conclure que les LLM n'ont « aucun modèle du monde » ? Ce serait aller trop loin. Des travaux comme Language Models Represent Space and Time trouvent dans Llama 2 des représentations linéaires de l'espace et du temps ; des modèles entraînés sur le jeu Othello reconstruisent l'état latent du plateau. Les LLM peuvent donc apprendre des représentations partielles du monde. Ce que rien ne montre, c'est qu'ils disposent spontanément d'un modèle causal, persistant et suffisamment fiable pour guider une action physique générale. Entre réciter la loi de la chute des corps et rattraper un verre qui tombe, il y a exactement l'écart que ce mur mesure.

Deuxième mur : une intelligence sans mémoire vécue

Deuxième limite structurelle, plus discrète : le modèle que vous utilisez ce matin n'a rien retenu de ce que vous lui avez appris hier soir. Les poids — la « connaissance » du modèle — sont généralement gelés pendant l'utilisation. Ce que le système sait de vous tient dans sa fenêtre de contexte et dans les béquilles qu'on lui adjoint : le RAG associe à la mémoire paramétrique des poids une mémoire non paramétrique — un index documentaire consulté à la volée — et des architectures comme MemGPT organisent plusieurs niveaux de mémoire externe, à la manière de la mémoire virtuelle d'un système d'exploitation.

Ces mécanismes sont utiles, mais il ne faut pas leur faire dire ce qu'ils ne font pas : récupérer une information n'est pas l'intégrer. Le fine-tuning, lui, modifie bien les poids — mais il s'effectue hors ligne, ponctuellement, et se heurte à un phénomène documenté : l'oubli catastrophique, où l'apprentissage du nouveau efface une partie de l'ancien. Les travaux sur l'apprentissage continu cherchent précisément à construire ce qui manque : un apprentissage autonome, cumulatif et stable tout au long de la vie du système. Une intelligence générale sans autobiographie — sans expérience accumulée qui la transforme — resterait un consultant brillant qui recommence chaque mission en amnésique.

Troisième mur : raisonner n'est pas se justifier

Le « chain-of-thought » — cette chaîne d'étapes que les modèles récents déroulent avant de répondre — améliore réellement certaines performances. Mais une étude de référence sur la fidélité de ces chaînes établit un point troublant : la verbalisation produite n'est pas nécessairement une explication fidèle du calcul qui a mené à la réponse — et certaines mesures constatent même une fidélité qui décroît quand le modèle grossit. Le modèle vous montre un raisonnement ; rien ne garantit que c'est le sien.

Deux autres résultats complètent le tableau. L'étude d'Apple The Illusion of Thinking observe, sur des puzzles contrôlés, trois régimes : les modèles standards font mieux sur les problèmes simples, les modèles de raisonnement prennent l'avantage à complexité moyenne, puis les deux familles s'effondrent au-delà d'un seuil de complexité — malgré un budget de tokens suffisant. L'expérience porte sur des puzzles artificiels et ne permet pas de conclure que tout raisonnement des LLM est illusoire ; elle montre qu'il existe des seuils. Et les évaluations hors distribution enfoncent le clou : des transformations simples de tâches logiques dégradent fortement tous les modèles testés. Leur généralisation loin de l'entraînement reste nettement moins fiable que leurs scores de benchmarks proches de l'entraînement — distinction que quiconque évalue une compétence, humaine ou artificielle, reconnaîtra.

Quatrième mur : les données et les coûts

Dernier mur, le plus prosaïque : la matière première. Contrairement à une formule qui circule, le Web n'a pas été « entièrement aspiré ». Mais la fin de l'abondance se calcule. Epoch AI estime le stock effectif de texte public produit par des humains à environ 300 000 milliards de tokens — avec une fourchette à 90 % de confiance, de 100 000 milliards à un million de milliards — et projette son utilisation complète entre 2026 et 2032, avec 80 % de confiance. Nous y sommes donc, ou presque.

Données synthétiques, vidéo, réutilisation des corpus, meilleurs algorithmes, calcul au moment de l'inférence : les voies de contournement existent, et c'est pourquoi « le scaling est terminé » serait une conclusion fausse. La conclusion juste est différente : le rendement de la recette originelle — plus de texte humain, plus de paramètres — décroît, et l'industrie le sait. C'est précisément ce qui rend la question de l'architecture, et non plus seulement de la taille, centrale.

Ce qui se construit au-delà des modèles de mots

Face à ces quatre murs, la recherche ne s'est pas arrêtée ; elle a bifurqué. Trois chantiers donnent la direction.

Les modèles du monde, d'abord. V-JEPA 2, préentraîné sur plus d'un million d'heures de vidéo, alimente une variante actionnelle qui, avec moins de 62 heures de vidéo robotique, atteint 65 à 80 % de réussite en saisie-dépose (pick-and-place) d'objets nouveaux dans des environnements nouveaux. Genie 3 génère des environnements interactifs navigables en temps réel — 720p, 24 images par seconde, cohérence de quelques minutes. Prometteur, mais gardons la mesure que les benchmarks causaux imposent : une vidéo plausible ne prouve pas encore l'acquisition de lois physiques générales.

Les systèmes neuro-symboliques, ensuite. AlphaProof et AlphaGeometry combinent un modèle de langage avec un moteur formel de vérification — le langage propose, le symbolique prouve. AlphaGeometry 2 résout ainsi 83 % des problèmes historiques de géométrie des Olympiades internationales sur 25 ans. Ce n'est pas une IAG : le domaine est fermé, les règles sont formelles. C'est en revanche la démonstration qu'un système composite dépasse chacun de ses composants.

Les agents, enfin. L'organisme d'évaluation METR mesure le « time horizon » : la durée d'une tâche humaine qu'un agent réussit avec 50 % de probabilité. Cette durée a historiquement doublé environ tous les sept mois — progression rapide, mais avec un taux de réussite qui décroît à mesure que les tâches s'allongent. Ni statique, ni magique.

Mis bout à bout, ces chantiers dessinent une architecture fonctionnelle — celle que résume ce tableau.

Pourquoi le LLM restera au centre

Réduire le LLM à « l'interface linguistique de l'IAG » serait pourtant une erreur symétrique de celle qui en fait le tout. Dans les systèmes composites qui émergent, le modèle de langage occupe plusieurs postes à la fois : il interprète les demandes humaines, mobilise une mémoire sémantique considérable, propose des plans et des hypothèses, écrit du code, traduit un problème en langage formel pour les moteurs de vérification, et sélectionne les outils. AlphaGeometry en donne l'image exacte : le réseau neuronal propose des constructions que le moteur symbolique vérifie — aucun des deux ne prouve seul.

La formulation la plus juste, à mes yeux : le LLM pourrait être la couche linguistique et sémantique d'une future architecture cognitive — centrale, mais non suffisante. Ni parenthèse inutile, ni cerveau complet. Une fonction dans un système.

Ce que ça change pour votre trajectoire

Revenons à la question du stagiaire — « à quoi bon me reconvertir ? ». Les quatre murs y répondent mieux qu'un discours rassurant.

Ce que les systèmes actuels ne possèdent pas — prise physique sur le réel, expérience accumulée qui transforme, fiabilité loin des cas connus, capacité à répondre de leurs actes — recoupe très exactement ce qu'un professionnel construit au fil d'une carrière. Votre mémoire vécue d'un métier, votre capacité à sentir qu'une situation sort du cadre, votre responsabilité engagée quand vous décidez : rien de tout cela n'est en passe d'être « scalé ». Nous avions tiré le même fil, côté emploi, dans notre analyse des scénarios IA et emploi 2030 et dans le panorama des métiers d'avenir face à l'IA : les trajectoires robustes se construisent là où l'humain reste l'architecte, avec l'IA comme accélérateur du projet, pas comme substitut — nous avons détaillé ce qu'elle peut et ne peut pas faire dans la phase d'exploration — à condition d'avoir un projet clair. C'est le vrai risque, et il n'est pas technologique : rester spectateur du débat au lieu de clarifier sa propre position.

Les chiffres de cet article proviennent des sources liées dans le texte — rapport AAAI 2025, Stanford AI Index 2025, Epoch AI, publications de recherche citées — telles que consultées le 17 août 2026. Le sondage AAAI repose sur une participation volontaire : il indique un signal majoritaire de la communauté, pas un consensus définitif.