AI 2027 est un scénario prospectif qui décrit une accélération possible de l’intelligence artificielle jusqu’à l’émergence de systèmes surhumains. Son idée centrale : des IA capables d’automatiser la recherche en IA pourraient accélérer elles-mêmes les progrès techniques. Le document explore ensuite deux issues, entre poursuite de la course et ralentissement. Il ne démontre pas que la superintelligence arrivera en 2027 : il propose une trajectoire détaillée, conçue pour être discutée et contestée.
Un récit prospectif, pas un calendrier établi de l’IA
AI 2027 se distingue des annonces générales sur « l’avenir de l’intelligence artificielle » par son niveau de précision. Le texte déroule des événements, des décisions et des évolutions techniques dans un ordre chronologique. Il cherche à rendre concrètes des transformations souvent évoquées de façon abstraite : automatisation du travail intellectuel, accélération de la recherche, concurrence stratégique et difficulté à contrôler des systèmes très performants.
Testez votre compréhension d’AI 2027
Répondez aux six questions, puis validez vos réponses pour découvrir votre résultat et les corrections.
Pour consulter le document original, le point d’entrée est le site AI 2027, qui propose le scénario ainsi que des options de consultation en PDF, en audio et en vidéo. Lire le texte principal avec ses explications permet de distinguer les événements imaginés des arguments qui les soutiennent.
AGI et superintelligence : deux notions à distinguer
L’intelligence artificielle générale, ou AGI, désigne généralement un système capable d’accomplir une grande diversité de tâches intellectuelles à un niveau comparable à celui des humains. Sa définition reste débattue : réussir des évaluations ne signifie pas nécessairement travailler de manière autonome, fiable et durable dans un environnement réel.
La superintelligence renvoie à un niveau supérieur : des capacités dépassant largement celles des humains dans de nombreux domaines. AI 2027 s’intéresse notamment au passage entre une IA très compétente en recherche et une IA capable d’accélérer fortement le développement des générations suivantes. Ce passage constitue une hypothèse décisive, pas une conséquence déjà établie des progrès actuels.
Des auteurs identifiés et une méthode qui rend les hypothèses discutables
Le scénario est signé par Daniel Kokotajlo, Scott Alexander, Thomas Larsen, Eli Lifland et Romeo Dean. Daniel Kokotajlo, ancien chercheur chez OpenAI, est particulièrement associé aux débats sur les risques liés aux systèmes avancés. Le collectif rassemble des profils liés à la recherche sur l’IA, à la prévision et à l’analyse de ses conséquences.
Cette expérience explique une partie de l’attention portée au document. Elle ne suffit toutefois pas à valider ses conclusions : connaître le fonctionnement des laboratoires aide à formuler des hypothèses pertinentes, mais ne permet pas de connaître à l’avance leurs découvertes ni les réactions des gouvernements.
Extrapolations, simulations et regards extérieurs
La construction du scénario combine des extrapolations de tendances, des retours d’experts et des exercices de simulation stratégique, appelés tabletop exercises ou wargames. Le travail s’appuie sur 25 exercices de simulation et sur les contributions de plus de 100 personnes, notamment dans les domaines techniques et de la gouvernance de l’IA.
Ces exercices servent à explorer les réactions possibles des acteurs : que ferait un laboratoire face à une avancée majeure ? Un gouvernement pourrait-il freiner les déploiements ? Comment un concurrent réagirait-il ? Ils permettent de tester la cohérence d’une trajectoire, mais ne mesurent pas sa probabilité comme le ferait une fréquence observée.
L’ambition de précision prédictive, avec des évolutions datées et quantifiées, rend les désaccords plus explicites. Un lecteur peut contester un délai, un rythme de progrès ou une décision politique, plutôt que rejeter une intuition vague. C’est l’un des principaux intérêts de cette méthode.
Le moteur du scénario : l’IA qui accélère la recherche en IA
Le cœur d’AI 2027 n’est pas simplement l’apparition d’un assistant plus convaincant. C’est le développement d’agents capables de prendre en charge une part croissante de la recherche : écrire du code, conduire des expériences, analyser des résultats et contribuer à améliorer les systèmes suivants. Si cette automatisation devient suffisamment fiable, elle pourrait raccourcir les cycles de développement.
On peut comprendre cette hypothèse comme une boucle de rétroaction : une meilleure IA aide à produire une IA encore meilleure. Mais le point décisif se trouve dans les frottements de cette boucle. Un résultat doit être vérifié, une expérience doit disposer de ressources et une amélioration doit fonctionner hors du test initial. Pour évaluer le scénario, il faut donc regarder non seulement la vitesse de production des idées, mais aussi la capacité à les valider. Une machine qui propose mille expériences ne transforme pas automatiquement ces propositions en mille découvertes.
Cette dynamique suppose que plusieurs conditions se rejoignent : accès à la puissance de calcul, progrès algorithmiques, autonomie des agents et qualité des évaluations. Davantage de calcul ne garantit pas, à lui seul, une auto-amélioration rapide. Les coûts, les infrastructures et les difficultés de coordination peuvent modifier la trajectoire.
Le scénario ajoute une dimension stratégique à cette accélération. Des entreprises ou des États peuvent craindre qu’un ralentissement leur fasse perdre un avantage décisif. La question devient alors autant politique que technique : qui peut imposer des vérifications lorsque chaque acteur redoute d’être dépassé ?
« Race » et « slowdown » : deux réponses à la même accélération
Les deux fins proposées explorent des choix différents face aux capacités avancées. Elles ne correspondent ni à deux prévisions indépendantes ni à un partage égal des probabilités. Leur intérêt est de montrer que les décisions de gouvernance comptent dans la trajectoire, au même titre que les performances des modèles.
| Dimension | Race : poursuite de la course | Slowdown : ralentissement |
|---|---|---|
| Priorité | Préserver l’avance et accélérer les capacités | Gagner du temps pour évaluer et sécuriser |
| Tension centrale | La concurrence réduit la place laissée aux vérifications | Le contrôle exige des décisions difficiles à coordonner |
| Risque exploré | Déployer des systèmes dont les humains ne maîtrisent plus suffisamment le comportement | Ne pas réussir à maintenir un ralentissement effectif |
| Question à examiner | Les mécanismes de sécurité peuvent-ils suivre le rythme ? | Qui dispose du pouvoir et des moyens de freiner ? |
La trajectoire race explore une poursuite de l’accélération pouvant conduire à une perte de contrôle catastrophique. La trajectoire slowdown examine une bifurcation où davantage de temps est consacré au contrôle et à la sécurité. Elle ne signifie pas que ralentir serait simple, ni qu’une pause résoudrait automatiquement les problèmes d’alignement, c’est-à-dire l’adéquation entre le comportement des systèmes et les intentions humaines.
Ce qu’il faut retenir sans prendre le scénario pour une certitude
AI 2027 mérite d’être lu parce qu’il expose une chaîne causale précise et des décisions concrètes. Ses limites viennent aussi de cette forme narrative : un récit cohérent peut donner une impression de probabilité supérieure à ce que justifient ses hypothèses. Chaque transition reste contestable, notamment la rapidité de l’automatisation scientifique et l’efficacité des contrôles humains.
Une lecture critique peut donc reconnaître l’utilité de l’exercice sans accepter son calendrier. Inversement, trouver son échéance trop courte ne suffit pas à réfuter les risques qu’il décrit. La plausibilité d’un mécanisme, sa date d’apparition et la gravité de ses conséquences sont trois questions différentes.
Pour en tirer une utilité pratique, mieux vaut suivre des signaux observables que retenir uniquement « 2027 » :
- La fiabilité des agents sur des tâches longues, avec peu de supervision.
- Leur contribution vérifiable à des avancées de recherche, au-delà des démonstrations.
- La capacité des évaluateurs à détecter les échecs et les comportements trompeurs.
- Les moyens réels dont disposent les organisations pour suspendre un déploiement.
Pour une entreprise, cela invite à expérimenter avec des périmètres limités, des validations humaines et des procédures réversibles. Pour le lecteur, la bonne question n’est pas seulement de croire ou non à AI 2027 : c’est d’identifier les observations qui renforceraient ses hypothèses, et celles qui obligeraient à les revoir.