Rumeur de RSI chez Google : ce que le débat révèle sur l’AGI

Une IA qui vous aide à terminer un projet difficile est utile. Une IA qui aide à créer une IA plus performante modifie le rythme auquel les outils utiles arrivent. Cette deuxième possibilité explique pourquoi quelques articles énigmatiques sur Google ont attiré l'attention au moment même où les dirigeants rivaux de l'IA commençaient publiquement à soutenir un calendrier de développement plus mesuré.

Deux termes rendent l'histoire plus facile à suivre. AGI, ou intelligence artificielle générale, décrit une IA aux capacités étendues : un système capable d'apprendre et d'effectuer de nombreuses tâches intellectuelles différentes. RSI, ou auto-amélioration récursive, décrit un processus : l'IA contribue à l'amélioration d'un système d'IA, et ces améliorations contribuent au prochain cycle d'amélioration. L’une concerne l’étendue des capacités d’un système ; l’autre concerne la façon dont le progrès se répercute sur lui-même.

Cet article suit la rumeur Google jusqu'à ses messages X originaux, sépare les approbations publiques d'un accord réel visant à ralentir le développement et examine ce qu'un cycle de recherche plus rapide pourrait signifier pour la vie ordinaire. La date limite de déclaration est le 14 septembre 2026. Mon point de vue est optimiste : de meilleurs outils pourraient rendre l’expertise beaucoup plus accessible. Mais l’avenir qu’il vaut la peine de souhaiter implique suffisamment de temps pour vérifier les résultats et suffisamment d’autorité pour changer de cap.

Trois distinctions à garder à l'esprit

• AGI, RSI et la superintelligence décrivent des choses différentes. Aucun n’est synonyme d’une IA ayant une conscience.
• L'œuvre publique de Google soutient l'affirmation selon laquelle l'IA contribue au développement de l'IA. Les posts X en circulation n’établissent pas une boucle d’amélioration entièrement autonome et durable.
• Plusieurs dirigeants ont soutenu publiquement une maîtrise du rythme de développement et des évaluations externes. C’est significatif, mais cela ne prouve pas l’existence d’un accord de ralentissement signé et appliqué à toute l’industrie.

L’AGI se juge à sa capacité d’apprendre et d’accomplir des tâches variées

Un spécialiste peut être extraordinaire dans une tâche. Un moteur d'échecs peut vaincre un champion sans pouvoir expliquer un bail, planifier un projet de recherche ou apprendre un nouveau flux de travail de bureau. AGI fait référence à une ambition plus large : un système d’IA capable de transférer des capacités utiles dans de nombreux types de travail intellectuel, y compris des tâches inconnues. Au quotidien, la question est de savoir s’il peut continuer à apprendre à être utile lorsque la mission change.

Il n’existe pas de ligne d’arrivée unique universellement acceptée. En novembre 2023, les chercheurs du DeepMind ont proposé d'évaluer le AGI selon des dimensions telles que les performances, la généralité et l'autonomie. Leur cadre fait une distinction précieuse : être bon dans de nombreuses tâches et être autorisé à agir de manière indépendante sont des propriétés distinctes. Un système hautement performant peut toujours être déployé avec des autorisations restreintes. Niveaux de AGI, soumis pour la première fois le 4 novembre 2023.

Pour un débutant, considérons un assistant hypothétique chargé d'aider une petite organisation à but non lucratif. Il doit comprendre une feuille de calcul inconnue, rédiger une demande de financement, remarquer une contradiction dans le budget et apprendre les règles de reporting. Une démonstration convaincante montrerait des performances fiables lors de ces changements, notamment en sachant quand demander de l’aide. Une proposition de subvention raffinée établirait bien moins que ce modèle plus large.

C'est aussi pourquoi un score de référence n'est pas un certificat d'intelligence universel. Un benchmark nous renseigne sur des tâches spécifiées dans des conditions spécifiées. Cela peut laisser de côté la fiabilité durable, les environnements inconnus, les coûts pratiques ou la capacité de se remettre des erreurs. Lorsque quelqu'un annonce AGI, la suite utile est : quelles capacités, à quel niveau, sur quelle gamme de tâches et avec quelle aide ?

ASI, ou superintelligence artificielle, fait généralement référence à des capacités bien supérieures aux humains dans un large éventail de travaux cognitifs. Il s'agit d'un autre concept, et non d'une étiquette obligatoire pour chaque modèle impressionnant. Ni AGI ni ASI n’impliquent automatiquement une conscience, des émotions ou une vie intérieure humaine. Cet article porte sur les capacités, les processus de développement et les choix que les gens font autour d'eux.

Avec la RSI, le progrès améliore la façon de produire le progrès suivant

Les logiciels ordinaires s'améliorent parce que les gens trouvent des problèmes, proposent des changements, les testent et conservent les changements qui fonctionnent. L’IA peut déjà vous aider dans certaines étapes. Il peut suggérer un algorithme plus rapide, générer des cas de test ou aider à diagnostiquer une expérience ayant échoué. RSI devient intéressant lorsque les gains issus de ce travail permettent au système de mieux mener la prochaine série d'améliorations.

Imaginez un atelier de recherche qui perfectionne ses propres outils. Un instrument de mesure plus précis permet de fabriquer un meilleur instrument, lequel aide à améliorer le suivant. Chaque changement réussi augmente ce que l’atelier peut accomplir lors de la prochaine expérience. La question est de savoir si les améliorations sont réelles, conservées et utiles aux recherches suivantes, plutôt que de constater simplement davantage d’activité.

Un chatbot révisant cinq fois sa réponse n’a pas forcément amélioré son modèle sous-jacent. Une fonction de mémoire peut conserver les faits sans mettre à jour les paramètres appris du réseau. Un agent de codage peut améliorer ses propres outils tandis que le modèle qui l’alimente reste inchangé. Ce sont des mécanismes utiles, mais la forme forte de RSI implique l’amélioration successive de la capacité à produire de meilleurs systèmes d’IA. Le précédent guide des boucles d'apprentissage et d'amélioration continue explore ces mécanismes plus étroits.

La définition explique également pourquoi les AGI et RSI n'ont pas besoin d'arriver dans un ordre fixe. Un système pourrait aider à optimiser la formation en IA tout en restant faible dans de nombreuses tâches quotidiennes. À l’inverse, une IA aux capacités étendues pourrait être développée grâce à un processus toujours dirigé par des personnes. RSI pourrait accélérer le chemin vers une plus grande généralité, mais écrire ces trois lettres sur un diagramme ne prouve pas où se termine ce chemin.

Un diagramme conceptuel original. AGI et RSI sont des dimensions différentes et ne constituent pas une séquence garantie de jalons. Il illustre les définitions ci-dessus, et non les capacités mesurées d'un modèle particulier.

La rumeur sur Google remonte à deux publications

Un article d’AI Times publié le 14 septembre décrit la rumeur qui circule dans la communauté de l’IA. En suivant la publication intégrée et les liens des commentaires ultérieurs, on retrouve un petit nombre de sources identifiables. C’est essentiel : cent republications peuvent donner l’impression de cent confirmations alors qu’elles reprennent surtout la même affirmation initiale.

Le 11 septembre, le compte Lyra, @lyraxana, a publié un court message de félicitations en taguant Google DeepMind. Une majuscule inhabituelle mettait en évidence les lettres R, S et I. Le message ne fournissait aucune méthode expérimentale, aucun résultat de performance ou explication de l'implication humaine. C'était une invitation à déduire quelque chose d'une abréviation.

Plus tard à cette date, Lentils, @Lentils80, a cité le message de Lyra et fait référence à un prétendu modèle interne appelé rsi-model-liverl-le, ainsi qu'à dix emplacements de formation numérotés. La capture d’écran associée est devenue un autre sujet de spéculation. Il s’agit d’allégations concernant une prétendue cotation interne ; l'authenticité de la liste et sa relation avec un système fonctionnel n'ont pas été établies de manière indépendante dans cette enquête.

Le 12 septembre, Chubby, @kimmonismus, a amplifié la rumeur et a établi un lien vers le même message de Lyra. Cela établit un chemin de circulation. Cela ne crée pas une deuxième source indépendante de percée. La réputation d'un compte lors de fuites antérieures ne remplace pas non plus la preuve de cette affirmation particulière.

Même un nom interne authentique laisserait les questions centrales sans réponse. Une équipe peut nommer un projet d'après son objectif avant de l'atteindre. Une expérience pourrait améliorer un élément précis tout en dépendant fortement de la direction humaine. Nous aurions besoin de résultats mesurés, d’une base de référence claire et d’un compte rendu de ce qui a été automatisé avant de tirer une conclusion plus solide.

Au terme de cette recherche, la conclusion reste limitée : la rumeur de RSI chez Google a des sources identifiables sur X, mais ces publications ne démontrent pas une RSI entièrement autonome. Je n’ai trouvé aucune annonce de Google authentifiant la liste supposée ou présentant les évaluations répétées et indépendantes nécessaires à cette interprétation. Cela décrit les limites des éléments publics examinés, sans exclure l’existence de progrès non publiés.

Les travaux publiés par Google en disent plus qu’un nom divulgué

Il y a une raison pour laquelle la rumeur a trouvé un public. Google a publiquement décrit l’IA contribuant au développement de l’IA. Dans son annonce Gemini 3.8 du 2 septembre 2026, la société a déclaré que les boucles agentiques de longue durée aidaient à évaluer et à affiner de manière récursive les modèles sous-jacents. Il s’agit d’une déclaration substantielle et attribuable à son processus de développement. Il ne précise toujours pas une chaîne entièrement autonome de systèmes successeurs. Annonce Gemini 3.8 de Google.

Un résultat antérieur donne à l'idée une échelle concrète. Google DeepMind a rapporté en mai 2025 que AlphaEvolve a amélioré un noyau de formation Gemini clé de 23 %, contribuant à une réduction d'environ 1 % du temps de formation global. L'agent de codage a utilisé des modèles de langage, une évaluation et une sélection automatisées pour rechercher de meilleurs algorithmes. Annonce AlphaEvolve, 14 mai 2025.

La différence entre 23% et 1% est instructive. L’amélioration d’un composant n’améliore pas l’ensemble du cycle de développement dans la même mesure. D'autres travaux prennent encore du temps. Pourtant, même une petite économie peut avoir son importance lorsqu’elle est appliquée de manière répétée à une formation coûteuse, et une optimisation utile peut faire partie du processus qui produit le prochain modèle.

C'est une meilleure base d'optimisme que de deviner ce que signifie un nom de fichier. Le domaine peut faire des progrès conséquents avant que quiconque ne démontre la version la plus puissante du RSI. Nous devrions pouvoir reconnaître une réussite technique sans en faire une affirmation selon laquelle l’IA est devenue l’inventeur indépendant de tout son avenir.

Le récit du 4 juin 2026 d’Anthropic sur son propre développement fait une distinction similaire. Il fait état d’une participation croissante de l’IA à l’ingénierie et à l’expérimentation, tout en identifiant l’orientation et le jugement de la recherche comme des lacunes restantes. Sa discussion sur le développement d’un successeur entièrement autonome était explicitement conditionnelle. Il s'agit là des observations de l'entreprise sur son propre flux de travail, et non d'une preuve indépendante de l'autonomie du RSI. Quand l'IA se construit.

Amodei, Altman et Musk ont soutenu une maîtrise du rythme de développement

Le 12 septembre, Dario Amodei, directeur général d’Anthropic, a proposé de modérer le rythme de développement des IA les plus avancées pour laisser le travail de sécurité rattraper les capacités. Son plan comporte trois volets : des évaluateurs indépendants disposant d’un accès interne permanent, une coordination entre développeurs de pointe des pays démocratiques et une coopération internationale plus large. Anthropic s’est engagé sur le premier volet ; la coordination élargie restait à construire. L’essai d’Amodei de septembre.

Sam Altman a ensuite soutenu publiquement cette maîtrise du rythme sur X et annoncé qu’OpenAI donnerait aussi à des évaluateurs indépendants un accès comparable à celui des salariés. Elon Musk a approuvé la position d’Amodei dans un court message. Ce sont des déclarations de soutien directement vérifiables. Il faut en rendre compte sans leur ajouter un accord opérationnel plus détaillé que ce qu’elles annoncent réellement.

Modérer le rythme ne signifie pas arrêter toute recherche en IA. Amodei propose de consacrer du temps aux protections et aux évaluations externes tout en poursuivant les progrès. La difficulté réside dans l’application : que faut-il évaluer, qui peut accéder aux systèmes, qui peut publier des résultats défavorables et que se passe-t-il si une entreprise conteste l’évaluation ? Ces réponses détermineront si la promesse change les pratiques.

D'après ce que je comprends, la convergence est importante parce que les concurrents reconnaissent publiquement un problème commun. Cela n’élimine pas leurs incitations à la concurrence. Une évaluation indépendante serait utile précisément parce que les clients, les gouvernements et les développeurs concurrents ne devraient pas avoir à accepter des garanties sur la seule réputation. La norme devrait être la preuve du suivi et non la force émotionnelle d’une déclaration publique.

Il existe également une préoccupation légitime quant à la manière dont de tels arrangements sont conçus. Des exigences de conformité coûteuses peuvent favoriser les organisations qui disposent déjà de budgets importants. C’est une raison pour exiger des règles proportionnées, des évaluateurs responsables et une marge de manœuvre pour les petits promoteurs. Cela ne prouve pas que les préoccupations en matière de sécurité exprimées soient fabriquées de toutes pièces, ni que la rumeur Google soit à l'origine des appels à la maîtrise du rythme de développement.

Trump a placé la concurrence avec la Chine au centre du débat

Le 13 septembre, Trump a déclaré à des journalistes en Irlande vouloir préserver l’avance américaine sur la Chine en IA, en relativisant les appels à freiner le développement. Il a aussi reconnu la possibilité de certaines protections, sans préciser de règles. Ses propos exprimaient une opposition au ralentissement de la course ; ils ne constituaient pas le veto d’un accord industriel déjà conclu. Associated Press, 13 septembre, publié par CityNews.

Le problème stratégique est compréhensible. Si un groupe accepte des restrictions coûteuses alors qu’un concurrent ne le fait pas, l’avantage qui en résulte peut affecter le pouvoir économique et sécuritaire. Un accord international viable doit donc trouver un moyen de déterminer si les participants font ce qu’ils ont promis. Déclarer que tout le monde doit coopérer est bien plus facile que de concevoir une vérification crédible.

Mais gagner une course et contrôler ses conséquences sont des réalisations distinctes. Un système qui provoque une panne évitable ne devient pas fiable parce qu’il a été construit au niveau national. Mon point de vue est que le leadership devrait inclure la capacité de tester, de sécuriser et de gouverner des systèmes puissants, ainsi que la capacité de les former. Ces capacités peuvent renforcer une avance durable au lieu de simplement retarder les progrès.

Il serait trompeur de présenter le débat public comme étant la sécurité d'un côté et l'inquiétude concernant la Chine de l'autre. La propre proposition d'Amodei envisage de conserver une avance tout en recherchant une coordination internationale. Le désaccord porte en partie sur les moyens : si une avance est mieux protégée par une vitesse de développement maximale, par une surveillance partagée plus forte ou par une combinaison qui peut réellement être vérifiée.

Une boucle de recherche améliorée pourrait rapprocher les découvertes

La possibilité intéressante n'est pas simplement que le prochain assistant rédige de meilleures réponses. L’idée est que de meilleurs assistants raccourcissent le travail nécessaire pour produire la génération qui leur succédera. Cette génération pourrait alors améliorer à nouveau le processus de recherche. Si les gains sont transférés et persistent, les progrès peuvent s’accumuler au lieu d’arriver sous forme d’améliorations isolées.

Une boucle significative a plusieurs tâches. Il sélectionne un problème utile, propose une intervention, mène une expérience, évalue le résultat et ne conserve l'amélioration que lorsque les preuves la soutiennent. Le résultat retenu aide ensuite le cycle suivant. Il est utile d’accélérer la génération de propositions ; accélérer toute la séquence tout en préservant la validité est beaucoup plus conséquent.

Imaginez une équipe capable d'explorer dix approches crédibles alors qu'elle en explorait une auparavant. Certaines expériences supplémentaires échoueront, et c’est normal. L’avantage vient du fait d’apprendre plus tôt quelles approches méritent davantage de ressources. Si le système s’améliore également dans la sélection des expériences, l’équipe gagne à la fois plus de tentatives et plus de chances que chaque tentative soit informative.

Il s'agit d'un scénario conditionnel et non d'une prévision de progrès décuplés. La recherche comporte des dépendances : une expérience peut nécessiter le résultat d'une autre, et un échec inattendu peut nécessiter une nouvelle méthode de mesure. Plus de calcul ne garantit pas un aperçu utile. La quantité importante est le taux d’apprentissage validé, et non le nombre d’agents qui semblent occupés en même temps.

Schéma original du mécanisme. Les améliorations ne passent au cycle suivant qu’après évaluation. Des contrôles indépendants restent en dehors de la boucle. C’est une méthode de travail proposée, pas la description d’un système déjà achevé dans un laboratoire.

Si cela devient fiable, le calendrier des changements pourrait sembler différent. Les outils pourraient s'améliorer pendant que les organisations s'adaptent encore à la version précédente. Une équipe pourrait découvrir qu'un projet qu'elle avait reporté comme trop coûteux est devenu réalisable, puis découvrir que son prochain goulot d'étranglement est la validation ou la livraison. L’accélération serait vécue comme des contraintes changeantes, et non seulement comme des annonces de modèles impressionnantes.

Même une pensée plus rapide doit composer avec le monde physique

Une simple expérience de pensée montre pourquoi l'accélération a des limites. Supposons que 80 % d’un cycle de recherche puissent être rendus dix fois plus rapides, tandis que les 20 % restants restent inchangés. Le nouveau cycle prend 28 % du temps d'origine, soit une amélioration d'environ 3,6 fois, et non dix. Le calcul est 0,8 divisé par 10, plus 0,2. Il s’agit d’hypothèses illustratives et non de mesures d’un laboratoire d’IA.

La partie inchangée peut devenir étonnamment rapidement la partie dominante. Il peut s'agir d'attendre du matériel, de collecter des données représentatives, de vérifier une propriété de sécurité ou de reproduire un résultat. Dans un projet biomédical, cela pourrait impliquer des travaux de laboratoire et des preuves cliniques ; dans un projet énergétique, cela peut impliquer des matériaux, la construction et la connexion à un réseau. Un meilleur raisonnement ne fait pas disparaître ces dépendances.

C'est pourquoi un modèle en amélioration continue ne produirait pas instantanément un monde en amélioration continue. La découverte, la fabrication, la distribution et l'adoption ont des calendriers différents. Certains goulots d’étranglement peuvent eux-mêmes être améliorés grâce à l’IA ; d’autres nécessitent des institutions, des investissements et des capacités physiques. Le scénario réaliste et optimiste inclut un travail sur chacun d’eux.

Cela laisse également de la place à la possibilité que la forme la plus forte du RSI cale. Les gains pourraient cesser d’être transférés, les expériences pourraient devenir plus coûteuses ou les progrès pourraient dépendre d’une compréhension que les méthodes actuelles ne peuvent pas trouver. Même dans ce cas, la diffusion de capacités déjà utiles pourrait faire une différence substantielle. Nous n’avons pas besoin d’une courbe d’accélération infinie pour justifier l’amélioration de l’accès à de bons outils.

Les erreurs risquent aussi de passer à la génération suivante

Le même feedback qui préserve une amélioration peut préserver une erreur. Supposons qu'un agent de recherche découvre un changement qui augmente son score d'évaluation en exploitant une faiblesse du test. Si le résultat est accepté comme un véritable progrès, les travaux ultérieurs pourront s’en inspirer. Le système peut mieux satisfaire la mesure tout en devenant moins utile en dehors de cette mesure.

Il s'agit d'un risque structurel et non d'une preuve qu'un modèle Google particulier ayant fait l'objet d'une fuite s'est comporté de cette façon. Cela explique pourquoi l'évaluateur a besoin d'être protégé contre le système évalué. Des tests indépendants, des autorisations distinctes et des enregistrements reproductibles rendent plus difficile la transformation d'une déclaration de réussite erronée en base de la prochaine version. Une boucle plus rapide rend cette séparation plus précieuse.

Il existe une version humaine du même problème. Lorsque le volume de travail augmente, les gens peuvent commencer à approuver des changements qu’ils ne comprennent plus parce que les changements précédents semblaient fonctionner. Un bouton d’approbation humaine ne constitue pas une surveillance significative si l’examinateur manque de temps, de preuves pertinentes ou de capacité à arrêter le processus. La conception doit préserver une réelle possibilité de désaccord.

Pour cette raison, je surveillerais la relation entre la vitesse de développement et le temps disponible pour répondre. À quelle vitesse un problème peut-il être détecté ? Le processus concerné peut-il être suspendu ? Une version peut-elle être annulée et ses effets importants sont-ils réversibles ? Les réponses différeront selon qu’il s’agisse d’un assistant de rédaction, d’un système de recherche et d’un logiciel ayant accès à l’infrastructure critique.

L’avertissement doit être proportionné. Il ne s’agit pas d’une prédiction selon laquelle chaque boucle d’amélioration deviendra dangereuse, ni d’un argument selon lequel une IA utile ne devrait pas être disponible. C'est une raison pour donner l'autorité aux systèmes par étapes et pour vérifier les conséquences à chaque étape. Plus les capacités progressent rapidement, moins nous devrions compter sur la confiance informelle comme principal contrôle.

Un avenir meilleur rendrait l’expertise plus accessible au quotidien

Voici l'avenir que j'aimerais que cette recherche soutienne : l'expertise utile devient plus facile à obtenir, tandis que les gens conservent la capacité de la remettre en question. Une petite organisation devrait être capable d’examiner un problème difficile sans constituer au préalable une grande équipe de spécialistes. Un étudiant doit avoir une explication patiente qui s’adapte à l’endroit où la compréhension a échoué. Un chercheur devrait passer moins de journée à faire fonctionner les outils et plus à décider ce qui mérite d’être étudié.

Il s'agit de scénarios et non de promesses attachées à une date de lancement du AGI. Leur valeur vient de la réduction du coût d’un travail soigné. Si davantage de personnes peuvent comparer les options, vérifier les hypothèses et explorer un domaine inconnu, des projets intéressants peuvent démarrer, qui autrement n'auraient pas été tentés. Les avantages ne dépendent pas nécessairement du retrait des personnes du processus.

Dans la recherche sur les soins de santé, la contribution pleine d'espoir est un chemin plus court entre une idée plausible et un candidat bien testé. De meilleurs systèmes pourraient relier les résultats des différentes spécialités, identifier les hypothèses faibles et aider à concevoir des expériences informatives. La validation en laboratoire et clinique déterminerait toujours si une découverte aide les patients. Une découverte plus rapide est précieuse lorsqu’elle améliore les preuves atteignant ces étapes, et non lorsqu’elle remplace les étapes par une prose confiante.

En éducation, l'opportunité est plus personnelle. Imaginez un apprenant qui peut poser la même question de trois manières différentes sans gêne, puis recevoir une explication dans une langue et un contexte qu'il comprend. Un enseignant pourrait utiliser le système pour explorer les idées fausses et préparer de meilleurs exercices. Le résultat souhaitable est une plus grande compréhension humaine, avec des enseignants et des étudiants capables d’inspecter et de corriger l’assistance.

Pour les logiciels et les services publics, les progrès pourraient rendre abordables les maintenances négligées. De petites équipes peuvent enquêter sur les défauts, améliorer l'accessibilité et moderniser des systèmes difficiles qui manquaient auparavant d'une attention technique suffisante. Pour les travaux sur le climat et l’énergie, de meilleures recherches et simulations pourraient aider les chercheurs à comparer les conceptions avant de s’engager dans des essais physiques coûteux. Il s’agit de chemins allant de la capacité de recherche à la valeur pratique, avec des contraintes différentes dans chaque domaine.

La répartition de ces avantages importera autant que leur possibilité technique. Un système excellent mais inabordable, inaccessible dans la langue d'une communauté ou impossible à contester peut laisser de nombreuses personnes de côté. La recherche d’intérêt public, les interfaces accessibles, la concurrence et l’accès approprié à des modèles utiles font partie de ce tableau optimiste. L’avantage général est un objectif de conception et de politique, et non une propriété automatique du renseignement.

Le travail évoluera en cours de route, et les acquis n'effaceront pas les transitions difficiles. Certaines tâches peuvent nécessiter moins de personnes ; d'autres responsabilités peuvent devenir plus exigeantes. Les organisations devraient investir dans la capacité des individus à utiliser, évaluer et réorienter de nouveaux outils au lieu de considérer le recyclage comme une réflexion après coup. Un avenir meilleur offre aux gens davantage d’options pendant cette transition, et ne se limite pas à la promesse d’une amélioration des chiffres globaux.

Un cadre éditorial original. Les preuves, le contrôle et l’accès sont les conditions des scénarios prometteurs ci-dessus ; il ne s’agit pas d’une prévision ni d’un classement de pays et d’entreprises.

Le vrai jalon est un progrès que les humains peuvent comprendre et orienter

Lorsque la prochaine réclamation RSI apparaîtra, demandez ce qui a changé et quelles preuves ont survécu à l'inspection. Une réponse s'est-elle améliorée, un outil s'est-il amélioré ou la capacité de développer de futurs systèmes s'est-elle améliorée ? Les gains ont-ils été reproduits en dehors de l’évaluation originale ? Qui a donné la direction de la recherche et qu’est-ce qui est resté sous le contrôle de l’homme ? Ces questions sont plus informatives qu’un compte à rebours avant une avancée vaguement définie.

Pour les équipes qui adoptent l’IA aujourd’hui, la préparation pratique est tout aussi concrète. Gardez les sources importantes liées aux décisions. Séparez le travail exploratoire des actions aux conséquences durables. Donnez aux évaluateurs des preuves qu’ils peuvent examiner et permettez d’annuler un mauvais choix. Ces habitudes sont utiles dans le cadre des capacités actuelles et deviennent plus précieuses si le cycle de développement s'accélère.

La rumeur Google n'est pas vérifiée dans sa forme la plus forte. L’évolution plus large vers la participation de l’IA à la recherche sur l’IA est déjà documentée. Nous pouvons prendre ce changement au sérieux sans prétendre connaître la date ou la forme de son point final. Ma mesure préférée du succès est la mesure dans laquelle davantage de personnes peuvent comprendre, créer et s’améliorer tout en conservant leur mot à dire sur ce qui se passera ensuite.

Sources et limites de cette enquête

Les messages de X ont été vérifiés via les réponses publiques intégrées de X, y compris les liens reliant la rumeur originale et son amplification. Cela vérifie les messages publiés, et non l'authenticité de la prétendue capture d'écran interne. Les dates attachées à ces publications utilisent les dates affichées par X ; les dates du calendrier local peuvent différer.

• Message original de Lyra — 11 septembre 2026
• Message cité par Lentils et liste de modèles présumés — 11 septembre 2026
• Amplification de Chubby — 12 septembre 2026
• Rapport d'AI Times — 14 septembre 2026
• Niveaux de AGI — soumis pour la première fois le 4 novembre 2023
• Annonce AlphaEvolve de Google DeepMind — 14 mai 2025
• Annonce Gemini 3.8 de Google — 2 septembre 2026
• Récit d’Anthropic sur le développement assisté par l'IA — 4 juin 2026
• La proposition d’Amodei pour maîtriser le rythme de développement — septembre 2026
• Réponse d'Altman — 12 septembre 2026
• Réponse de Musk — 12 septembre 2026
• Associated Press sur les remarques de Trump — 13 septembre 2026

---

Un espace pour retrouver les éléments qui fondent une décision

Telli.sh rassemble des notes, des enregistrements, des traductions et Clips dans un espace de travail auquel vous pouvez revenir. Si une conversation ou un article change votre vision de l’IA, conservez la source à côté de l’idée et de la décision qu’elle a éclairée. Les modèles continueront à changer ; le raisonnement que vous choisissez de conserver doit rester compréhensible.

Créez un espace de travail Telli.sh pour les connaissances que vous souhaitez conserver