AI 2027 glisse vers 2028-2032 alors que ses prévisions de superintelligence se heurtent à la réalité

AI 2027 fait face à un test décisif de sa chronologie, malgré le regain d’attention sur Google News qui laisse entendre que son scénario de superintelligence reste globalement en bonne voie. Le scénario original situait le codage surhumain en 2027 et la superintelligence artificielle vers la fin de 2027 ou le début de 2028. Les modélisations actualisées et les goulets d’étranglement observés soutiennent désormais plus aisément une fenêtre plus large allant de 2028 à 2032 que cette séquence initiale spectaculaire.

Ce décalage ne rend pas AI 2027 sans intérêt. Il change ce que les lecteurs doivent en retenir. Le scénario apparaît de plus en plus utile comme carte des dépendances, plutôt que comme calendrier fiable des événements.

Le conflit central oppose les progrès rapides du logiciel aux systèmes plus lents qui l’entourent. De meilleurs agents de codage existent bel et bien, tandis que les expérimentations de recherche, l’évaluation fiable, la construction de centres de données, l’acheminement de l’électricité et l’adoption par les organisations suivent encore des rythmes humains et physiques. Ces contraintes déterminent si des agents compétents déclenchent une amélioration autonome accélérée ou deviennent simplement de meilleurs outils.

Le résultat est plus complexe que ne le laisse entendre le titre de Google News. Les capacités de l’IA progressent, mais les éléments montrant que des systèmes autonomes peuvent gérer des programmes de recherche complets restent limités. Un report de 2027 vers 2028-2032 préserverait le mécanisme central du scénario tout en rejetant ses hypothèses les plus comprimées.

Ce qui a réellement changé dans la chronologie d’AI 2027

L’évolution importante n’est pas une date confirmée pour la superintelligence. C’est l’écart croissant entre le calendrier narratif du scénario et ses prévisions sous-jacentes.

L’AI Futures Project a publié AI 2027 en avril 2025 comme scénario détaillé plutôt que comme prédiction conventionnelle. Son laboratoire fictif de premier plan, OpenBrain, déploie des agents de plus en plus capables afin d’automatiser la recherche en IA. Cette automatisation interne accélère la création de systèmes encore plus performants.

La version fondée sur la course à la performance franchit quatre étapes majeures. Un codeur surhumain arrive en mars 2027, suivi d’un chercheur en IA surhumain en août. Un chercheur en IA bien plus performant apparaît en novembre, puis la superintelligence artificielle suit en décembre.

Le projet définit la superintelligence artificielle comme un système qui surpasse très largement les meilleurs humains dans chaque tâche cognitive. C’est un seuil bien plus élevé que réussir des benchmarks, écrire du code de production ou utiliser un navigateur sans assistance.

Même les recherches qui étayent le projet offrent une image moins précise que son récit. Sa prévision d’accélération situe l’arrivée médiane de la superintelligence artificielle en avril 2028, à condition qu’un codeur surhumain apparaisse en mars 2027. Son intervalle d’incertitude s’étend de juin 2027 à au-delà de 2100.

La même prévision situe en novembre 2027 la médiane pour un chercheur en IA superintelligent. Pourtant, l’intervalle annoncé va de mai 2027 à 2034. Ces plages ne sont pas des réserves mineures. Elles montrent que les dates les plus mémorables reposent sur des jugements profondément incertains.

Le projet a également ajouté un avertissement en décembre 2025. Il indique que la prévision d’accélération repose largement sur un jugement intuitif, car les éléments disponibles ne permettent pas une extrapolation concluante. Cette reconnaissance compte davantage que le déplacement de quelques mois d’une étape.

Son modèle de chronologie a lui aussi changé. Une approche actualisée fondée sur les horizons temporels a déplacé une estimation médiane du codeur surhumain d’août 2027 à février 2029. Un modèle distinct, reposant sur les benchmarks et les écarts de capacités, est passé de décembre 2028 à mars 2030.

Ces révisions ne produisent pas une prévision officielle pour 2028-2032. Elles font toutefois de cette fourchette une synthèse raisonnable des estimations actualisées du projet concernant les codeurs et de sa transition attendue entre l’automatisation du codage et une superintelligence plus générale.

Cette distinction est essentielle. Aucun benchmark public n’a validé un compte à rebours vers la superintelligence. Ce qui a changé, c’est l’équilibre des éléments entourant la première étape cruciale du scénario.

Le récit original traitait un codeur surhumain en 2027 comme le point d’allumage. Les travaux ultérieurs accordent davantage de poids aux capacités manquantes, aux exigences de fiabilité et aux obstacles d’intégration. Si l’allumage se déplace vers 2029 ou 2030, un modèle d’accélération sur un an repousse naturellement les étapes ultérieures vers le début des années 2030.

La couverture de Google News peut faire apparaître ce changement comme un simple report. Il est préférable de le comprendre comme un passage de la précision narrative à l’incertitude des prévisions.

Pourquoi les agents IA maintiennent le scénario en vie

AI 2027 n’a pas été invalidé, car la tendance de capacités qui le motive reste visible, particulièrement dans les tâches logicielles.

Le scénario repose largement sur l’idée d’un horizon temporel de l’IA. Cette métrique estime la durée d’une tâche, mesurée selon le temps d’exécution par un humain expert, qu’un agent peut achever avec un taux de réussite donné.

METR, une organisation indépendante d’évaluation des modèles, calcule des horizons temporels à 50 % et 80 % pour un ensemble de tâches logicielles. Ses recherches ont montré que la durée des tâches que les agents de pointe pouvaient accomplir doublait environ tous les sept mois sur plusieurs années.

Cette tendance a contribué à rendre plausible la prévision initiale d’un codeur surhumain. Si les agents continuent de traiter des tâches plus longues à un rythme régulier, ils finissent par passer de l’assistance sur des fragments de travail à la réalisation de projets d’ingénierie substantiels.

Des évaluations récentes ont renforcé l’argument en faveur de capacités spécifiques. METR a indiqué que les principaux agents publics évalués au début de 2026 présentaient des horizons mesurés dépassant deux journées complètes équivalent temps plein sur sa suite actualisée. Certains systèmes ont géré des tâches initiales de réimplémentation logicielle qui auraient demandé bien plus de temps à des personnes.

Ces résultats représentent des progrès significatifs. Ils suggèrent que les systèmes de pointe dépassent les fonctions isolées et les courts exercices de débogage. Ils peuvent soutenir des chaînes plus longues de raisonnement, d’utilisation d’outils et de modification de code.

Toutefois, l’horizon temporel ne constitue pas un compte à rebours vers une recherche autonome. La propre note sur les limites de METR avertit qu’un horizon mesuré n’équivaut pas au temps pendant lequel une IA peut travailler de manière indépendante. Il représente un travail humain sériel remplaçable dans un cadre d’évaluation défini.

Un taux de réussite de 50 % reste également insuffisant pour de nombreux environnements de recherche et de production. Une expérience ratée peut gaspiller une puissance de calcul coûteuse. Une erreur logicielle subtile peut corrompre les résultats ultérieurs sans se révéler immédiatement.

La métrique peut s’améliorer alors que l’automatisation fiable progresse plus lentement. Les tâches plus longues produisent des échecs plus complexes, et ces échecs peuvent exiger davantage d’efforts humains pour être diagnostiqués. La vérification devient plus difficile lorsque les agents opèrent sur des bases de code plus vastes et des flux de travail plus longs.

AI 2027 suppose que les laboratoires peuvent exécuter de nombreuses copies d’agents de codage avancés. Le parallélisme permettrait à ces agents de proposer des expériences, modifier des systèmes d’entraînement, analyser les résultats et développer leurs successeurs. Cette boucle de rétroaction est le moteur du scénario.

Les éléments actuels étayent certaines parties de ce mécanisme. Les systèmes de codage peuvent déjà générer des tests, examiner des dépôts, corriger des défauts et coordonner des outils. Ils aident de plus en plus les chercheurs à mettre en œuvre des idées qui, autrement, consommeraient du temps d’ingénierie.

Pourtant, une organisation de recherche fait plus qu’écrire du code. Elle choisit des questions utiles, repère les résultats trompeurs, arbitre entre des objectifs concurrents, gère une infrastructure confidentielle et décide lorsque les éléments sont suffisamment solides pour guider une nouvelle phase d’entraînement.

La différence ressemble à l’écart entre un excellent programmeur et un laboratoire de recherche efficace. Automatiser le premier ne reproduit pas automatiquement le second.

C’est pourquoi une date au début des années 2030 peut rester compatible avec une croissance rapide des capacités. Une période de préparation plus longue donne aux laboratoires le temps d’améliorer la fiabilité, de construire des systèmes de gestion d’agents, d’accroître la puissance de calcul et de redéfinir les flux de travail de recherche.

La fenêtre actualisée n’est donc pas nécessairement une prévision pessimiste pour l’IA. Elle peut décrire le même mécanisme rapide se déployant à travers un plus grand nombre d’étapes opérationnelles.

L’affirmation de Google News se heurte à la contrainte physique du calcul

Le logiciel peut s’améliorer rapidement, mais l’infrastructure nécessaire à l’entraînement et à l’exécution des systèmes de pointe ne peut pas être reproduite à la vitesse du logiciel.

Le modèle de calcul d’AI 2027 est ambitieux avant même que ne commencent ses hypothèses concernant la recherche automatisée. Il prévoyait que le stock mondial de puissance de calcul pertinente pour l’IA serait multiplié par dix entre mars 2025 et décembre 2027.

La prévision mesure la capacité en équivalents H100, une unité normalisée fondée sur l’accélérateur H100 de Nvidia. Elle estimait une hausse de 10 millions à 100 millions d’équivalents H100 durant cette période.

La principale entreprise d’IA capterait une part croissante de cette offre. AI 2027 prévoyait que la capacité utilisable de cette entreprise passerait d’environ 500 000 équivalents H100 à la fin de 2024 à 20 millions en décembre 2027.

Sa prévision de calcul projetait également 60 gigawatts de demande mondiale d’électricité liée à l’IA à la fin de 2027. Elle attribuait 50 gigawatts aux États-Unis et 10 gigawatts au laboratoire de tête.

Il s’agit d’hypothèses de scénario, et non de résultats mesurés. Les auteurs décrivent explicitement les informations publiques comme rares et incertaines. Ils indiquent aussi que les sections ultérieures dépendent fortement de la progression des capacités supposée par le scénario.

L’électricité devient déjà une contrainte déterminante. Les nouvelles capacités de production, lignes de transport, sous-stations, transformateurs, systèmes de refroidissement et salles de données exigent des autorisations et des travaux de construction. Ces travaux suivent des processus de planification régionaux que les améliorations logicielles ne peuvent pas accélérer au même rythme.

Gartner avait précédemment estimé que les pénuries d’électricité limiteraient 40 % des centres de données IA d’ici 2027. Sa prévision énergétique décrivait la disponibilité de l’électricité comme une limitation sérieuse pour les nouvelles installations.

RAND a examiné une trajectoire tout aussi exigeante. Son analyse estimait que les centres de données IA auraient besoin de 68 gigawatts à l’échelle mondiale d’ici 2027 si la croissance exponentielle de l’offre de puces se poursuivait. Ce total approchait le double des besoins mondiaux en électricité des centres de données recensés pour 2022.

Ces estimations valident globalement la préoccupation d’AI 2027 concernant la concentration du calcul. Elles ne valident pas l’affirmation selon laquelle davantage de calcul produira des chercheurs surhumains selon un calendrier fixe.

La disponibilité du matériel et l’efficacité algorithmique sont des variables distinctes. Un laboratoire peut posséder de nombreux accélérateurs sans connaître la bonne méthode d’entraînement pour un système de recherche globalement supérieur. À l’inverse, une avancée algorithmique peut réduire le matériel nécessaire pour atteindre une capacité donnée.

Le scénario suppose des progrès dans les deux dimensions. La production de puces augmente tandis que les chercheurs automatisés découvrent des améliorations d’efficacité. Cette combinaison permet à une entreprise de tête d’exécuter d’énormes populations de travailleurs IA à des vitesses accélérées.

Ce mécanisme crée un problème de financement et de déploiement. L’organisation doit répartir sa capacité entre l’entraînement, l’inférence, les données synthétiques, les produits clients et les expérimentations internes. Chaque accélérateur affecté à une boucle de recherche spéculative n’est pas disponible pour des charges de travail génératrices de revenus.

AI 2027 prévoyait que seulement 5 à 10 % de la capacité de l’entreprise de tête ferait fonctionner directement des agents IA. Il attribuait 20 % aux données synthétiques et 35 % aux expériences de recherche. Cette répartition représenterait un engagement stratégique majeur en faveur de l’automatisation interne.

Rien ne garantit qu’un laboratoire commercial fera ce choix. La demande des clients, la pression concurrentielle, les tests de sécurité et les attentes des investisseurs influencent tous l’allocation des capacités.

C’est là que le cadrage de Google News devient trop simpliste. Suivre la construction de centres de données ne permet pas de savoir si les laboratoires approchent d’une explosion de l’intelligence. Cela montre que les entreprises s’attendent à ce que la demande en IA et le développement de ses capacités justifient d’immenses engagements en infrastructures.

Ce déploiement relève le plafond des systèmes futurs. Il ne dit pas quand les laboratoires trouveront les algorithmes, les méthodes d’évaluation ou les agents fiables nécessaires pour atteindre ce plafond.

Le véritable affrontement oppose l’automatisation aux frictions de la recherche

Le principal adversaire dans cette histoire n’est pas une entreprise d’IA contre une autre. C’est le progrès logiciel automatisé face aux frictions tenaces de la recherche dans le monde réel.

La prévision d’accélération d’AI 2027 s’interroge sur la vitesse à laquelle un programmeur surhumain mènerait à un chercheur en IA surhumain. La différence semble modeste, mais elle concentre une grande partie de l’incertitude de cette prévision.

Un programmeur peut mettre en œuvre une modification définie. Un chercheur doit décider quelle modification mérite d’être mise en œuvre. Cela exige un jugement fondé sur des preuves incomplètes, un sens scientifique et une compréhension de la manière dont les expériences précédentes s’articulent.

Le scénario suppose qu’un programmeur surhumain peut accélérer le travail logiciel d’un facteur d’environ 100 dans des conditions favorables. Pourtant, les auteurs ne s’attendent pas à ce que l’ensemble du processus de recherche devienne 100 fois plus rapide.

Les expériences doivent toujours être menées. Les équipes doivent discuter des résultats, comparer les hypothèses, diagnostiquer les comportements inattendus et choisir l’intervention suivante. Les files d’attente de calcul et les pannes matérielles ajoutent d’autres délais.

C’est une application de la loi d’Amdahl, qui limite l’accélération globale lorsque seule une partie d’un processus devient plus rapide. Si le codage représente une part décroissante du cycle de recherche, l’accélérer produit finalement des rendements décroissants.

AI 2027 affirme que les agents ultérieurs automatiseront une plus grande part du cycle. Un chercheur en IA surhumain concevrait les expériences et interpréterait leurs résultats, supprimant les goulets d’étranglement qui limitent un agent uniquement dédié au codage.

C’est précisément cette transition qui n’a pas été démontrée. Les évaluations publiques se concentrent largement sur les tâches logicielles, car elles sont plus faciles à définir, à répéter et à noter. Le jugement scientifique ouvert est bien plus difficile à tester.

FutureSearch, qui a contribué aux travaux de prévision du projet initial, a souligné cet écart. Sa critique de la prévision note que les expériences dans le monde réel peuvent prendre des semaines, des mois ou des années. Le contexte organisationnel et les arbitrages complexes peuvent encore ralentir l’automatisation.

FutureSearch a également remis en question la compatibilité des incitations commerciales avec l’allocation des ressources prévue par le scénario. Les laboratoires de pointe poursuivent souvent des produits, l’adoption par les clients et des revenus, parallèlement à la recherche à long terme. L’amélioration récursive interne entre en concurrence avec ces objectifs.

Le désaccord n’oppose pas le progrès à la stagnation. Les deux camps admettent que les agents de codage s’amélioreront et que les laboratoires les déploieront plus largement.

Ils divergent sur l’efficacité de conversion. AI 2027 attribue d’importants gains de vitesse de recherche à des agents de plus en plus capables. Ses critiques s’attendent à ce que les expériences, le contexte, la gestion et la fiabilité absorbent une plus grande part de ces gains.

Une fenêtre 2028-2032 accorde implicitement davantage de poids aux frictions sans renoncer à l’automatisation. Les agents de codage peuvent devenir bien meilleurs durant cette période. Les laboratoires peuvent les intégrer à l’ensemble du développement, de l’évaluation et des opérations.

Les effets pratiques apparaîtraient avant la superintelligence artificielle. Les équipes logicielles délègueraient des projets plus importants. Les laboratoires d’IA mèneraient davantage d’expériences par chercheur. Les cycles produits raccourciraient, tandis que la demande d’évaluation et de supervision augmenterait.

Les travailleurs du savoir seraient également confrontés à un nouveau problème d’information. Davantage de recherches générées par des agents signifie davantage de rapports, de journaux d’expériences, de modifications de code et de conclusions contradictoires. Les équipes auront besoin d’une base de connaissances consultable fiable pour préserver le contexte et auditer les décisions.

Cette exigence organisationnelle, pourtant banale, compte. Un agent d’IA incapable d’accéder au bon historique interne peut répéter des expériences ayant échoué ou optimiser sur la base d’hypothèses obsolètes. La gestion du contexte devient une composante de la performance de recherche.

L’interprétation du début des années 2030 repose donc sur une séquence plausible. Les agents automatisent d’abord le travail de codage circonscrit, puis participent à des projets plus longs, et prennent enfin en charge des décisions de recherche plus larges sous supervision.

Chaque transition exige plus qu’un score de référence plus élevé. Elle exige de la confiance, de l’intégration, de la sécurité et des preuves que les erreurs restent détectables.

Ce que la prévision 2028-2032 ne peut toujours pas prouver

Déplacer la date ne résout pas l’incertitude centrale du modèle, car la vitesse d’accélération reste conditionnelle à une étape que personne n’a atteinte.

La plage 2028-2032 peut sembler plus crédible que la fin 2027, car elle accorde davantage de temps aux progrès. Une fenêtre plus large et plus tardive ne constitue toujours pas une preuve directe.

Les prévisions préservent souvent leur affirmation centrale en déplaçant la date après des jalons manqués. Cette souplesse peut rendre une théorie difficile à réfuter. Les lecteurs devraient donc évaluer AI 2027 à travers des prédictions intermédiaires observables.

La première est un codage surhumain fiable dans l’ensemble du travail effectué au sein d’un laboratoire de pointe. Cela exige plus que l’accomplissement de tâches de référence. Un système doit gérer des dépôts inconnus, des objectifs ambigus, des restrictions de sécurité et des exigences changeantes.

Il doit également surpasser les meilleurs ingénieurs tout en opérant assez vite et à un coût suffisamment faible pour être exécuté en de nombreux exemplaires. Ces conditions économiques et de fiabilité font partie de la définition du projet.

La deuxième prédiction concerne l’accélération de la recherche. Les laboratoires devraient indiquer ou démontrer que l’usage d’agents raccourcit de manière mesurable le cycle allant de l’hypothèse au résultat validé. Produire davantage de code ne suffirait pas à répondre à cette exigence.

La troisième concerne les gains récursifs. La recherche assistée par l’IA doit produire de meilleurs systèmes d’IA, qui améliorent ensuite davantage le processus de recherche. Les améliorations ordinaires de productivité ne démontrent pas une explosion de l’intelligence.

La mesure pose une autre difficulté. Les laboratoires de pointe peuvent garder leurs meilleurs systèmes internes privés. Les modèles publics pourraient être en retard sur les capacités internes, tandis que les préoccupations de sécurité et de sûreté pourraient limiter les divulgations.

Le risque inverse existe également. Les entreprises sont incitées à présenter les agents comme plus autonomes qu’ils ne le sont. Des démonstrations soigneusement sélectionnées peuvent dissimuler une préparation humaine, des nouvelles tentatives, une conception étroite des tâches ou une vérification approfondie.

Les benchmarks publics peuvent devenir moins informatifs à mesure que les développeurs les optimisent. La réussite peut refléter une familiarité avec les schémas d’évaluation plutôt qu’une capacité générale à mener des recherches.

La prudence de METR est particulièrement pertinente ici. Ses chercheurs soulignent que doubler un horizon temporel ne double pas la quantité d’automatisation économiquement utile. Les exigences de fiabilité et de vérification varient selon les tâches.

La communauté d’experts au sens large reste également bien moins concentrée autour de 2028. Une enquête menée auprès de 2 778 chercheurs en IA a attribué aux machines non assistées une probabilité de 10 % de surpasser les humains dans toutes les tâches d’ici 2027. Sa date médiane pour une probabilité de 50 % était 2047.

Cette enquête d’experts ne réfute pas AI 2027. L’agrégation de prévisions peut manquer des changements rapides, et de nombreux répondants peuvent ne pas disposer d’une expérience spécialisée de la prévision. Le résultat montre que le scénario représente une région agressive au sein d’une distribution beaucoup plus large.

Les définitions créent une confusion supplémentaire. L’intelligence artificielle générale, l’intelligence machine de haut niveau, le codage surhumain et la superintelligence artificielle décrivent des seuils différents. Un système peut dépasser les humains dans de nombreuses tâches économiquement utiles sans devenir meilleur dans chaque activité cognitive.

Les titres de presse effacent fréquemment ces distinctions. Cela rend une histoire plus facile à partager, mais plus difficile à évaluer. L’affirmation selon laquelle AI 2027 suit bien sa trajectoire peut faire référence aux progrès des agents de codage, aux dépenses d’infrastructure ou aux gains de benchmark des modèles.

Aucune de ces observations ne confirme indépendamment l’ensemble de la séquence. Elles étayent certaines prémisses du scénario.

La conclusion sceptique est donc précise. Les preuves soutiennent la poursuite d’améliorations rapides des capacités logicielles de l’IA. Elles ne soutiennent pas encore une date précise, entre 2028 et 2032, pour la superintelligence artificielle.

Trois signaux qui détermineront si AI 2027 suit sa trajectoire

Le prochain jugement devrait dépendre de changements mesurables dans le travail autonome, l’accélération de la recherche et l’utilisation des infrastructures, et non d’une nouvelle affirmation spectaculaire sur le calendrier.

Le premier signal est un saut vérifié dans les horizons temporels d’agents fiables. Les évaluateurs devraient montrer que les systèmes de pointe réalisent des projets logiciels de plusieurs jours sur des tâches diverses et résistantes à la contamination.

La fiabilité compte autant que la durée. Des résultats proches des exigences de production renforceraient l’argument en faveur d’un programmeur surhumain. Des horizons plus longs associés à de fréquentes défaillances cachées l’affaibliraient.

La réplication indépendante sera essentielle. Les démonstrations de laboratoire ne peuvent pas remplacer les tests externes, car les évaluateurs doivent avoir accès aux taux d’échec, aux interventions humaines, aux budgets d’inférence et aux politiques de nouvelle tentative.

Le deuxième signal est la preuve d’une automatisation de bout en bout de la recherche en IA. Un laboratoire de pointe devrait montrer des agents proposant des hypothèses, mettant en œuvre des expériences, interprétant les résultats et sélectionnant des travaux de suivi productifs.

La preuve la plus solide serait une augmentation mesurable du progrès algorithmique par chercheur humain. Un nouveau modèle créé principalement grâce à des recherches dirigées par des agents renforcerait matériellement le mécanisme d’AI 2027.

Un grand volume d’expériences générées serait moins convaincant. La question pertinente est de savoir si les agents identifient de meilleures directions de recherche, et non s’ils consomment davantage de calcul.

Observez la manière dont les laboratoires décrivent leurs déploiements internes. Les affirmations concernant des milliers d’agents de codage méritent un examen attentif si les humains définissent encore chaque tâche et vérifient chaque décision importante.

Le troisième signal est la manière dont les entreprises allouent les nouvelles capacités de calcul. AI 2027 prévoit que les principaux laboratoires concentreront une part substantielle de leurs capacités sur les données synthétiques, les agents internes et les expériences de recherche dirigées par l’IA.

L’expansion publique des centres de données ne suffit pas. La prévision gagne en force si les entreprises réorientent explicitement leurs capacités de l’inférence client vers l’automatisation interne de la recherche.

Elle s’affaiblit si la plupart des nouveaux matériels soutiennent la demande cloud classique, les produits grand public et l’entraînement incrémental des modèles. Ces usages peuvent entretenir un boom de l’IA sans produire d’auto-amélioration récursive.

La disponibilité de l’électricité fixe également une limite pratique. Des retards dans les raccordements au réseau ou le déploiement d’accélérateurs repousseraient le scénario, même si les algorithmes continuent de s’améliorer. Des gains d’efficacité plus rapides pourraient réduire cette pression.

Les lecteurs qui suivent Google News devraient considérer 2028-2032 comme une fenêtre à surveiller, et non comme un rendez-vous. Cette plage de dates combine des estimations de jalons mises à jour avec un modèle d’accélération incertain. Elle n’a pas été vérifiée de manière indépendante.

La question utile n’est plus de savoir si chaque scène d’AI 2027 se réalisera selon le calendrier. Elle est de savoir si le codage autonome se transformera en recherche autonome avant que les contraintes physiques, économiques et organisationnelles n’absorbent les gains.

Suivez ces trois signaux au cours des prochains mois : des agents de plusieurs jours testés de manière indépendante, une accélération de la recherche documentée et des capacités de calcul consacrées à l’amélioration récursive. Si les trois évoluent de concert, l’argument en faveur du début des années 2030 se renforce. Si seuls les benchmarks et les dépenses de centres de données augmentent, la célèbre accélération reste un scénario convaincant plutôt qu’une trajectoire observée.