Chronologie du développement de l’IA

Kurt Gödel a publié ses théorèmes d’incomplétude, démontrant que tout système formel suffisamment puissant contient des propositions qui ne peuvent être ni prouvées ni réfutées au sein de ce système. Cette découverte a non seulement bouleversé la communauté mathématique, mais a également eu des implications profondes pour la théorie du calcul et l’intelligence artificielle.

Alonzo Church et Alan Turing ont proposé indépendamment la célèbre thèse de Church-Turing. Cette thèse affirme que toute fonction effectivement calculable est Turing-calculable. Cela formalise la notion intuitive de « calculabilité » et est devenu le fondement de l’informatique.

Alan Turing a introduit le concept de machine de Turing dans son article fondateur « On Computable Numbers, with an Application to the Entscheidungsproblem ». Ce modèle de calcul abstrait peut simuler tout processus mathématiquement calculable.

Alonzo Church a proposé le lambda-calcul, un système formel pour la définition et l’application de fonctions. Le lambda-calcul est considéré comme le fondement théorique de la programmation fonctionnelle et l’un des premiers systèmes de types.

Warren McCulloch et Walter Pitts ont publié « A Logical Calculus of the Ideas Immanent in Nervous Activity », introduisant le premier modèle de neurone artificiel (neurone McCulloch-Pitts). Ce modèle simplifiait les neurones en commutateurs à seuil binaire, jetant les bases pour les recherches ultérieures sur les réseaux de neurones.

Norbert Wiener a publié « Cybernetics: Or Control and Communication in the Animal and the Machine », fondant la nouvelle discipline de la cybernétique. L’étude de la manière dont les systèmes se régulent par des mécanismes de rétroaction a eu un impact profond sur l’IA et la robotique.

Claude Shannon a publié « A Mathematical Theory of Communication », jetant les bases de la théorie de l’information. Des concepts comme l’entropie, le codage et la quantité d’information sont devenus des outils centraux pour comprendre les données et traiter l’information.

Dans « Computing Machinery and Intelligence », Turing remplaça l’ambiguë question « Les machines peuvent-elles penser ? » par le jeu de l’imitation, où un interrogateur tente, par un échange écrit, de distinguer une machine d’un humain. Il s’agit d’un critère comportemental, non d’une preuve de conscience.

En 1955, John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon employèrent le terme « artificial intelligence » dans la proposition du Dartmouth Summer Research Project et définirent un programme de recherche pour l’été 1956.

L’atelier de Dartmouth de l’été 1956 contribua à établir le nom « artificial intelligence » et son programme de recherche comme identité d’un nouveau domaine universitaire ; le terme figurait déjà dans la proposition de 1955.

Allen Newell et Herbert Simon ont développé le « Logic Theorist », l’un des premiers programmes d’IA fonctionnels. Ce programme pouvait prouver des théorèmes des Principia Mathematica et est souvent cité parmi les premiers programmes d’IA. Newell et Simon ont reçu le prix Turing en 1975.

Frank Rosenblatt a proposé le modèle Perceptron, un modèle précurseur de réseau de neurones artificiels. Le Perceptron est un classificateur binaire linéaire simple qui apprend à classifier les données d’entrée en ajustant les poids.

John McCarthy a développé Lisp au MIT, l’un des premiers langages de haut niveau étroitement associés à la recherche en IA. La flexibilité de Lisp et sa puissance de traitement symbolique en ont fait le langage de prédilection pour la recherche en IA.

Newell et Simon ont développé le General Problem Solver (GPS) de 1957 à 1959, avec des collaborateurs dont J. C. Shaw. Ce fut le premier programme d’IA à tenter de simuler la résolution humaine de problèmes en séparant la technique de résolution de la connaissance propre au domaine du problème, au moyen de la décomposition en buts et de la recherche de sous-buts (analyse moyens-fins).

Frank Rosenblatt a démontré la propriété de convergence de l’algorithme d’apprentissage du perceptron, montrant que si les données sont linéairement séparables, le perceptron convergera assurément.

Unimate est devenu le premier robot à travailler sur une chaîne de montage. En 1961, General Motors l’a installé dans son usine de Trenton, dans le New Jersey, pour décharger une machine de moulage sous pression, en retirant les pièces coulées encore chaudes. Unimation a construit ces machines pour des tâches difficiles, dangereuses ou monotones pour les personnes.

Dans sa thèse de doctorat au MIT en 1963, Larry Roberts décrivait un système interprétant à partir d’images des scènes composées de polyèdres simples, une base importante des débuts de la vision tridimensionnelle par ordinateur.

Le MIT lança Project MAC en 1963 sous la direction de Robert Fano pour étudier le temps partagé, le calcul et la cognition assistée par machine. Le projet d’intelligence artificielle du MIT, fondé en 1959, y participa ensuite ; il ne s’agissait pas d’un seul laboratoire fondé en 1959.

Joseph Weizenbaum a créé ELIZA au MIT, l’un des premiers chatbots. ELIZA simulait une conversation de psychothérapeute par la reconnaissance de motifs, suscitant une profonde réflexion sur l’interaction homme-machine.

SRI International a développé Shakey, l’un des premiers robots mobiles autonomes capable de percevoir son environnement, de planifier des trajectoires et d’exécuter des tâches. Shakey combinait vision par ordinateur, traitement du langage naturel et algorithmes de planification.

Marvin Minsky et Seymour Papert publièrent « Perceptrons », une analyse rigoureuse de ce que les perceptrons monocouches peuvent ou non représenter. L’ouvrage est souvent associé au recul ultérieur de l’intérêt pour les réseaux neuronaux, mais les changements de financement tenaient aussi aux limites de calcul, aux attentes déçues et à des décisions politiques plus larges.

Alain Colmerauer, Philippe Roussel et leurs collaborateurs développèrent à Marseille la première version de Prolog, appliquant la logique des prédicats à la programmation et faisant progresser la programmation logique et l’IA symbolique.

Le scientifique britannique James Lighthill a soumis un rapport pessimiste sur la recherche en IA au gouvernement du Royaume-Uni, entraînant des réductions significatives des financements.

Marvin Minsky a publié le « Frame Paper », proposant la théorie des cadres pour la représentation des connaissances. Cette théorie a influencé la programmation orientée objet ultérieure et les méthodes de représentation des connaissances.

L’Université Stanford a développé MYCIN, un système expert pour le diagnostic médical. Il a démontré la praticité des systèmes experts, bien qu’il n’ait jamais été utilisé en clinique en raison de problèmes de responsabilité.

DEC a déployé XCON (eXpert CONfigurer), un système expert destiné à configurer les systèmes informatiques VAX. Son développement a commencé en 1978 à l’université Carnegie-Mellon, un premier déploiement a eu lieu en 1979 et le système était pleinement opérationnel en 1980. Ce fut l’un des premiers systèmes experts à connaître un succès commercial, faisant économiser des millions chaque année à l’entreprise.

Après des évaluations critiques et des réductions de financement dans les années 1970, une partie de la recherche en IA a connu un recul. Le « premier hiver de l’IA » est une périodisation rétrospective dont la date et l’intensité varient selon les pays et les domaines.

Le Japon a annoncé le projet d’ordinateurs de cinquième génération (FGCS) lors d’une conférence de la JIPDEC et du MITI en octobre 1981, une initiative nationale de 10 ans visant à développer des ordinateurs capables de raisonnement logique et de traitement des connaissances. Le projet a été officiellement lancé en avril 1982 avec la création de l’ICOT (Institute for New Generation Computer Technology).

David Rumelhart, Geoffrey Hinton et Ronald Williams ont publié leurs travaux sur l’algorithme de rétropropagation, rendant possible l’entraînement de réseaux de neurones multicouches.

À la fin des années 1980, des attentes qui avaient devancé les résultats ont été déçues. Les fabricants de machines Lisp ont perdu face aux stations de travail généralistes, plusieurs entreprises d’IA ont fermé, et le financement de la DARPA pour la recherche fondamentale en IA a baissé entre 1987 et 1989.

Dans les années 1990, les méthodes statistiques ont commencé à dominer la recherche en IA. Les modèles de Markov cachés (HMM) en reconnaissance vocale, le Naive Bayes et les arbres de décision en apprentissage automatique ont tous obtenu de bons résultats.

L’armée américaine a utilisé des systèmes de planification et de logistique basés sur l’IA lors de la guerre du Golfe, démontrant le potentiel de l’IA dans les applications réelles.

Tim Berners-Lee a créé le World Wide Web. La prolifération d’Internet a transformé le mode de vie humain et a fourni à l’IA des ressources de données sans précédent.

Le ralentissement s’est atténué progressivement plutôt que de prendre fin à une date précise. De nombreux chercheurs se sont tournés vers des objectifs plus modestes et atteignables, tandis que le renouveau des réseaux de neurones et des méthodes probabilistes a posé les fondations d’une nouvelle ère.

Vladimir Vapnik et al. ont proposé la machine à vecteurs de support (SVM), une méthode puissante de classification et de régression. La SVM a obtenu d’excellentes performances en classification de textes et en reconnaissance d’écriture manuscrite.

Deep Blue d’IBM a vaincu le champion du monde d’échecs Garry Kasparov, démontrant la capacité de l’IA à surpasser les capacités humaines dans des tâches bien définies.

Sepp Hochreiter et Jürgen Schmidhuber ont proposé le LSTM, un type spécial de RNN capable d’apprendre des dépendances à long terme. Le LSTM a connu un grand succès en reconnaissance vocale et en modélisation du langage.

Yann LeCun a développé LeNet-5, un CNN pour la reconnaissance de chiffres manuscrits. LeNet-5 fut l’un des premiers modèles d’apprentissage profond déployés commercialement à grande échelle, utilisé par AT&T/NCR pour la lecture des chèques à partir de 1993, puis par le service postal américain pour la reconnaissance des codes ZIP à partir de la fin des années 1990.

Yoshua Bengio, Réjean Ducharme, Pascal Vincent et Christian Jauvin ont proposé un modèle neuronal probabiliste apprenant conjointement des représentations distribuées des mots et les probabilités des séquences afin d’atténuer le fléau de la dimension. Le réseau est à propagation avant, et non récurrent.

À partir de 2004, un programme du CIFAR a réuni régulièrement Geoffrey Hinton, Yann LeCun, Yoshua Bengio et leurs collaborateurs. Il a favorisé les recherches qui ont contribué au renouveau de l’apprentissage profond, sans en constituer un point de départ unique.

Geoffrey Hinton et ses collègues ont proposé les réseaux de croyance profonds (DBN), avec un algorithme glouton rapide qui les entraîne couche par couche. Ce pré-entraînement couche par couche a contribué à raviver l’intérêt pour les réseaux de neurones profonds.

Les chercheurs ont commencé à utiliser les GPU pour accélérer l’entraînement de l’apprentissage profond. Le calcul parallèle des GPU a rendu possible l’entraînement de grands réseaux de neurones.

L’équipe ImageNet publia en 2009 son article sur une grande base d’images hiérarchique organisée avec WordNet. ImageNet et son défi de reconnaissance devinrent une infrastructure majeure pour l’entraînement et l’évaluation à grande échelle.

Microsoft Research et l’université de Toronto ont ouvert la voie à la première grande percée de l’apprentissage profond en reconnaissance vocale (Dahl, Yu, Deng 2011 ; Mohamed, Dahl, Hinton 2012), avec de nettes baisses du taux d’erreur sur les mots. Google a déployé en production une reconnaissance vocale fondée sur les DNN et les LSTM entre 2012 et 2015.

L’équipe d’Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton a présenté AlexNet au concours ImageNet 2012 (ILSVRC) et l’a emporté avec une avance écrasante : une erreur top-5 de 15,3 %, contre 26,2 % pour le deuxième.

Tomas Mikolov a publié Word2Vec, un modèle de réseau de neurones pour l’apprentissage de plongements lexicaux. Word2Vec a permis aux ordinateurs de comprendre les relations sémantiques entre les mots.

Ian Goodfellow a proposé les GAN, l’une des innovations les plus importantes de l’apprentissage profond. Les GAN génèrent des images extrêmement réalistes par entraînement antagoniste.

Kaiming He et al. ont proposé ResNet, résolvant la difficulté d’entraînement des réseaux profonds grâce aux connexions résiduelles. ResNet a permis l’entraînement de centaines de couches.

AlphaGo de DeepMind a vaincu le champion du monde de Go Lee Sedol 4-1. Le Go était considéré comme l’un des jeux de société les plus difficiles pour l’IA.

Google a proposé l’architecture Transformer, une percée révolutionnaire en TALN. Le Transformer est le fondement des grands modèles de langage modernes.

OpenAI a sorti GPT-3, un grand modèle de langage avec 175 milliards de paramètres. GPT-3 a démontré des capacités de génération de langage étonnantes, suscitant un large débat sur l’IA générale.

OpenAI a sorti DALL-E (génération d’images) et CLIP (apprentissage contrastif image-texte). Ces modèles ont démontré la capacité de l’IA à comprendre et générer du contenu multimodal.

OpenAI a sorti Codex, un modèle d’IA qui comprend et génère du code. GitHub Copilot est devenu le premier assistant de programmation IA largement utilisé.

En novembre 2022, OpenAI a sorti ChatGPT, la première IA conversationnelle destinée au grand public. ChatGPT a atteint 100 millions d’utilisateurs en deux mois, devenant le produit grand public à la croissance la plus rapide de l’histoire.

Stability AI a publié Stable Diffusion, un modèle de génération d’images dont les poids sont librement téléchargeables, sous une licence qui restreint certains usages. L’activité de la communauté open source a rapidement popularisé la technologie de génération d’images.

OpenAI a sorti GPT-4, un modèle multimodal capable de traiter des images et du texte. GPT-4 a montré des performances proches de celles des humains sur des benchmarks professionnels et académiques.

Anthropic a sorti Claude, un assistant IA axé sur la sécurité et l’utilité. La conception de Claude reflète l’accent mis sur la sécurité de l’IA — l’IA doit être utile, inoffensive et honnête.

Meta a publié LLaMA, un grand modèle de langage sous licence de recherche non commerciale. Bien que LLaMA ait une taille de paramètres relativement petite, ses excellentes performances ont promu le développement des LLM à poids ouverts.

Le concept d’agent IA a commencé à recevoir une attention considérable. Les agents sont des systèmes d’IA capables de planifier et d’exécuter de manière autonome des tâches complexes.

En février 2024, Google a présenté Gemini 1.5, doté d’une architecture à mélange d’experts et d’une fenêtre de contexte expérimentale allant jusqu’à un million de jetons.

Anthropic a sorti la série Claude 3, comprenant Opus, Sonnet et Haiku. Claude 3 Opus a été compétitif avec GPT-4 sur plusieurs benchmarks dont MMLU et GPQA, tout en restant en retrait sur d’autres.

Meta a sorti la famille Llama 3 avec des poids ouverts, incluant des modèles à 8 et 70 milliards de paramètres.

L’Union européenne a adopté la loi sur l’IA, première régulation horizontale d’envergure de l’intelligence artificielle. La loi a établi une classification basée sur les risques et des exigences strictes pour les systèmes d’IA à haut risque.

OpenAI a sorti le modèle o1, un grand modèle doté de capacités de raisonnement. o1 obtient d’excellentes performances sur les tâches scientifiques et de programmation, démontrant une capacité de « réflexion ».

En octobre 2024, Anthropic a lancé la bêta publique de computer use pour une version améliorée de Claude 3.5 Sonnet, permettant aux développeurs de lui faire observer un écran, déplacer le curseur, cliquer et saisir du texte.

Anthropic a sorti le MCP (Model Context Protocol), un protocole standard ouvert pour connecter les modèles d’IA aux outils et sources de données externes. Le MCP devient le « USB-C » des applications IA.

En 2025, les agents IA sont passés du démonstrateur de recherche à l’outil de production. Les agents de codage, les agents de navigation et les agents multi-étapes sont devenus des offres standard, avec OpenAI, Anthropic, Google et des projets open source livrant tous des systèmes compétents.

Le laboratoire chinois DeepSeek a sorti R1, un modèle de raisonnement à poids ouverts, code et poids sous licence MIT, dont les performances rivalisaient avec o1 d’OpenAI. Cette sortie a démontré que les capacités de pointe pouvaient être atteintes hors du giron de l’IA américaine et a déclenché une réévaluation mondiale de la concurrence en IA.

OpenAI, Oracle, SoftBank et MGX, société des Émirats arabes unis, ont annoncé conjointement leur intention d’investir 500 milliards de dollars sur quatre ans pour bâtir une infrastructure d’IA aux États-Unis, dont plusieurs grands centres de données.

Anthropic a lancé Claude 3.7 Sonnet, qu’elle a présenté comme le premier modèle de raisonnement hybride disponible pour tous : les utilisateurs peuvent passer, dans le même modèle, de réponses instantanées à une réflexion approfondie.

En mars 2025, Anthropic a annoncé une levée de fonds de 3,5 milliards de dollars à une valorisation de 61,5 milliards de dollars, devenant l’une des startups d’IA les plus valorisées au monde et reflétant la concentration accrue du capital dans l’industrie de l’IA.

Meta a publié les modèles multimodaux à poids ouverts Llama 4 Scout et Maverick, et présenté Behemoth, un modèle enseignant encore en cours d’entraînement et non publié.

Anthropic a sorti la famille Claude 4 (Opus 4 et Sonnet 4), introduisant la capacité de « réflexion étendue » (Extended Thinking) avec des améliorations significatives en programmation, raisonnement et tâches de longue durée. Claude 4 a consolidé la position d’Anthropic sur le marché de l’IA en entreprise.

Le 2 août 2025, les règles de gouvernance et les obligations visant les modèles d’IA à usage général sont devenues applicables. D’autres dispositions suivent des calendriers distincts : il ne s’agit pas du début global de toute l’exécution.

OpenAI a sorti GPT-5, un modèle phare unifié intégrant les capacités de raisonnement de la série o avec les capacités conversationnelles de la série GPT. GPT-5 établit une nouvelle frontière en programmation, mathématiques et raisonnement, tout en supportant des contextes plus longs et l’utilisation d’outils.

OpenAI a achevé la recapitalisation de sa structure. L’activité à but lucratif est devenue une public benefit corporation nommée OpenAI Group PBC, et la OpenAI Foundation, entité à but non lucratif, continue de la contrôler avec la même mission. Selon OpenAI, la recapitalisation fait suite à près d’un an d’échanges avec les procureurs généraux de Californie et du Delaware.

Au premier semestre 2026, les capacités agentiques sont sorties de la démonstration pour entrer dans les produits d’entreprise livrés : les agents de développement, de support et d’automatisation bureautique sont devenus des fonctions documentées, et l’infrastructure d’appel d’outils et de collaboration multi-agents a mûri autour d’eux. L’ampleur réelle de l’adoption n’est pas tranchée. Les enquêtes publiées donnent des taux de mise en production très différents parce qu’elles ne s’accordent pas sur ce qui compte comme un agent ; cette entrée consigne donc une direction et non un niveau.

Au premier semestre 2026, les publications à poids ouverts de DeepSeek, Alibaba Qwen, Moonshot, Zhipu et Meta ont atteint une échelle jusque-là réservée aux systèmes fermés, avec des poids et des fiches de modèle téléchargeables et non simplement décrits. Savoir si l’un d’eux égale la frontière fermée dépend de l’indice de référence retenu et de sa pondération ; cette entrée consigne donc ce qui a été publié et sous quelle licence, non un classement.

Nature a publié Co-Scientist, un système multi-agents fondé sur Gemini qui formule des hypothèses de recherche inédites destinées à une vérification expérimentale. L’article rend compte d’une validation dans trois applications biomédicales : le repositionnement de médicaments, la découverte de nouvelles cibles et l’explication des mécanismes de résistance aux antimicrobiens. Les auteurs le présentent comme un assistant des chercheurs et non comme un remplaçant, ce qui en fait une preuve évaluée par les pairs d’une IA participant à la formulation d’hypothèses et non seulement à l’analyse.

Selon un article du 11 juin 2026, Meta a commencé à dénouer l’intégration de son acquisition de Manus, en arrêtant le partage de données et en séparant les opérations. L’article relie cette décision à des exigences réglementaires chinoises ; le statut juridique et opérationnel ultérieur doit être vérifié dans les informations actualisées.

Anthropic a lancé le 9 juin 2026 Fable 5, doté de garde-fous pour le grand public, et Mythos 5 pour les partenaires contrôlés de Project Glasswing. Les contrôles américains du 12 juin imposant des restrictions aux ressortissants étrangers, Anthropic a suspendu les deux modèles dans le monde faute de pouvoir vérifier la nationalité en temps réel. Après la levée des contrôles le 30 juin, Fable 5 est revenu mondialement le 1er juillet et Mythos 5 d’abord auprès d’organisations américaines approuvées.

Le 13 juin 2026, une coalition de procureurs généraux d’États américains, conduite par celui de l’État de New York, a ouvert une enquête sur OpenAI et lui a adressé une assignation à comparaître. Celle-ci réclame des documents relatifs au placement publicitaire, à l’engagement et à la rétention des utilisateurs, à la tendance du modèle à la complaisance, au traitement des données de consommation et de santé, ainsi qu’à la protection des mineurs et des personnes âgées. OpenAI a déclaré coopérer avec les procureurs et souligné que ChatGPT offrait déjà des mécanismes de protection renforcés pour les mineurs.

Le 29 juin 2026, Samsung et SK Hynix ont annoncé des plans pluriannuels totalisant 800 000 milliards de wons et comprenant quatre fabs mémoire dans le sud-ouest coréen. La conversion en dollars varie avec le change, et le périmètre, les autorisations et l’exécution restent à suivre.

Le 1er juillet 2026, Google a lancé Gemini Spark — son assistant IA agentique 24h/24 — sur macOS, avec suivi en temps réel et une intégration applicative élargie. Spark agit de manière persistante sur la vie numérique de l’utilisateur, marquant la volonté de Google d’amener l’IA agentique sur le bureau grand public.

En juillet 2026, Moonshot AI a publié sur Hugging Face les poids ouverts de Kimi K3. La fiche du modèle indique 2 800 milliards de paramètres au total, dont 104 milliards activés, une fenêtre de contexte de 1 048 576 jetons et la licence Kimi K3. Par le nombre total de paramètres, il figurait à sa sortie parmi les plus grands modèles de langage librement téléchargeables.

Le 1er juillet 2026, Cloudflare a annoncé des contrôles séparés pour les usages Search, Agent et Training, et indiqué qu’à partir du 15 septembre les nouveaux domaines bloqueraient par défaut Training et Agent sur les pages publicitaires tout en autorisant Search ; les propriétaires peuvent modifier ces choix et la règle la plus stricte s’applique aux robots polyvalents.

Le 2 juillet 2026, Microsoft a annoncé la création de Microsoft Frontier Company, une nouvelle activité opérationnelle dédiée au déploiement de l’IA en entreprise à partir des outils IA existants de Microsoft. Le projet bénéficie d’un investissement de 2,5 milliards de dollars de Microsoft et de 6 000 experts industriels et techniques — rejoignant Amazon et OpenAI dans la création d’une organisation dédiée au déploiement de l’IA.

Le 9 juillet 2026, au terme d’un aperçu limité, OpenAI a rendu la famille GPT-5.6 généralement disponible : Sol, Terra et Luna. Pendant l’aperçu, OpenAI a travaillé étroitement avec des organismes experts et des partenaires de confiance.

Le 2 août 2026, le règlement européen sur l’IA est devenu pleinement applicable, le Bureau de l’IA et les autorités nationales prenant en charge sa mise en œuvre, sa supervision et son exécution. La même révision a reporté les obligations à haut risque les plus lourdes : les systèmes autonomes de l’annexe III s’appliquent à partir du 2 décembre 2027 et l’IA intégrée aux produits réglementés à partir du 2 août 2028. Les pratiques interdites s’appliquaient déjà depuis le 2 février 2025 et les obligations relatives aux modèles à usage général depuis le 2 août 2025.

Le 2 septembre 2026, ARC Prize a publié des résultats ARC-AGI-3 vérifiés pour GPT-6 Astra sur douze configurations de harness. Sur le même jeu d’évaluation semi-privé, le modèle obtient 62,71 % avec le harness standard, qui lui permet de conserver les notes qu’il choisit de garder, et 98,55 % avec un harness Provider Adapter, qui préserve l’état de raisonnement entre les requêtes et compacte les longues conversations. Astra a utilisé moins d’actions que la médiane des humains testés sur 96 % des niveaux. Le chiffre mesure un modèle avec son échafaudage : c’est pourquoi les deux figurent ici.

Le 3 septembre 2026, OpenAI a publié une fiche système plaçant GPT-6 Astra au seuil Critical de capacité cyber selon son propre Preparedness Framework, premier modèle de l’entreprise à ce niveau. La fiche décrit un modèle capable de découvrir des failles de sécurité jusque-là inconnues et d’élaborer de nouveaux moyens de les exploiter sur de nombreux systèmes bien protégés, sans qu’une personne guide chaque étape ; les capacités sensibles passent par un programme d’accès de confiance. Le classement est l’évaluation par OpenAI de son propre modèle au regard de son propre cadre, et la fiche n’emploie ni le mot AGI ni l’expression intelligence générale.