Koray Kavukcuoglu : modèles de pointe, agents de code et construction de l’AGI

Une course à la frontière, sans ligne d’arrivée unique

Le message de Koray Kavukcuoglu est dérangeant pour tous ceux qui voudraient un tableau de score simple de l’intelligence artificielle générale. Google DeepMind ne semble pas considérer qu’un test définitif permettra de dire, une fois pour toutes, que l’AGI est arrivée. Dans les éléments publiés le 1er septembre autour de son intervention Google for Developers, l’idée centrale est qu’il n’existe aucun seuil accepté ni aucun benchmark reconnu capable de trancher la question [1]. Cela déplace le débat: il ne s’agit plus seulement de savoir quel modèle réussit l’examen, mais quels systèmes deviennent assez utiles, fiables et compréhensibles pour accompagner les utilisateurs dans un nombre croissant de tâches.

Cette nuance est essentielle, car la conversation publique sur l’IA reste dominée par les classements. Un modèle dépasse un concurrent en code, en mathématiques, en raisonnement multimodal ou en usage d’outils; un laboratoire revendique un progrès; les autres répondent par un nouveau score. Kavukcuoglu défend une lecture différente: l’histoire de l’IA avance par objectifs mouvants, et non par validation d’un test canonique [1]. L’AGI n’est donc pas un trophée remis par une suite de benchmarks. Elle ressemble davantage à un processus cumulatif dans lequel les systèmes deviennent plus capables, plus sûrs et plus adaptables à des contextes variés.

Cela ne veut pas dire que Google DeepMind abandonne la compétition. Au contraire. The Decoder a rapporté le 1er septembre que Kavukcuoglu avait vivement rejeté l’idée selon laquelle Google se satisferait d’une stratégie fondée surtout sur la distribution ou le rapport prix-performance plutôt que sur le leadership technologique pur [2]. Il a affirmé que la présence à la frontière de l’IA était la priorité stratégique, tout en reconnaissant que les modèles actuels de Google étaient encore « un peu en dessous » de cette frontière [2]. C’est précisément cette combinaison — lucidité sur l’écart actuel, certitude affichée sur l’ambition future — qui rend ses propos importants.

Gemini 4: une ambition, pas encore une preuve

Le symbole immédiat de cette ambition est Gemini 4. Kavukcuoglu a décrit l’effort Gemini 4 comme la campagne de pré-entraînement la plus ambitieuse menée jusqu’ici par Google DeepMind, en indiquant qu’elle avançait bien, tout en restant prudent jusqu’à ce que le modèle fasse ses preuves en interne puis auprès d’utilisateurs externes [1]. The Decoder a également souligné qu’il n’avait fourni ni résultat technique concret ni nouvelle annonce de performance, au-delà de cette description de Gemini 4 comme l’entraînement le plus ambitieux à ce jour [2].

Cette retenue est importante. Dans un secteur habitué aux lancements spectaculaires, Google DeepMind signale à la fois l’ampleur de l’effort et l’incertitude qui l’accompagne. Un grand entraînement peut mobiliser beaucoup de calcul, d’ingénierie et d’attention organisationnelle; il ne devient pas pour autant un produit. Il faut encore le post-entraînement, les évaluations, la sécurité, la latence, l’intégration et les retours utilisateurs. La lecture de Kavukcuoglu suggère que Google ne veut pas que Gemini 4 soit jugé uniquement à la taille de son entraînement. Le vrai test sera sa capacité à produire des systèmes que les gens peuvent utiliser, comprendre et auxquels ils peuvent déléguer.

Les informations récentes n’apportent pas non plus de mise à jour substantielle sur Gemini 3.5 Pro. The Decoder note que ce modèle semble toujours en préparation et accuse déjà plusieurs mois de retard [2]. Cela crée une tension stratégique. Google DeepMind veut convaincre développeurs et entreprises qu’il retrouvera la frontière, mais les preuves restent en partie à venir. AI Daily Post résumait le 1er septembre cette situation ainsi: la rhétorique est confiante, mais les éléments démonstratifs restent encore attendus [4].

Pourquoi les agents de code sont au centre

Le thème technique le plus concret dans les propos de Kavukcuoglu n’est pas un nouveau record de benchmark, mais le passage du modèle linguistique à l’agent. L’évolution récente de Gemini, en particulier dans la gamme Flash, est présentée comme une transition vers des systèmes capables d’utiliser des outils, de prendre des décisions dans des flux de travail et d’exécuter des tâches logicielles, au lieu de seulement produire du texte [1]. The Decoder rapporte que Kavukcuoglu a décrit la progression de Gemini 3.5 à 3.6 puis 3.7 comme une transformation du modèle vers l’agent de codage [2].

Cet accent n’a rien d’anodin. Le développement logiciel est un environnement particulièrement riche pour évaluer si un système d’IA devient plus général. Programmer exige de planifier, d’utiliser des outils, de déboguer, de conserver des contraintes en mémoire, d’interagir avec des dépôts, des tests, des terminaux et parfois d’autres agents. C’est aussi un domaine où le retour est relativement net: le programme s’exécute ou non, le test passe ou échoue, le bug est corrigé ou persiste. Kavukcuoglu a qualifié le génie logiciel de domaine et d’environnement les plus critiques pour le succès de ces systèmes [2].

Le rôle de Flash est particulièrement intéressant, car « Flash » évoquait historiquement la rapidité et l’efficacité économique plus que l’intelligence maximale. Dans les synthèses du 1er septembre, la série Flash apparaît pourtant comme le terrain où Google itère le plus vite vers des performances agentiques [1]. L’enjeu stratégique est clair. Si Google parvient à transformer des modèles rapides et moins coûteux en agents compétents, il pourra rivaliser non seulement sur les sommets des benchmarks, mais aussi sur le déploiement à grande échelle: des agents exécutés souvent, intégrés profondément et améliorés grâce à de vrais usages.

L’AGI comme déploiement et boucle de retour

La thèse de fond est que l’AGI se construit avec les utilisateurs, et pas seulement dans un laboratoire. Le résumé publié le 1er septembre par 8news indique que Google DeepMind traite le chemin vers une IA plus générale comme une co-construction avec les utilisateurs, où des usages quotidiens comme l’assistance par courriel côtoient des applications de recherche scientifique et aident à identifier les capacités vraiment utiles [1]. Si cette approche fonctionne, elle correspond à un avantage classique de Google: distribution massive, signaux produits, infrastructure et recherche avancée dans une même boucle.

Cela explique aussi pourquoi Kavukcuoglu insiste sur la confiance. Un modèle qui obtient un bon score mais reste difficile à utiliser dans un flux de travail ambigu demeure une démonstration. Un agent capable de collaborer, de se corriger, de demander des précisions, d’utiliser des outils prudemment et de s’améliorer grâce aux retours devient une infrastructure. Cette différence compte particulièrement pour les agents de code, car l’autonomie sans fiabilité peut introduire des failles de sécurité, casser des compilations ou créer une dette technique invisible.

Des contenus Google publiés le même jour sur la compréhension vidéo agentique montrent que cette logique dépasse le seul code dans l’écosystème Gemini. Dans cet exemple, Gemini analyse une vidéo en appelant sélectivement des outils comme la récupération de transcription, d’images ou d’audio, au lieu d’ingérer toute la vidéo d’un bloc [5]. Même si cette capacité produit est distincte, elle confirme la direction architecturale qui éclaire les propos de Kavukcuoglu: Gemini est poussé vers des systèmes capables de déterminer l’information nécessaire, de la collecter avec des outils, d’observer le résultat puis de poursuivre l’itération [5].

Le problème des benchmarks est aussi un problème de confiance

Affirmer qu’il n’existe pas de benchmark définitif pour l’AGI ne revient pas à dire que les benchmarks sont inutiles. Ils restent nécessaires pour discipliner les déclarations, révéler les faiblesses et permettre aux clients de comparer les systèmes. Mais la position de Kavukcuoglu implique qu’ils sont des signaux directionnels, non une autorité finale [1]. C’est encore plus vrai pour les agents, dont la performance dépend à la fois du modèle, des outils, de l’orchestration, de la mémoire, des permissions, de la latence et du produit environnant.

C’est pourquoi l’aveu selon lequel Google est aujourd’hui légèrement sous la frontière est notable. Il ramène le débat à l’exécution. Google DeepMind affirme disposer de l’équipe, des ressources et de la pile technique nécessaires pour combler l’écart [2]. Le résumé publié par HelloMarvis le 2 septembre interprète ces propos comme un pari sur la capacité de long terme plutôt que sur l’efficacité immédiate [3]. La question ouverte est de savoir si cet avantage de pile complète se traduira par des modèles et des agents que les utilisateurs percevront comme nettement supérieurs.

Pour les développeurs, la conclusion pratique est une forme d’optimisme prudent. Google DeepMind ne prétend pas qu’un test unique sacrera le vainqueur de l’AGI. Il affirme que le leadership à la frontière émergera de systèmes capables d’en faire plus, d’agir plus sûrement et de mériter davantage de délégation. Mais l’entreprise demande aussi au marché d’attendre Gemini 4, de nouveaux progrès sur Pro et la confirmation en production des gains agentiques de Flash.

Ce qu’il faut surveiller

La prochaine étape de cette histoire ne sera pas décidée par des slogans sur l’AGI. Elle dépendra de la qualité des sorties produit, de l’adoption par les développeurs, des évaluations indépendantes et de la capacité des agents Gemini à mener des tâches longues avec moins d’échecs. Trois signaux seront décisifs: une présentation concrète de Gemini 4, des preuves plus solides sur les flux de codage complexes traités par Flash, et une explication plus précise de la manière dont Google DeepMind mesure la confiance dans les systèmes agentiques.

La thèse de Kavukcuoglu est que Google doit être à la frontière et qu’il y reviendra [2]. Sa thèse plus subtile est que la frontière elle-même change. Elle n’est plus seulement le modèle qui obtient le meilleur score sur un test statique. Elle devient le système capable de raisonner, d’utiliser des outils, de coopérer avec les humains, de résister aux workflows réels et de s’améliorer grâce à la boucle de retour. Cette course est plus difficile à arbitrer, mais elle ressemble sans doute davantage à ce que l’AGI donnera réellement à voir lorsqu’elle arrivera.

Sources des dernières 72 heures

1. [1]Koray Kavukcuoglu on frontier models, coding agents, and building AGI · Google · 8news.ai1 sept. 2026, 15:00 UTC
2. [2]Google Deepmind's new chief says frontier AI leadership is the only thing that matters1 sept. 2026, 00:00 UTC
3. [3]DeepMind chief: frontier AI leadership is all that matters1 sept. 2026, 19:01 UTC
4. [4]DeepMind Chief Vows to Lead Frontier AI Race1 sept. 2026, 00:00 UTC
5. [5]Agentic video understanding in Gemini · Google · 8news.ai1 sept. 2026, 17:00 UTC

Article généré par IA à partir d’une recherche web récente, puis conservé comme instantané éditorial daté.