Le 4 septembre 2026, trois événements majeurs se sont télescopés : OpenAI a officiellement dévoilé GPT-6 Astra, trois fournisseurs d’IA de premier ordre — OpenAI, Anthropic (Claude) et xAI (Grok) — ont subi des pannes de service simultanées, et ARC Prize a lancé le même jour l’évaluation officielle ARC-AGI-3 tout en publiant les scores d’Astra. Sur Hacker News, le fil consacré au lancement d’Astra a rapidement atteint 1 091 points et 802 commentaires, tandis que la discussion sur la panne enregistrait 107 points et 39 commentaires. En l’espace de vingt-quatre heures, un lancement phare, un effondrement multiplateforme et une controverse d’évaluation se sont croisés, pointant tous vers une même réalité structurelle : alors que le récit entourant les capacités des modèles s’emballe, les infrastructures sous-jacentes et les repères d’évaluation ne sont pas prêts à suivre la cadence.
Trois géants hors ligne en même temps : personne ne sait expliquer pourquoi
OpenAI, Anthropic (Claude) et xAI (Grok) ont tous rencontré de sévères interruptions de service exactement pendant la fenêtre de lancement de GPT-6 Astra. Le fil correspondant sur Ask HN a recueilli 107 points et 39 commentaires, mais la communauté n’a dégagé aucun consensus sur la cause profonde. Les hypothèses ont fusé : certains ont supposé que le pic de trafic suscité par OpenAI avait engorgé des prestataires cloud et réseau en amont partagés par l’industrie ; d’autres ont soupçonné des défaillances de nœuds d’infrastructure communs, tandis que certains y ont vu une simple coïncidence.
Que nous apprend la panne simultanée de trois concurrents directs ? Au minimum une chose : l’infrastructure des services d’IA de pointe demeure bien plus vulnérable qu’on ne l’imagine de l’extérieur. Lorsque les afflux massifs d’utilisateurs rencontrent la pression opérationnelle, les marges de redondance s’avèrent beaucoup plus étroites qu’escompté. Tandis que le rythme des déploiements s’accélère, la pression imposée aux équipes d’infrastructure grimpe en flèche.
ARC-AGI-3 saturé en six mois : les benchmarks dépassés par les modèles
Le même jour, ARC Prize a rendu publics les résultats officiels des tests de GPT-6 Astra sur ARC-AGI-3. Lorsqu’on demandait auparavant à François Chollet, le créateur du benchmark ARC-AGI, quand ARC-AGI-3 atteindrait la saturation, il avançait une estimation : environ un an. Or, cette déclaration ne remontait qu’à six mois. Lors de la publication des résultats d’Astra, Chollet a admis sans détour : « Astra représente des progrès deux fois plus rapides que ce que j’avais anticipé. »
Image : Performance de GPT-6 Astra sur le classement ARC-AGI-3. Source : ARC Prize Blog
La série d’évaluations ARC-AGI avait été imaginée pour mesurer la « véritable intelligence générale », en rupture délibérée avec les benchmarks traditionnels qui récompensent la mémorisation brute sur des jeux de données statiques. Pourtant, même son concepteur a sous-estimé la vitesse de progression des modèles : les jalons d’évaluation ont été franchis bien plus vite que prévu. Avant même que la règle n’ait fini de mesurer, sa graduation s’avère déjà trop courte.
Un même classement, deux mesures contradictoires
L’arrivée des scores d’Astra s’est accompagnée d’une situation embarrassante sur le tableau d’affichage d’ARC. GPT-5.6 Sol y est crédité d’un modeste 7,8 % sur le classement officiel, alors que la documentation d’ARC indique elle-même : « Estimé à environ 30 % avec le harness de responses API. » Pour un seul et même modèle, le simple fait de changer le protocole de test (harness) a multiplié le score par près de quatre.
Cet écart vertigineux a immédiatement jeté le doute sur la comparabilité de l’ensemble du classement. Si le choix du harness entraîne de telles fluctuations, le palmarès mesure-t-il les capacités intrinsèques du modèle ou simplement l’adéquation avec une méthodologie d’évaluation donnée ? ARC Prize a justifié cette rigueur par l’exigence d’un harness unifié. Mais l’objection de la communauté est tout aussi légitime : si l’organisation a elle-même estimé le modèle à 30 %, pourquoi maintenir un score de 7,8 % sur la vitrine officielle ? Les deux positions s’entendent, mais voir coexister deux métriques contradictoires laisse une impression de confusion générale.
Image : Comparaison des actions et de l’efficacité entre différents modèles sur ARC-AGI-3. Source : ARC Prize Blog
La définition de l’AGI : dilution marketing ou véritable avancée ?
Après l’annonce de GPT-6 Astra, deux réactions diamétralement opposées ont émergé au sein de la communauté technologique. D’une part, des discussions pointues sur LessWrong ont analysé l’architecture récurrente (recurrent) d’Astra (19 points), décortiquant les gains réels qu’elle procure dans les raisonnements à longue portée. D’autre part, des critiques acérées sur Hacker News ont fustigé une dilution continue du terme « AGI », assimilé à un argumentaire marketing destiné à l’introduction en bourse (IPO) de Sam Altman — où chaque nouveau modèle franchirait « un pas de plus vers l’AGI », sans que personne ne fige jamais la définition de cette dernière.
Ces deux analyses reposent sur des faits concrets. L’architecture récurrente d’Astra constitue indiscutablement une belle avancée d’ingénierie, et le constat de François Chollet en atteste au premier chef. Mais entre une progression technique fulgurante et l’avènement effectif d’une AGI, il demeure une variable déterminante : où place-t-on le curseur de l’AGI ? Aujourd’hui, cette ligne d’arrivée est déplacée unilatéralement par les éditeurs de modèles. À l’heure où les critères de mesure évoluent en direct, la frontière entre percée tangible et redéfinition des objectifs devient de plus en plus floue.
La course aux capacités dépasse notre aptitude à les mesurer
Pris isolément, chacun des trois événements survenus le jour du lancement de GPT-6 Astra s’explique par des causes techniques directes. Pris ensemble, ils révèlent une même faille structurelle : la cadence et le battage des sorties s’accélèrent, tandis que la résilience des infrastructures, la cohérence des évaluations et la définition même de « l’intelligence » peinent à suivre. L’horizon d’un an fixé par Chollet s’est volatilisé en six mois. Sur le tableau d’évaluation, 7,8 % et 30 % se côtoient, érodant la confiance dans les chiffres. Et la chute simultanée de trois services concurrents est venue tester les limites absolues de la fiabilité opérationnelle.
Le récit de la puissance des modèles grandit aujourd’hui plus vite que nos moyens réels de la certifier. Lors du prochain dévoilement d’un modèle frontière, la question de savoir si nos outils de mesure sont encore adaptés sera sans doute bien plus déterminante que les chiffres affichés par le modèle lui-même.
Liens de référence :
- ARC Prize Blog
- OpenAI
- LessWrong
- Discussion HN (item?id=49554643)
- Discussion HN (item?id=49555691)
