Fermer Le Menu
    Man using laptop with AI interface, typing with focused attention. Indoors with eyewear beside.
    Photo de Matheus Bertelli sur Pexels.
    Blog tech

    Superintelligence en 2026 : le terme qui brouille l’IA

    Mise à jour:Aucun commentaire13 Minutes de Lecture

    Le 19 septembre 2026Donald Trump a soumis à ses abonnés de Truth Social un choix entre « Superior Intelligence », « Extreme Intelligence » et « Supreme Intelligence ». Le terme « Super Intelligence » ne figurait même pas parmi les réponses proposées.

    Le 22 septembre 2026, il a annoncé vouloir employer « super intelligence » dans les documents officiels des États-Unis. Il a expliqué que le mot « artificielle » pouvait donner l’impression d’une intelligence fausse.

    En apparence, il s’agit d’une retouche lexicale. En réalité, le terme existe déjà dans la recherche sur l’IA et désigne une catégorie hypothétique, très éloignée des assistants, générateurs d’images et modèles spécialisés utilisés en 2026.

    Le mot est déjà pris.

    Une définition scientifique qui n’est pas un slogan

    Dans la recherche en IA, la superintelligence désigne un système hypothétique capable de dépasser les meilleurs humains dans pratiquement tous les domaines cognitifs. Cette définition ne s’applique pas à un modèle qui résume mieux un texte, reconnaît une image ou réussit une tâche de programmation.

    Les outils utilisés en 2026 peuvent cumuler plusieurs fonctions. Un même modèle peut écrire, analyser un tableau et produire du code sans pour autant comprendre chaque situation comme un expert humain, encore moins dépasser les meilleurs spécialistes dans tous les domaines. La polyvalence d’usage ne suffit donc pas à parler de superintelligence.

    Le terme décrit un niveau de capacité supposé, pas une nouvelle étiquette pour tout logiciel capable de traiter plusieurs formats.

    Le nom ne produit aucune capacité.

    Le laboratoire montre la différence

    Three scientists wearing lab coats collaborate on research with books and computers in a modern laboratory setting.
    Photo de Mikhail Nilov sur Pexels.

    Le secteur pharmaceutique fournit un test concret. Une revue publiée dans ACS Central Scienceacceptée le 3 novembre 2025 et intégrée à la collection du 25 mars 2026, décrit le concept de « prompt-to-drug ».

    La chaîne envisagée partirait d’un objectif thérapeutique formulé en langage courant. Des systèmes d’IA pourraient ensuite identifier des cibles, concevoir des molécules, organiser leur synthèse, guider les validations précliniques et préparer des protocoles d’essais cliniques. La revue présente cette organisation comme une trajectoire de recherche, avec des démonstrations et des cadres conceptuels.

    Cette architecture ne correspond pas à un médicament obtenu par une simple phrase. Elle assemble des plateformes d’IA générative, des données multiomiques, des modèles dédiés à la biologie et à la chimie, ainsi que des systèmes automatisés de laboratoire. Les résultats des expériences doivent revenir dans la boucle pour modifier les hypothèses et les étapes suivantes.

    La publication décrit donc une chaîne intégrée de découverte pharmaceutique. Elle ne démontre pas qu’un système commercial développe seul un traitement complet, ni qu’un candidat conçu par IA est efficace chez l’humain ou autorisé par les autorités sanitaires.

    En santé, l’objectif mal formulé devient une décision dangereuse

    La question change de gravité lorsqu’un système intervient dans les soins. Une revue publiée dans le Japanese Journal of Radiology dans un numéro paru en 2026 examine les fondements théoriques de la superintelligence artificielle et le problème de son alignement avec les objectifs cliniques.

    La publication analyse des risques déjà observés dans des systèmes médicaux, notamment les biais, les échecs de généralisation et l’optimisation de mesures qui ne représentent qu’imparfaitement le but recherché. Un algorithme peut améliorer un indicateur sans améliorer le soin que cet indicateur était censé mesurer.

    La santé impose plusieurs contraintes à la fois : sécurité, autonomie du patient, équité, qualité de vie et responsabilité professionnelle. Une métrique unique ne peut pas résumer ces exigences. Le risque d’alignement apparaît lorsque le système poursuit la mesure disponible au détriment de l’objectif médical.

    La publication examine des fondements théoriques, des exemples de biais et des stratégies de sécurité. Elle ne constitue pas la preuve qu’une superintelligence fonctionne aujourd’hui dans un hôpital.

    Les pistes étudiées combinent apprentissage à partir de retours humains, interprétabilité, vérification formelle, tests adversariaux, normes professionnelles, participation des patients et gouvernance à plusieurs niveaux. Ces mécanismes cherchent à rendre les objectifs, les erreurs et les responsabilités vérifiables avant tout déploiement.

    Une recommandation produite par une IA ne devient pas pour autant une décision médicale irréversible. La question reste concrète : qui peut vérifier le résultat, le contester, l’arrêter et en répondre?

    Le même problème apparaît dans la construction

    Une revue publiée dans Sensors en novembre 2023 a recensé les publications indexées dans Scopus et Web of Science depuis le début des années 1990 jusqu’à la fin de 2022. Son objet était l’utilisation de méthodes d’IA dans la construction et la gestion des bâtiments.

    Les travaux examinés portent notamment sur la modélisation 3D, l’apprentissage automatique appliqué à la conception, la vision par ordinateur, la planification des équipements, la maintenance des bâtiments, les algorithmes génétiques et les systèmes aériens sans pilote.

    Cette liste rassemble des outils et des méthodes distincts. Un système de vision par ordinateur, un logiciel de planification et un système de maintenance ne disposent ni des mêmes données, ni des mêmes erreurs, ni du même périmètre d’action. Leur présence dans une même revue sur l’IA ne suffit pas à en faire une intelligence générale ou superintelligente.

    La date de cette revue compte aussi : elle décrit une littérature arrêtée à la fin de 2022, pas une mesure des capacités disponibles en septembre 2026. Employer « super intelligence » pour tous ces outils effacerait la question la plus utile : que fait exactement le système, dans quelles conditions et sous quelle supervision?

    De l’intelligence à la « superéthique »

    TEDMED 2013 Review
    "TEDMED 2013 Review" by juhansonin is licensed under CC BY 2.0. To view a copy of this license, visit

    Un article de Haselager et Mecacci, publié le 1er avril 2020 dans AJOB Neurosciencepropose de déplacer une partie du débat vers la « superéthique ». Les auteurs défendent l’idée d’une technologie qui aiderait les humains à appliquer plus régulièrement des principes éthiques et empathiques.

    Dans ce texte, la superéthique ne décrit pas un niveau de performance cognitive. Elle désigne une priorité normative : transformer des règles éthiques en pratiques plus constantes. L’article oppose ainsi la course à des systèmes toujours plus intelligents à la difficulté de faire respecter des principes déjà formulés.

    En 2026, ce cadre ramène la discussion à des points vérifiables : qui fixe l’objectif, qui peut le contester, qui arrête le système et qui répond d’une erreur? La réponse compte avant l’étiquette.

    Quatre questions avant d’adopter le mot

    Une annonce sur l’IA peut être examinée sans reprendre son vocabulaire. Quatre questions séparent une capacité démontrée d’un changement de communication.

    1. Quelle est la portée exacte? Un outil répond-il à une tâche définie ou prétend-il fonctionner dans des domaines très différents? Une application spécialisée ne devient pas une superintelligence parce qu’elle accepte plusieurs formats de données.
    2. Quelle preuve est datée? Une démonstration, une revue scientifique, un essai clinique et un déploiement à grande échelle ne fournissent pas le même niveau d’information. La date et le contexte de chaque résultat doivent rester visibles.
    3. Quelle métrique est optimisée? La précision, la vitesse, la mortalité, le coût et la satisfaction du patient ne racontent pas la même histoire. Une mesure unique peut encourager le système à contourner l’objectif humain.
    4. Quel pouvoir de correction reste disponible? Il faut savoir si un professionnel peut vérifier la recommandation, si un patient peut refuser une action, si l’organisation conserve une trace de la décision et si la responsabilité juridique est définie.

    Si une annonce répond précisément à ces questions, le mot IA suffit souvent. Si elle invoque une superintelligence, elle devrait fournir une définition compatible avec celle de la recherche et des preuves correspondant à une capacité supposée dépasser les humains dans tous les domaines cognitifs.

    Un grand nom ne remplace pas une preuve.

    Sources et références scientifiques
    1. From Prompt to Drug: Toward Pharmaceutical Superintelligence – PMC. ACS central science. DOI: 10.1021/acscentsci.5c01473 · PMID: 42039741.
    2. KP Jayatunga M., Ayers M., Bruens L., Jayanth D., Meier C.. How Successful Are AI-Discovered Drugs in Clinical Trials? A First Analysis and Emerging Lessons. Drug Discovery Today. 2024;29(6):104009. doi: 10.1016/j.drudis.2024.104009. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.drudis.2024.104009.
    3. Xu Z., Ren F., Wang P., Cao J., Tan C., Ma D., Zhao L., Dai J., Ding Y., Fang H., Li H., Liu H., Luo F., Meng Y., Pan P., Xiang P., Xiao Z., Rao S., Satler C., Liu S., Lv Y., Zhao H., Chen S., Cui H., Korzinkin M., Gennert D., Zhavoronkov A.. A Generative AI-Discovered TNIK Inhibitor for Idiopathic Pulmonary Fibrosis: A Randomized Phase 2a Trial. Nature Medicine. 2025;31(8):2602. doi: 10.1038/s41591-025-03743-2. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41591-025-03743-2.
    4. Lo Y.-C., Rensi S. E., Torng W., Altman R. B.. Machine Learning in Chemoinformatics and Drug Discovery. Drug Discovery Today. 2018;23(8):1538-1546. doi: 10.1016/j.drudis.2018.05.010. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.drudis.2018.05.010.
    5. Jeon J., Nim S., Teyra J., Datti A., Wrana J. L., Sidhu S. S., Moffat J., Kim P. M.. A Systematic Approach to Identify Novel Cancer Drug Targets Using Machine Learning, Inhibitor Design and High-Throughput Screening. Genome Med. 2014;6(7):57. doi: 10.1186/s13073-014-0057-7. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1186/s13073-014-0057-7.
    6. Iorio F., Knijnenburg T. A., Vis D. J., Bignell G. R., Menden M. P., Schubert M., Aben N., Goncalves E., Barthorpe S., Lightfoot H., Cokelaer T., Greninger P., van Dyk E., Chang H., de Silva H., Heyn H., Deng X., Egan R. K., Liu Q., Mironenko T., Mitropoulos X., Richardson L., Wang J., Zhang T., Moran S., Sayols S., Soleimani M., Tamborero D., Lopez-Bigas N., Ross-Macdonald P., Esteller M., Gray N. S., Haber D. A., Stratton M. R., Benes C. H., Wessels L. F.A., Saez-Rodriguez J., McDermott U., Ga. doi:10.1016/j.cell.2016.06.017.
    7. Shen M., Xiao Y., Golbraikh A., Gombar V. K., Tropsha A.. Development and Validation of K-Nearest-Neighbor QSPR Models of Metabolic Stability of Drug Candidates. J. Med. Chem. 2003;46(14):3013-3020. doi: 10.1021/jm020491t. [DOI] [PubMed] [Google Scholar]. doi:10.1021/jm020491t.
    8. Fang J., Yang R., Gao L., Zhou D., Yang S., Liu A., Du G.. Predictions of BuChE Inhibitors Using Support Vector Machine and Naive Bayesian Classification Techniques in Drug Discovery. J. Chem. Inf. Model. 2013;53(11):3009-3020. doi: 10.1021/ci400331p. [DOI] [PubMed] [Google Scholar]. doi:10.1021/ci400331p.
    9. Li G.-B., Yang L.-L., Wang W.-J., Li L.-L., Yang S.-Y.. ID-Score: A New Empirical Scoring Function Based on a Comprehensive Set of Descriptors Related to Protein-Ligand Interactions. J. Chem. Inf. Model. 2013;53(3):592-600. doi: 10.1021/ci300493w. [DOI] [PubMed] [Google Scholar]. doi:10.1021/ci300493w.
    10. Shi H., Liu S., Chen J., Li X., Ma Q., Yu B.. Predicting Drug-Target Interactions Using Lasso with Random Forest Based on Evolutionary Information and Chemical Structure. Genomics. 2019;111(6):1839-1852. doi: 10.1016/j.ygeno.2018.12.007. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.ygeno.2018.12.007.
    11. Volkamer A., Kuhn D., Grombacher T., Rippmann F., Rarey M.. Combining Global and Local Measures for Structure-Based Druggability Predictions. J. Chem. Inf. Model. 2012;52(2):360-372. doi: 10.1021/ci200454v. [DOI] [PubMed] [Google Scholar]. doi:10.1021/ci200454v.
    12. Harvey M. J., De Fabritiis G.. High-Throughput Molecular Dynamics: The Powerful New Tool for Drug Discovery. Drug Discovery Today. 2012;17(19):1059-1062. doi: 10.1016/j.drudis.2012.03.017. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.drudis.2012.03.017.
    13. Carpenter K. A., Huang X.. Machine Learning-Based Virtual Screening and Its Applications to Alzheimer’s Drug Discovery: A Review. CPD. 2018;24(28):3347-3358. doi: 10.2174/1381612824666180607124038. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2174/1381612824666180607124038.
    14. Artificial superintelligence alignment in healthcare – PMC. Japanese journal of radiology. DOI: 10.1007/s11604-025-01907-1 · PMID: 41236701.
    15. 1.Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44-56. [DOI] [PubMed] [Google Scholar].
    16. 2.Hinton G. Deep Learning, A technology with the potential to transform health care. JAMA. 2018;320:1101-2. [DOI] [PubMed] [Google Scholar].
    17. 3.Barat M, Pellat A, Hoeffel C, Dohan A, Coriat R, Fishman EK, et al. CT and MRI of abdominal cancers: current trends and perspectives in the era of radiomics and artificial intelligence. Jpn J Radiol. 2023;42:246-60. [DOI] [PubMed] [Google Scholar].
    18. 4.Lo Mastro A, Grassi E, Berritto D, Russo A, Reginelli A, Guerra E, et al. Artificial intelligence in fracture detection on radiographs: a literature review. Jpn J Radiol. 2025;43:551-85. [DOI] [PubMed] [Google Scholar].
    19. 5.Good IJ. Speculations concerning the first ultraintelligent machine. Advances in computers. Elsevier; 1966. pp. 31-88..
    20. 6.Bostrom N, Superintelligence. Paths, Dangers, strategies. London, England: Oxford University Press; 2016. [Google Scholar].
    21. 7.Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017;69S:S36-40. [DOI] [PubMed] [Google Scholar].
    22. 8.Obermeyer Z, Emanuel EJ. Predicting the future – big data, machine learning, and clinical medicine. N Engl J Med. 2016;375:1216-9. [DOI] [PMC free article] [PubMed] [Google Scholar].
    23. teva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nat Med. 2019;25:24-9. [DOI] [PubMed] [Google Scholar].
    24. 10.Yu K-H, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng. 2018;2:719-31. [DOI] [PubMed] [Google Scholar].
    25. 11.Fujita S, Fushimi Y, Ito R, Matsui Y, Tatsugami F, Fujioka T, et al. Advancing clinical MRI exams with artificial intelligence: japan’s contributions and future prospects. Jpn J Radiol. 2025;43:355-64. [DOI] [PMC free article] [PubMed] [Google Scholar].
    26. 12.Morley J, Machado CCV, Burr C, Cowls J, Joshi I, Taddeo M, et al. The ethics of AI in health care: A mapping review. Soc Sci Med. 2020;260:113172. [DOI] [PubMed] [Google Scholar].
    27. Artificial Intelligence Methods for the Construction and Management of Buildings – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s23218740 · PMID: 37960440.
    28. oi S.D., Guo L., Kim J., Xiong S. Comparison of fatal occupational injuries in construction industry in the United States, South Korea, and China. Int. J. Ind. Ergon. 2019;71:64-74. doi: 10.1016/j.ergon.2019.02.011. [DOI] [Google Scholar]. doi:10.1016/j.ergon.2019.02.011.
    29. 2.Pan Y., Zhang L. Roles of artificial intelligence in construction engineering and management: A critical review and future trends. Autom. Constr. 2021;122:103517. doi: 10.1016/j.autcon.2020.103517. [DOI] [Google Scholar]. doi:10.1016/j.autcon.2020.103517.
    30. 3.Zeng L., Li R.Y.M. Construction safety and health hazard awareness in Web of Science and Weibo between 1991 and 2021. Saf. Sci. 2022;152:105790. doi: 10.1016/j.ssci.2022.105790. [DOI] [Google Scholar]. doi:10.1016/j.ssci.2022.105790.
    31. 4.Abioye S., Oyedele L.O., Akanbi L., Ajayi A., Delgado J.M.D., Bilal M., Olugbenga O.A., Ahmed A. Artificial intelligence in the construction industry: A review of present status, opportunities and future challenges. J. Build. Eng. 2021;44:103299. doi: 10.1016/j.jobe.2021.103299. [DOI] [Google Scholar]. doi:10.1016/j.jobe.2021.103299.
    32. ien C.F., Dauzère-Pérès S., Huh W.T., Jang Y.J., Morrison J.R. Artificial intelligence in manufacturing and logistics systems: Algorithms, applications, and case studies. Int. J. Prod. Res. 2020;58:2730-2731. doi: 10.1080/00207543.2020.1752488. [DOI] [Google Scholar]. doi:10.1080/00207543.2020.1752488.
    33. ui M., McKinsey S.F. Global Institute Study, Artificial Intelligence, The Next Digital Frontier. McKinsey and Company; New York, NY, USA: 2017. p. 80. [Google Scholar].
    34. 7.Young D., Panthi K., Noor O. Challenges involved in adopting BIM on the construction jobsite. EPiC Ser. Built Environ. 2021;2:302-310. [Google Scholar].
    35. lgado J.M.D., Oyedele L. Digital Twins for the built environment: Learning from conceptual and process models in manufacturing. Adv. Eng. Inf. 2021;49:101332. doi: 10.1016/j.aei.2021.101332. [DOI] [Google Scholar]. doi:10.1016/j.aei.2021.101332.
    36. llo S.A., Oyedele L.O., Akinade O.O., Bilal M., Delgado J.M.D., Akanbi L.A., Ajayi A.O., Owolabi H.A. Cloud computing in construction industry: Use cases, benefits and challenges. Autom. Construct. 2021;122:103441. doi: 10.1016/j.autcon.2020.103441. [DOI] [Google Scholar]. doi:10.1016/j.autcon.2020.103441.
    37. lgado J.M.D., Oyedele L. Deep learning with small datasets: Using autoencoders to address limited datasets in construction management. Appl. Soft Comput. 2021;112:107836. doi: 10.1016/j.asoc.2021.107836. [DOI] [Google Scholar]. doi:10.1016/j.asoc.2021.107836.
    38. 11.Gbadamosi A., Mahamadu A., Manu P., Akinade O., Sierra F., Lam T.T., Alzaatreh A. A BIM based approach for optimization of construction and assembly through material selection; Proceedings of the Creative Construction; Ljubljana, Slovenia. 30 June-3 July 2018; pp. 955-962. [DOI] [Google Scholar].
    39. 12.Gbadamosi A.-Q., Mahamadu A.-M., Oyedele L.O., Akinade O.O., Manu P., Mahdjoubi L., Aigbavboa C. Offsite construction: Developing a BIM-Based optimizer for assembly. J. Clean. Prod. 2019;215:1180-1190. doi: 10.1016/j.jclepro.2019.01.113. [DOI] [Google Scholar]. doi:10.1016/j.jclepro.2019.01.113.
    40. Haselager P, Mecacci G.. Superethics Instead of Superintelligence: Know Thyself, and Apply Science Accordingly.. AJOB neuroscience. 2020. DOI: 10.1080/21507740.2020.1740353 · PMID: 32228384. (résumé scientifique structuré; texte intégral non fourni)
    41. Oubliez l’intelligence artificielle, Trump change son nom en “super intelligence” pour une raison lunaire. 2026.

    Publications similaires :

    1. IA en santé en 2026 : le contrôle a un prix
    2. Smartphone Android en 2026 : usages étudiés et limites
    3. Assistants vocaux en 2026 : l’aide ne remplace pas le lien humain
    4. Droit à la réparation européen en 2026 : smartphones, lave-linge, aspirateurs, qui est concerné?
    Part.

    Jarod est journaliste citoyen, engagé dans la couverture d'actualités locales et de sujets sociétaux. Passionné par l'investigation et la transparence, il utilise sa plume pour donner une voix aux événements et aux personnes souvent ignorés par les médias traditionnels.

    Connexes Postes

    Laisser Une Réponse