Les récents modèles de génération visuelle ont réalisé des progrès majeurs en matière de photoréalisme, de typographie, de respect des instructions et d’édition interactive. Pourtant, ils peinent encore à assurer le raisonnement spatial, la persistance de l’état, la cohérence sur le long terme et la compréhension causale. Nous soutenons que le domaine doit dépasser la simple synthèse d’apparence pour évoluer vers une génération visuelle intelligente : des représentations visuelles plausibles, ancrées dans la structure, la dynamique, la connaissance du domaine et les relations causales. Pour cadrer ce changement de paradigme, nous proposons une taxonomie à cinq niveaux : Génération Atomique, Génération Conditionnelle, Génération In-Contexte, Génération Agentic (agentique) et Génération par Modèles du Monde, illustrant une progression depuis des moteurs de rendu passifs vers des générateurs interactifs, agents (agents) et conscients du contexte mondial.Nous analysons les principaux leviers technologiques sous-jacents, tels que l’appariement de flux (flow matching), les modèles unifiés de compréhension et de génération, l’amélioration des représentations visuelles, l’entraînement post-hoc (post-training), la modélisation des récompenses, le curatation des données, la distillation de données synthétiques et l’accélération de l’échantillonnage. Nous montrons par ailleurs que les évaluations actuelles surestiment souvent les progrès obtenus en mettant l’accent sur la qualité perceptuelle, tout en négligeant les défaillances structurelles, temporelles et causales. En combinant un examen des référentiels d’évaluation (benchmarks), des tests de contrainte réels (in-the-wild stress tests) et des études de cas contraintes par l’expertise, cette feuille de route propose une vision centrée sur les capacités pour comprendre, évaluer et faire progresser la prochaine génération de systèmes de génération visuelle intelligente.