L’absence d’une définition précise de l’intelligence artificielle générale (AGI) rend floue la distinction entre les systèmes d’IA actuels, spécialisés et limités, et la cognition humaine de niveau adulte. Ce papier propose un cadre quantifiable pour combler ce vide, en définissant l’AGI comme une capacité cognitive équivalente à celle d’un adulte bien éduqué, tant en diversité qu’en maîtrise. Pour rendre cette définition opérationnelle, les auteurs s’appuient sur la théorie Cattell-Horn-Carroll (CHC), le modèle le plus solide sur le plan empirique de la cognition humaine. Ce cadre décompose l’intelligence générale en dix domaines fondamentaux — raisonnement, mémoire, perception, attention, résolution de problèmes, etc. — et adapte des batteries psychométriques humaines éprouvées pour évaluer les systèmes d’IA. L’application de ce cadre met en évidence un profil cognitif fortement « inégal » chez les modèles actuels. Bien que performants dans des domaines exigeant une grande connaissance, comme la compréhension du langage ou la résolution de problèmes mathématiques, ces systèmes présentent des lacunes critiques dans des mécanismes cognitifs fondamentaux, notamment le stockage et la récupération de mémoire à long terme. Cette faiblesse structurelle limite leur capacité à s’adapter à de nouveaux contextes, à apprendre de manière durable ou à maintenir une compréhension cohérente du monde au fil du temps. Les résultats de cette évaluation permettent d’attribuer des scores d’AGI aux modèles actuels : par exemple, GPT-4 obtient un score de 27 %, tandis que GPT-5 atteint 57 %. Ces chiffres offrent une mesure concrète de l’évolution rapide des systèmes d’IA, mais aussi d’un écart significatif restant avant d’atteindre l’intelligence générale. Le cadre proposé ne se contente pas de mesurer la performance, il fournit une cartographie fine des forces et des faiblesses cognitives des modèles, ouvrant la voie à des progrès ciblés et à une évaluation plus rigoureuse de l’IA. En résumé, ce travail constitue une avancée majeure vers une compréhension partagée et mesurable de l’AGI. En s’appuyant sur des fondements psychologiques solides et en adaptant des outils éprouvés, il permet de passer d’une discussion floue à une évaluation quantitative et comparative des capacités cognitives des systèmes artificiels. Cette approche pourrait guider les recherches futures, orienter les priorités de développement et renforcer la transparence dans les débats sur les risques et les bénéfices de l’IA émergente.