Le Score N'est Pas Ce Que Vous Croyez

En juillet 2025, le modèle Gemini Deep Think de Google DeepMind s'est assis — métaphoriquement — pour tenter l'Olympiade Internationale de Mathématiques. Il a répondu aux six problèmes en langage naturel dans le délai de 4,5 heures et a obtenu 35 points : l'équivalent d'une médaille d'or. Un an plus tôt, le même benchmark avait produit une médaille d'argent. Les médaillés d'or humains obtiennent typiquement entre 35 et 42 points.

Ce titre tend à être lu comme un verdict : l'IA nous a battus. Affaire classée.

Mais l'Index IA de Stanford 2026, publié en avril de cette année, raconte une histoire plus compliquée. Les mêmes systèmes qui dominent l'IMO lisent les horloges analogiques correctement seulement 50,1% du temps. Le rapport appelle cela une "frontière dentelée" — et c'est le résumé le plus honnête de l'état réel des choses.

Voici une analyse domaine par domaine, utilisant des données de benchmark vérifiées, de là où l'IA dirige maintenant les humains, là où les humains ont encore un avantage, et ce que tout cela signifie pour les compétences cognitives que vous entraînez sur des plateformes comme AIHumanBench.

Où l'IA a Clairement Surpassé les Performances Humaines

Mathématiques

L'or à l'IMO n'est qu'un seul point de données. Sur AIME 2025 — la compétition de mathématiques lycéennes américaine qui sélectionne les candidats pour l'équipe olympique américaine — GPT-5.2 (sorti le 11 décembre 2025) a obtenu un score parfait de 100%. Le concurrent humain médian répond à environ 4 à 6 des 15 problèmes. L'IA ne concourt plus au niveau médian ; elle opère près du plafond de la performance des experts humains sur les tâches mathématiques structurées.

GPT-5.2 a également obtenu 40,3% sur FrontierMath, un benchmark construit à partir de problèmes de niveau recherche non publiés que même les mathématiciens professionnels trouvent extrêmement difficiles. Ce nombre semble modeste isolément, mais il représente un bond depuis quasi-zéro il y a seulement deux ans.

Programmation et Ingénierie Logicielle

Sur SWE-bench Verified — qui demande aux modèles de résoudre de vrais problèmes GitHub ouverts dans de vraies bases de code — les performances ont augmenté d'environ 60% à près de 100% au cours de l'année 2025 seule, selon l'Index IA de Stanford 2026. Les agents GPT-4o ont résolu 67% des vrais problèmes GitHub dans des conditions chronométrées, contre 22% pour les développeurs humains travaillant sous les mêmes contraintes.

La mise en garde est importante : dans les tâches courtes et bien définies avec un budget de deux heures, l'IA supérieure obtient environ quatre fois plus que les experts humains. Mais à des horizons de 32 heures — des tâches nécessitant un jugement soutenu, une adaptation et de la créativité — les humains surpassent l'IA d'une marge de 2 contre 1. L'avantage de programmation de l'IA est concentré dans la vitesse et la précision sur les problèmes délimités, pas dans le jugement d'ingénierie ouvert.

Mémoire de Travail

Une étude de 2024 (arXiv: 2410.07391) a comparé des modèles de langage de pointe aux données normatives humaines sur des tâches standard de mémoire de travail. Le résultat : la plupart des meilleurs modèles se situent à ou au-dessus du 99,5e percentile de la population humaine. Sur le type de tâches d'empan numérique et de n-back que vous trouverez dans le test de mémoire de travail d'AIHumanBench, l'IA a effectivement saturé l'extrémité supérieure de la distribution des performances humaines.

Cela ne signifie pas que l'IA "pense" comme les humains — cela signifie que les tâches computationnelles spécifiques que les tests de mémoire de travail ont été conçus pour mesurer sont celles que l'IA gère facilement. L'architecture est différente ; le score ne l'est pas.

Compréhension de Lecture et Compréhension du Langage

L'IA a dépassé les performances humaines moyennes sur GLUE et SuperGLUE (benchmarks standardisés en langue anglaise) dès 2019–2021. En 2026, l'écart au niveau humain moyen est si grand qu'il a cessé d'être une comparaison significative. La frontière s'est déplacée vers des cibles plus difficiles : raisonnement scientifique au niveau doctoral, apprentissage en contexte nouveau, et tâches nécessitant une vraie compréhension plutôt que la correspondance de motifs.

Où les Humains Mènent Encore

Raisonnement Multimodal dans le Monde Réel

Sur MMMU — un benchmark testant la compréhension multimodale dans des disciplines de niveau universitaire utilisant de vraies images, graphiques et diagrammes — le o1 d'OpenAI a obtenu 78,2% contre une référence humaine d'environ 83%. C'est le seul grand domaine standardisé où l'IA n'a pas encore rattrapé son retard, et cela pointe vers un schéma plus large : l'IA a du mal lorsque la tâche nécessite d'intégrer le sens commun physique avec le raisonnement abstrait.

L'exemple de l'horloge analogique du rapport Stanford est illustratif. Un taux de précision de 50,1% dans la lecture des horloges analogiques — une tâche que tout enfant de huit ans accomplit automatiquement — révèle que les impressionnants scores de benchmark de l'IA peuvent coexister avec des lacunes surprenantes dans la perception incarnée du monde réel.

Tâches Complexes à Long Horizon

Les données de RE-Bench déjà citées ci-dessus racontent cette histoire clairement : à des horizons de tâches de 32 heures, les experts humains surpassent l'IA de 2 à 1. Plus la tâche est longue et ouverte, plus les avantages humains en termes de jugement soutenu, d'adaptation contextuelle et de cadrage créatif des problèmes entrent en jeu.

Cette découverte a des implications directes sur la façon dont les outils d'IA sont utilisés de manière la plus productive. Ils excellent comme accélérateurs pour les sous-tâches délimitées, pas comme remplaçants autonomes du jugement humain sur des projets étendus et incertains.

Créativité Authentique et Raisonnement Nouveau

ARC-AGI — un benchmark spécifiquement conçu pour résister à la mémorisation et tester un vrai raisonnement nouveau — a été un défi persistant pour l'IA. GPT-5.2 a été rapporté comme étant parmi les premiers modèles à dépasser 90% sur ARC-AGI-1. GPT-5.5, sorti le 23 avril 2026, a atteint 85% sur l'ARC-AGI-2 plus difficile. Ce sont des chiffres remarquables, mais le benchmark a été conçu pour approximer le type de raisonnement fluide et transférable qui définit l'intelligence générale humaine. Le fait que les modèles de pointe ne s'en approchent que maintenant — sur un test soigneusement contrôlé, pas dans la résolution de problèmes du monde réel sans contraintes — reste significatif.

Une étude de janvier 2026 impliquant plus de 100 000 participants a trouvé que si les systèmes d'IA surpassent les humains moyens sur les tâches d'association divergente, les 10% supérieurs des penseurs créatifs humains produisent encore des résultats plus riches et plus surprenants dans le travail créatif ouvert — poésie, récit, génération d'idées inter-domaines.

Intelligence Sociale et Émotionnelle

Aucun modèle de pointe n'a démontré une théorie de l'esprit fiable, une lecture nuancée des dynamiques interpersonnelles, ou une réactivité émotionnelle authentique dans des contextes réels non structurés. L'IA performe bien sur les benchmarks standardisés de reconnaissance des émotions mais mal lorsque la tâche nécessite d'intégrer les indices émotionnels avec le contexte social dans des situations nouvelles — exactement le type de tâche que sonde le test de Reconnaissance des Émotions d'AIHumanBench.

Ce Que Cela Signifie pour les Tests que Vous Passez

Les benchmarks ci-dessus sont utiles pour comprendre le paysage général, mais ils ne sont pas les mêmes que les compétences cognitives que vous exercez sur AIHumanBench. Soyons précis sur ce que les données disent et ne disent pas sur chaque catégorie de test.

Temps de Réaction : L'inférence d'IA est architecturalement plus rapide que le traitement neural humain — millisecondes contre 200–250ms de temps de réponse humain moyen. Mais le "temps de réaction" de l'IA dépend entièrement du matériel et de la latence réseau. Dans les tests logiciels contrôlés, l'IA gagne. Votre score de temps de réaction reflète quelque chose de réel sur votre système nerveux qu'aucun benchmark ne peut répliquer.

Mémoire de Travail : L'IA teste au 99,5e+ percentile humain sur les tâches standard. Mais la mémoire de travail au sens humain est un système à capacité limitée qui interagit dynamiquement avec l'attention, l'émotion et la mémoire à long terme. Votre score de mémoire de travail sur AIHumanBench reflète une capacité cognitive authentique qui compte pour l'apprentissage, le raisonnement sous pression et les performances quotidiennes — indépendamment de ce que l'IA peut ou ne peut pas faire.

Reconnaissance de Motifs et Raisonnement Abstrait : Ce sont des domaines où l'IA est forte et se renforce. Mais les tests AIHumanBench dans cette catégorie sont calibrés par rapport aux normes de la population humaine, ce qui signifie que votre score vous dit où vous vous situez par rapport aux autres humains — une comparaison qui reste entièrement significative quelle que soit la performance de l'IA.

Créativité et Fluidité Verbale : Avantage humain. La recherche est claire que la performance créative humaine du décile supérieur reste devant l'IA sur les tâches ouvertes. Ce sont des compétences qui méritent d'être développées.

Le Résumé Honnête

L'IA a atteint des mathématiques médaille d'or, une programmation quasi-parfaite sur les tâches délimitées, et des performances de mémoire de travail qui saturent l'échelle humaine. Elle l'a fait plus vite que presque tout le monde ne le prédisait il y a cinq ans.

Elle lit aussi correctement les horloges analogiques la moitié du temps et perd face aux experts humains sur les tâches qui s'étendent au-delà de quelques heures.

Le cadrage de "frontière dentelée" de l'Index IA de Stanford 2026 est juste. Ce n'est pas une histoire de supériorité uniforme de l'IA ou d'exceptionnalisme humain tenant ferme partout. C'est une histoire de capacités qui sont genuinement et spécifiquement inégales — et cette inégalité est précisément pourquoi comprendre votre propre profil cognitif compte toujours.

Savoir où vous êtes fort, où vous avez de la marge de progression, et comment vos performances se comparent aux normes de la population est une information précieuse. C'est ce que les tests cognitifs vous donnent — et cela restera précieux indépendamment de ce que dira n'importe quel benchmark d'IA le trimestre prochain.