Le 01 octobre 2023, des estimations popularisées autour de GPT-4 Turbo plaçaient encore certains modèles « grand public » à un niveau de QI dérivé proche de 75, avant qu’une accélération spectaculaire ne s’installe dans les graphiques comparatifs repris par des sites de veille. En mai 2026, l’écart visuel entre les têtes d’affiche s’est resserré, et le débat a changé de nature : il ne porte plus seulement sur la performance brute, mais sur la légitimité d’un classement de QI appliqué à une intelligence artificielle. Des plateformes comme AI IQ ou des suivis parallèles inspirés du test Mensa Norvège transforment des résultats de benchmarks (ARC-AGI, GPQA, FrontierMath, etc.) en scores lisibles par tous, au risque de faire croire qu’une unité pensée pour l’humain se transpose sans reste à des algorithmes.
Le sujet passionne parce qu’il met en concurrence des marques et des architectures très différentes, tout en promettant une réponse simple : « qui domine ? ». Or, derrière les nombres, les divergences de méthodologie se multiplient, et une même IA peut briller en raisonnement mathématique tout en trébuchant sur du bon sens. Les éditeurs, eux, publient souvent les métriques qui les favorisent, ce que VentureBeat a pointé en décrivant une « tour de Babel » des mesures (article relayant AI IQ, publié et mis en circulation autour de mai 2026). Le point technique devient alors presque secondaire : le vrai décryptage consiste à comprendre ce que ces scores capturent, ce qu’ils ratent, et comment lire ces tableaux sans confondre indicateur marketing et évaluation robuste.
En Bref
- AI IQ compile 12 benchmarks publics (dont ARC-AGI, GPQA, FrontierMath) et convertit les résultats en un score de QI estimé réparti sur cinq dimensions.
- En mai 2026, AI IQ place GPT-5.5 à 136, Opus 4.7 à 132, Gemini 3.1 Pro à 131 et GPT-5.4 à 131.
- Sur un suivi distinct inspiré du test Mensa Norvège (TrackingAI), Grok-4.20 Expert Mode et GPT-5.4 Pro sont donnés à égalité à 145.
- Alan D. Thompson (travaux de synthèse publiés depuis 2021 sur l’évaluation cognitive des IA) décrit plusieurs limites structurelles des conversions « benchmarks → QI ».
- Les écarts se compressent au sommet : 7 points seulement séparent un groupe de tête (129 à 136) sur AI IQ, ce qui change la lecture du classement.
Classement QI des IA en 2026 : ce que racontent vraiment AI IQ et Mensa Norvège
Le classement de QI appliqué aux IA s’est imposé parce qu’il simplifie une réalité technique devenue illisible pour le grand public. AI IQ, site présenté comme un agrégateur, revendique une conversion de 12 benchmarks publics vers un score de QI estimé, ventilé en cinq dimensions : abstraction, raisonnement mathématique, programmation, raisonnement critique et raisonnement agentique. Le site ajoute une note d’intelligence émotionnelle dérivée d’EQ-Bench 3, ce qui élargit encore le champ, même si l’idée même d’un « EQ » de modèle reste controversée dans la communauté de l’évaluation.
En mai 2026, les chiffres mis en avant par AI IQ placent GPT-5.5 d’OpenAI en tête avec 136, devant Opus 4.7 d’Anthropic à 132. Gemini 3.1 Pro de Google suit à 131, à égalité avec GPT-5.4. Cette hiérarchie a une efficacité immédiate sur les réseaux : quatre nombres, quatre logos, une impression de domination nette. Pourtant, le tableau raconte autre chose dès que les écarts se resserrent : entre 129 et 136, la différence peut tenir à un benchmark où un modèle est optimisé, à une variante de prompt, ou à une révision d’algorithmes d’agrégation.
Un second type de classement circule, fondé cette fois sur une échelle inspirée du test Mensa Norvège via un suivi connu sous le nom de TrackingAI. Dans cette grille, Grok-4.20 « Expert Mode » et GPT-5.4 Pro sont donnés à égalité à 145. Le changement de référentiel est important : on quitte une conversion multi-benchmarks pour s’adosser à un test psychométrique popularisé pour les humains, même si l’implémentation exacte et les conditions de passage des modèles restent un sujet de discussion technique. Le résultat, lui aussi, peut devenir un outil de communication plus qu’une photographie stable des capacités.
La courbe temporelle fait partie des éléments les plus frappants pour un lecteur non spécialiste. AI IQ affiche une progression massive entre le 01 octobre 2023 et une fenêtre située trente mois plus tard, où les meilleurs modèles flirtent avec 136. Présenté tel quel, le saut d’environ soixante points suggère une explosion de l’intelligence. Le même graphique, lu avec une grille d’évaluation, montre aussi un phénomène de plafond : quand plusieurs systèmes touchent des zones hautes, les tests existants discriminent moins finement, et l’ordre de tête devient instable.
Tableau comparatif : écarts de scores et nature des mesures
Mettre côte à côte les deux approches aide à comprendre pourquoi le débat devient vite passionné. Un même modèle peut paraître « premier » selon la conversion de benchmarks, puis se retrouver en co-leader sur un test psychométrique. La lecture correcte consiste à voir ces chiffres comme des indicateurs composites, pas comme un QI au sens strict.
| Référentiel | Source citée | Type de base de calcul | Exemples de modèles au sommet | Ordre de grandeur des scores |
|---|---|---|---|---|
| AI IQ (multi-benchmarks) | AI IQ (données mises en avant en mai 2026) | Compilation de 12 benchmarks + conversion algorithmique | GPT-5.5, Opus 4.7, Gemini 3.1 Pro, GPT-5.4 | 129 à 136 pour le haut du classement |
| TrackingAI (Mensa Norvège) | TrackingAI (classements associés au test Mensa Norvège) | Test psychométrique humain adapté au modèle | Grok-4.20 Expert Mode, GPT-5.4 Pro | 141 à 145 pour le haut du classement |
| Benchmarks « durs » | ARC-AGI-2, FrontierMath Tier 4, Humanity’s Last Exam (cités dans la discussion autour d’AI IQ) | Résolution de tâches complexes, parfois proches de la saturation | Varie selon versions et conditions de test | Non exprimé en QI sans conversion |
| EQ-Bench 3 (dérivation) | EQ-Bench 3 (utilisé comme base d’un score dérivé sur AI IQ) | Évaluation de réponses liées à l’intelligence émotionnelle | Varie fortement selon garde-fous et consignes | Score séparé du QI |
Ce panorama confirme un point clé : parler de domination à partir d’un seul score est fragile. Le classement sert surtout à rendre visibles des dynamiques de performance, mais il mélange des unités, des jeux de données et des hypothèses de conversion. Une lecture prudente commence toujours par identifier la base de calcul.
Pour ancrer les enjeux, une vidéo utile consiste à chercher des décryptages qui comparent « Mensa Norvège » et benchmarks IA, car les deux écoles n’isolent pas les mêmes compétences.
Pourquoi le QI n’est pas une mesure fiable de l’intelligence artificielle : limites méthodologiques et erreurs d’interprétation
Le cœur du débat tient à une confusion : un score de QI est une mesure psychométrique normée sur des humains, alors que les modèles d’intelligence artificielle sont des systèmes statistiques entraînés sur des corpus massifs, optimisés pour des tâches et évalués via des métriques techniques. Alan D. Thompson, qui documente l’évaluation cognitive des IA depuis 2021, a synthétisé plusieurs écueils récurrents dans ce type d’exercice. Le premier est conceptuel : appliquer un test conçu pour la cognition humaine à une intelligence non humaine brouille la signification des échelles. Un modèle n’a ni le même développement, ni les mêmes contraintes, ni les mêmes biais perceptifs.
Le deuxième point est statistique. Les tests de QI sont calibrés pour une population générale, et les extrêmes deviennent instables. Thompson rappelle que l’interprétation de scores très élevés (au-delà d’environ 155) est déjà peu fiable entre humains, faute d’effectifs et de granularité suffisante. Transposer cela à des systèmes qui peuvent être évalués des milliers de fois, avec variations de prompt et de température, augmente encore l’ambiguïté : la distribution n’est plus comparable.
Le troisième écueil est la dissociation des compétences. Un modèle peut résoudre des exercices de mathématiques avancées et échouer sur une tâche de sens commun maîtrisée par un enfant. Ce n’est pas un détail : cela signifie que la performance n’est pas « générale » au sens où un test de QI cherche à l’approcher. Les benchmarks modernes tentent d’attraper cette variété, mais l’agrégation en un seul nombre efface les profils. Dans un contexte hardware/produit, cela se traduit concrètement par des assistants très bons en code, médiocres en planification multi-étapes, ou l’inverse selon les versions.
Enfin, un point souvent sous-estimé concerne la fabrication du score. AI IQ, tel que décrit dans les reprises autour de mai 2026, ne fait pas passer de tests originaux : il compile des résultats existants puis applique un algorithme de conversion maison pour produire un QI estimé. L’opération peut être mathématiquement cohérente, mais elle change d’unité sans garantie de sens. VentureBeat, en relayant cette approche (article diffusé autour de mai 2026), souligne une difficulté structurelle : chaque fournisseur publie des benchmarks sélectionnés, parfois conçus pour mettre en avant ses forces. Si deux acteurs ne mesurent pas la même chose avec les mêmes conditions, l’agrégation donne une moyenne de signaux hétérogènes.
Exemples concrets de contresens fréquents autour des scores
Premier contresens : croire qu’un modèle à 136 « pense comme un humain à 136 ». En pratique, ce score dérivé peut surtout refléter une excellence sur quelques familles de tâches, comme le raisonnement symbolique ou la programmation, sans garantir la robustesse en situation. Dans les tests internes de produits, ce décalage se voit quand un assistant réussit un problème abstrait mais se perd dans des consignes ambiguës, ou produit une réponse fluide mais factuellement fausse.
Deuxième contresens : lire une différence de 3 à 5 points comme une supériorité stable. Quand le haut du classement est compressé (129 à 136 sur AI IQ, 141 à 145 sur Mensa), la variance liée aux paramètres d’évaluation peut inverser l’ordre. Dans un environnement de test rigoureux, la différence pertinente n’est pas seulement le score, mais la reproductibilité : même prompt, mêmes conditions, mêmes versions, mêmes garde-fous, mêmes jeux de données.
Troisième contresens : ignorer l’effet « saturation ». VentureBeat rapporte que certains benchmarks très exigeants, cités dans la discussion (ARC-AGI-2, FrontierMath Tier 4, Humanity’s Last Exam), commencent à saturer. Quand un test atteint son plafond, il discrimine moins, et un modèle peut être « meilleur » sans que la métrique le montre nettement. Cela explique pourquoi les classements cherchent des conversions globales, tout en rendant la lecture encore plus fragile.
Ce panorama mène à une position claire : un classement QI peut aider à vulgariser des progrès, mais il ne suffit pas pour conclure à une domination durable entre modèles. Une évaluation sérieuse doit être multi-axes et contrôlée.
Pour compléter, une autre vidéo pertinente est celle qui explique la différence entre « benchmark leaderboard » et « tests psychométriques », car les objectifs ne sont pas alignés.
Décryptage des benchmarks convertis en QI : ARC-AGI, GPQA, FrontierMath et l’effet “tour de Babel”
Les benchmarks sont devenus le langage commun des laboratoires, mais ils ne forment pas un système de mesure unifié. AI IQ affirme compiler 12 benchmarks publics, dont ARC-AGI, GPQA et FrontierMath, puis convertir ces résultats en QI estimé. Sur le papier, l’idée est séduisante : prendre des scores disparates et les ramener à une échelle unique. Dans les faits, chaque benchmark a sa philosophie, ses biais, et ses modes de passage. Un modèle « agentique » qui planifie des actions et gère des outils n’est pas évalué de la même manière qu’un modèle qui excelle en questions-réponses académiques.
VentureBeat, dans l’article qui a contribué à populariser AI IQ autour de mai 2026, décrit une « tour de Babel » : les éditeurs publient leurs propres tableaux, parfois avec des variantes, des splits de données différents, ou des conditions d’inférence non comparables. Même quand le benchmark est public, la manière de le passer peut varier : chaîne de pensée masquée, utilisation d’outils externes, limites de temps, température, ou post-traitement. Pour un lecteur orienté hardware, c’est l’équivalent de comparer des scores CPU sans préciser la consommation, le refroidissement, la RAM ou la version du microcode.
Le débat devient passionné quand un classement prétend trancher la domination à partir d’un mélange. Un exemple typique : un modèle peut être optimisé pour GPQA (questions scientifiques de haut niveau), alors qu’un autre est plus robuste sur ARC-AGI (raisonnement abstrait sur des grilles). Si l’algorithme d’agrégation pondère fortement un benchmark, il change la hiérarchie. Si les pondérations ne sont pas transparentes, le score final devient difficile à auditer.
Ce que mesurer “sur cinq dimensions” change (et ce que cela masque)
AI IQ annonce cinq dimensions : abstraction, mathématiques, programmation, raisonnement critique, raisonnement agentique. Cette décomposition a un mérite : elle rappelle qu’un système ne se résume pas à un seul score. Le problème survient quand ces axes sont ré-agrégés en un QI global, car la somme gomme les profils atypiques. Dans les tests de produits, un modèle « très code » peut être le meilleur choix pour un IDE, tandis qu’un autre sera plus fiable pour de la synthèse documentaire. Le classement global, lui, peut faire croire à une supériorité universelle.
Pour rendre la lecture plus opérationnelle, une liste de vérifications simples aide à évaluer la solidité d’un classement avant de le partager ou de l’utiliser en achat ou en intégration.
- Vérifier si les versions exactes des modèles sont indiquées (ex. GPT-5.5 vs GPT-5.4), car une révision peut déplacer le score.
- Exiger les conditions de test : prompts, température, outils autorisés, limites de temps, et règles de scoring.
- Identifier si les benchmarks sont publics, reproductibles, et si les jeux de données ont été modifiés.
- Regarder la dispersion des scores au sommet : un écart de 2 à 7 points, sur une conversion, peut être peu significatif.
- Contrôler la transparence des pondérations si un algorithme d’agrégation calcule un score unique.
- Comparer avec au moins un référentiel orthogonal (par exemple un test type Mensa Norvège ou un set de tâches “in the wild”).
Une lecture informée ne rejette pas les benchmarks, elle les remet à leur place : ce sont des outils de mesure partiels, utiles pour suivre une tendance, insuffisants pour décréter une domination générale.
Quels modèles “dominent” vraiment selon l’usage : performance, robustesse, coût d’inférence et contraintes hardware
Dans les discussions de classement, la domination est souvent réduite à un nombre. En production, ce qui domine est plus composite : la stabilité des réponses, la latence, le coût d’inférence, la facilité d’intégration, et la compatibilité avec des contraintes de sécurité. Un modèle qui affiche 136 de QI estimé sur AI IQ peut être excellent pour des tâches de raisonnement, mais coûter plus cher à exécuter, ou imposer des limites de débit qui pénalisent un service. À l’inverse, un modèle légèrement moins bien classé peut tenir une charge plus facilement, ou offrir une meilleure prédictibilité dans des workflows agentiques.
Le cas des égalités au sommet illustre ce décalage. Si Grok-4.20 Expert Mode et GPT-5.4 Pro sont à égalité à 145 sur un suivi basé sur Mensa Norvège, cela ne dit rien sur la résistance aux prompts ambigus, sur la capacité à citer des sources, ou sur la gestion des outils externes. Dans le quotidien des équipes IT, ces détails dictent la satisfaction utilisateur plus sûrement que la différence entre 141 et 145.
Les fabricants de modèles mettent aussi en avant des capacités spécifiques, et l’évaluation devrait suivre la même logique. Pour un usage « dev », la programmation et la compréhension de code existant comptent. Pour un usage « support », la cohérence, la gestion du ton, la réduction des hallucinations et la capacité à demander des précisions deviennent centrales. Pour un usage « recherche », la traçabilité et la citation de documents priment, ce que les conversions QI ne capturent pas directement.
Tests pratiques : comment confronter un “QI élevé” à des scénarios réels
Un protocole de test simple, inspiré des méthodes hardware (répétabilité, conditions fixes, métriques multiples), permet de remettre les scores à l’épreuve. Il ne s’agit pas de « battre » un modèle, mais de mesurer des comportements. Exemple concret : faire résoudre un lot de problèmes de logique, puis un lot de tâches de sens commun, puis un lot d’instructions multi-étapes avec contraintes. Les divergences apparaissent vite, surtout quand les consignes interdisent la complétion « créative ».
Un second test utile consiste à imposer une contrainte de temps ou de tokens, comme on impose une enveloppe énergétique à un CPU. Certains modèles gardent une bonne performance sous contrainte, d’autres s’effondrent en qualité. Le coût d’inférence, même s’il n’est pas toujours public, se traduit souvent par une politique de quotas, une latence, ou une limitation de contexte, qui affecte l’usage plus que le classement.
Enfin, l’évaluation agentique mérite une attention spécifique, puisque AI IQ revendique un axe de raisonnement agentique. Tester un agent, c’est mesurer la planification, la gestion des erreurs, et la capacité à revenir à un état cohérent après un échec d’outil. Un modèle peut être très bon sur des QCM et moins fiable sur des actions en chaîne, ce qui rend le score global trompeur pour des intégrations type « copilote ».
Sur ce terrain, la domination se lit moins dans le QI que dans la robustesse en production : stabilité, contrôlabilité, et performance sous contraintes.
On en dit quoi ?
Le classement de QI des IA, tel que mis en avant par AI IQ en mai 2026 (GPT-5.5 à 136, Opus 4.7 à 132, Gemini 3.1 Pro et GPT-5.4 à 131), sert surtout d’outil de vulgarisation et de signal marketing. La domination réelle dépend davantage de tests multi-axes et reproductibles que d’une conversion unique, surtout quand l’écart au sommet tient en quelques points. Pour comparer des modèles, la priorité doit aller à des protocoles de performance sous contraintes (latence, quotas, cohérence, agentique), car ce sont eux qui déterminent la valeur en usage. Les scores type Mensa Norvège (jusqu’à 145 sur certains suivis) restent intéressants comme repère, mais ils ne suffisent pas à départager des choix d’intégration.
AI IQ fait-il passer un vrai test de QI aux modèles ?
Dans la présentation relayée autour de mai 2026, AI IQ ne fait pas passer un test psychométrique complet comme un organisme humain. Le site compile des résultats de benchmarks publics (dont ARC-AGI, GPQA, FrontierMath) et applique un algorithme de conversion pour produire un QI estimé. Cela donne un indicateur lisible, mais la signification psychométrique n’est pas équivalente à un QI humain.
Pourquoi les meilleurs modèles sont-ils si proches dans le haut du classement ?
AI IQ montre une compression au sommet : un groupe de tête peut être séparé par seulement quelques points (par exemple 129 à 136). Quand les benchmarks discriminent moins finement, de petites variations de version, de conditions de test ou de pondération peuvent déplacer l’ordre. Dans ce contexte, la reproductibilité et les métriques par tâche deviennent plus informatives que le rang exact.
Un score sur Mensa Norvège (ex. 145) prouve-t-il une intelligence générale ?
Un score élevé sur un test type Mensa Norvège indique une performance forte sur une famille d’items psychométriques, mais ne couvre pas toutes les compétences utiles en IA. Un modèle peut réussir des items abstraits et rester fragile sur la planification, la gestion d’outils, le bon sens ou la fiabilité factuelle. Il faut compléter par des tests orientés production et par des benchmarks variés.
Comment évaluer une IA pour un usage pro sans se fier au QI ?
Une méthode pragmatique consiste à définir des scénarios réels (support, code, recherche, agentique), à figer les conditions (prompts, contraintes de temps ou de tokens), puis à mesurer plusieurs critères : taux d’erreurs factuelles, cohérence multi-étapes, stabilité des réponses, latence et respect des règles. Cette approche reflète mieux la performance utile qu’un score global dérivé.
