L'intelligence artificielle (IA) est la discipline de l'informatique qui étudie comment construire des systèmes capables de réaliser des tâches qui, accomplies par des personnes, exigeraient de l'intelligence : percevoir, raisonner, apprendre de l'expérience, comprendre le langage ou prendre des décisions. Le terme est né en 1956 lors de la conférence de Dartmouth, mais il convient de dégonfler le mythe dès le départ : ce que nous appelons aujourd'hui IA ne pense ni ne comprend comme un être humain. Ce sont des systèmes statistiques qui reconnaissent des motifs dans de grands volumes de données et produisent des prédictions. Cette distinction n'est pas pédante, c'est la base pour comprendre ce que ces outils peuvent et ne peuvent pas faire.
IA faible face à l'IA forte
La séparation conceptuelle la plus utile est celle proposée par le philosophe John Searle entre IA faible et IA forte. L'IA faible (ou étroite, narrow AI) est conçue pour résoudre une tâche concrète : classer les courriels comme spam, recommander des produits, transcrire de la voix ou conduire un véhicule. C'est la seule IA qui existe aujourd'hui, sans exception. Aussi impressionnant que puisse paraître un assistant conversationnel, il reste un système spécialisé dans la prédiction de séquences de texte plausibles, et non un esprit général.
L'IA forte ou intelligence artificielle générale (AGI) serait un système doté d'une capacité cognitive comparable à celle de l'humain dans n'importe quel domaine, capable de transférer des connaissances d'une tâche à une autre et de raisonner de façon autonome. Elle n'existe pas, et la communauté scientifique n'a pas de consensus sur le moment (ni sur le fait) où elle arrivera. Confondre les deux concepts conduit à des attentes irréalistes et à des décisions d'investissement erronées : aucun système actuel ne remplace le jugement humain, il l'assiste.
Machine learning : comment une machine apprend
Le moteur de presque toute l'IA pratique est l'apprentissage automatique (machine learning), une approche dans laquelle le système infère des règles à partir de données au lieu de les recevoir programmées à la main. On distingue trois paradigmes :
- Apprentissage supervisé : le modèle apprend à partir d'exemples étiquetés (des entrées avec leur réponse correcte). C'est le cas de la régression, qui prédit des valeurs continues comme un prix, et de la classification, qui attribue des catégories comme « fraude » ou « non-fraude ». Il nécessite des données étiquetées de qualité, qui sont généralement coûteuses à produire.
- Apprentissage non supervisé : le modèle cherche une structure dans des données non étiquetées. Le clustering, par exemple, regroupe des clients au comportement similaire pour la segmentation de marché.
- Apprentissage par renforcement : un agent apprend par essai-erreur en maximisant une récompense, paradigme utilisé en robotique, dans les jeux et l'optimisation de processus.
Deep learning, réseaux de neurones et transformers
L'apprentissage profond (deep learning) est une branche du machine learning fondée sur des réseaux de neurones artificiels à nombreuses couches, capables d'apprendre des représentations hiérarchiques : les premières couches détectent les bords d'une image, les suivantes les formes, et les dernières les objets complets. Les réseaux convolutifs (CNN) dominent la vision par ordinateur ; les récurrents (RNN) ont été conçus pour les séquences.
Le saut décisif est arrivé en 2017 avec l'architecture Transformer, décrite dans l'article « Attention Is All You Need ». Son mécanisme d'attention permet de traiter de longues séquences en tenant compte du contexte complet, et il est à la base des grands modèles de langage (LLM) qui soutiennent les assistants conversationnels actuels. Il est important de comprendre que ces modèles prédisent le jeton suivant le plus probable : c'est pourquoi ils peuvent produire des affirmations fausses sur un ton assuré, phénomène connu sous le nom d'hallucination. Ce n'est pas une défaillance accidentelle, c'est une conséquence directe de leur nature statistique, et cela oblige à toujours vérifier les sorties dans les contextes critiques.
Types d'IA : tableau récapitulatif
| Type | Ce qu'il fait | Exemple pratique |
|---|---|---|
| IA faible (étroite) | Résout une tâche concrète | Filtre antispam, recommandeur |
| Machine learning supervisé | Prédit à partir d'exemples étiquetés | Détection de fraude |
| Machine learning non supervisé | Trouve des motifs sans étiquettes | Segmentation de clients |
| Deep learning | Apprend des représentations complexes | Reconnaissance d'images |
| IA générative (LLM) | Génère du texte, de l'image ou du code | Assistants et résumés documentaires |
| IA forte (AGI) | Intelligence générale (hypothétique) | N'existe pas à ce jour |
L'AI Act européen : le cadre légal qui change les règles
Toute organisation qui déploie de l'IA dans l'Union européenne doit connaître le Règlement (UE) 2024/1689, connu sous le nom d'AI Act, le premier cadre normatif complet au monde sur l'intelligence artificielle. Sa logique est une approche fondée sur le risque à quatre niveaux. Le risque inacceptable (par exemple, les systèmes de notation sociale ou la manipulation subliminale) est interdit. Le haut risque (IA dans le recrutement, le crédit, les dispositifs médicaux ou les infrastructures critiques) est soumis à des exigences strictes de gestion des risques, de qualité des données, de documentation technique et de supervision humaine. Le risque limité impose des obligations de transparence, comme informer l'utilisateur qu'il interagit avec une machine ou étiqueter le contenu généré artificiellement. Le risque minimal reste essentiellement libre.
Les interdictions ont commencé à s'appliquer en février 2025 et le reste du règlement se déploie de façon échelonnée. À cela s'ajoute le RGPD, qui reste pleinement en vigueur : si un système d'IA traite des données personnelles, il exige une base légale, de la transparence et le respect des droits de la personne concernée, y compris le droit de ne pas faire l'objet de décisions exclusivement automatisées ayant des effets significatifs. La CNIL a publié des orientations spécifiques sur l'IA et la protection des données.
Applications réelles par domaine
Au-delà de la théorie, l'IA génère déjà une valeur mesurable dans des tâches concrètes et circonscrites. En vision par ordinateur, les modèles inspectent des pièces sur une ligne de production et détectent des défauts à une vitesse et une régularité inaccessibles à l'œil humain, ou lisent des plaques d'immatriculation et des documents pour automatiser des démarches. En traitement du langage naturel, ils classent les courriels entrants, extraient des données de contrats, résument des documents volumineux et alimentent des assistants qui résolvent les demandes fréquentes. En analyse prédictive, ils anticipent la demande pour optimiser les stocks, estiment le risque d'impayé ou identifient quels clients ont la plus forte probabilité d'abandonner un service.
Ce qui réunit tous ces cas réussis, c'est la délimitation : ils fonctionnent parce que le problème est bien circonscrit, les données sont disponibles et il existe un critère de réussite clair. Les projets qui échouent sont généralement ceux qui attendent de l'IA qu'elle résolve des problèmes ambigus ou stratégiques que même les personnes n'ont pas bien définis. La règle pratique est simple : l'IA brille dans les tâches répétitives, fondées sur des motifs et avec un retour clair, et elle faiblit dans les décisions qui exigent du bon sens, un contexte large ou une responsabilité ultime.
IA responsable : biais, explicabilité et supervision
Un système d'IA hérite des biais des données avec lesquelles il est entraîné, et peut les amplifier à grande échelle. Un modèle de recrutement entraîné avec des décisions historiques biaisées reproduira cette discrimination sous une apparence d'objectivité technique. C'est pourquoi l'IA responsable n'est pas un ajout éthique optionnel, mais une exigence de qualité et, dans les cas à haut risque, légale. Ses piliers sont l'équité (auditer et corriger les biais dans les données et les résultats), l'explicabilité (pouvoir justifier pourquoi le système a produit une sortie, face aux modèles « boîte noire »), la traçabilité (documenter les données, les versions et les décisions de conception) et la supervision humaine significative, que l'AI Act exige expressément pour les systèmes à haut risque. La norme ISO/IEC 42001, publiée comme premier standard de systèmes de management de l'IA, offre un cadre pour gouverner ces exigences de façon systématique.
Erreurs courantes lors de l'adoption de l'IA en entreprise
- Commencer par la technologie et non par le problème : acheter une solution d'IA sans cas d'usage mesurable qui justifie l'investissement.
- Ignorer la qualité de la donnée : un modèle entraîné avec des données biaisées ou sales perpétue et amplifie ces biais (garbage in, garbage out).
- Faire aveuglément confiance aux sorties : utiliser du texte généré sans vérification humaine dans des contextes juridiques, médicaux ou financiers.
- Oublier la conformité : déployer un cas à haut risque sans la documentation ni la supervision qu'exige l'AI Act.
Foire aux questions
L'intelligence artificielle va-t-elle remplacer mon emploi ?
L'IA automatise des tâches, pas des professions entières. Elle tend à transformer les postes en assumant le répétitif et en laissant aux personnes le jugement, la relation client et la supervision. Le risque réel n'est pas d'être remplacé par l'IA, mais par quelqu'un qui sait mieux s'en servir.
Quelle différence y a-t-il entre IA, machine learning et deep learning ?
Ce sont des cercles concentriques : l'IA est le champ le plus large ; le machine learning est un sous-ensemble qui apprend à partir de données ; et le deep learning est à son tour un sous-ensemble du machine learning fondé sur des réseaux de neurones profonds.
Pourquoi les modèles de langage inventent-ils des données ?
Parce qu'ils prédisent le texte le plus probable, et non la vérité. Ils ne consultent pas une base de faits ; ils génèrent des séquences plausibles. C'est pourquoi, dans tout usage sérieux, leurs sorties doivent être vérifiées au regard de sources fiables.
Ai-je besoin de beaucoup de données pour appliquer l'IA dans une PME ?
Pas toujours. Pour les tâches courantes, il existe des modèles pré-entraînés qui s'adaptent avec peu d'exemples, et de nombreux cas à valeur (relation client, classification documentaire) se résolvent sans construire un modèle de zéro.
Conclusion
Comprendre l'intelligence artificielle passe par l'acceptation d'une idée inconfortable : sa puissance ne vient pas de la pensée, mais de la reconnaissance de motifs à une échelle qu'aucune personne n'atteint. Cette nature statistique explique aussi bien ses réussites spectaculaires que ses hallucinations, et marque exactement où le jugement humain reste indispensable. Pour une entreprise, la valeur ne réside pas dans le fait de suivre la mode, mais dans l'identification de la tâche concrète que l'IA peut le mieux assumer, dans le fait de l'alimenter avec des données de qualité, de maintenir la supervision et de respecter un cadre légal (AI Act et RGPD) qui, en Europe, n'est plus optionnel. L'IA générale n'est pas arrivée ; l'IA utile, oui, et l'avantage reviendra à qui l'intègre avec rigueur plutôt qu'avec enthousiasme. Chez Summum, nous accompagnons cette intégration en mesurant les résultats, sans promettre de magie.