Intelligence artificielle : comprendre les bases, de l'apprentissage automatique à l'IA générative

Algorithme, apprentissage automatique, réseaux de neurones, IA générative, agents : le vocabulaire de l'IA s'est imposé dans le débat public, souvent de façon confuse. Ce que ces mots désignent vraiment, comment ces systèmes apprennent, ce qu'ils savent faire et leurs limites.

5 septembre 20265 min de lecture

L'intelligence artificielle est partout : dans nos téléphones, nos messageries, nos moteurs de recherche, nos outils de travail. Pourtant, les mots qui la décrivent sont souvent employés de façon floue, entre promesses spectaculaires et inquiétudes diffuses. Comprendre les bases permet de mieux utiliser ces outils, de repérer les discours exagérés et de prendre de meilleures décisions, au travail comme dans la vie quotidienne.

Qu'est-ce que l'intelligence artificielle ?

L'intelligence artificielle désigne l'ensemble des techniques qui permettent à une machine de réaliser des tâches que l'on associe habituellement à l'intelligence humaine : reconnaître une image, comprendre une phrase, traduire un texte, recommander un contenu, prendre une décision, générer un texte ou une image. Le terme est ancien : il est apparu dans les années 1950, et la discipline a connu plusieurs vagues d'enthousiasme et de désillusion avant l'essor actuel.

Il est utile de distinguer deux grandes familles :

  • Les systèmes à règles : un humain écrit explicitement les règles (« si la température dépasse tel seuil, déclencher l'alarme »). Ils sont prévisibles, mais incapables de traiter des situations que leurs concepteurs n'ont pas prévues.
  • Les systèmes qui apprennent : au lieu de recevoir des règles, ils les déduisent de très nombreux exemples. C'est l'apprentissage automatique, qui est à l'origine de la plupart des progrès récents.

L'apprentissage automatique

L'apprentissage automatique (en anglais machine learning) consiste à fournir à un programme un grand nombre d'exemples, pour qu'il apprenne à reconnaître des régularités. Pour apprendre à distinguer un courriel légitime d'un spam, on lui montre des milliers de messages déjà classés ; il identifie progressivement les indices qui caractérisent chaque catégorie, puis applique ce qu'il a appris aux nouveaux messages.

On distingue plusieurs modes d'apprentissage :

  • supervisé : les exemples sont étiquetés (ce message est un spam, celui-ci ne l'est pas) ;
  • non supervisé : le système cherche lui-même des regroupements dans des données non étiquetées (par exemple, des profils de clients aux comportements proches) ;
  • par renforcement : le système apprend par essais et erreurs, en recevant des récompenses ou des pénalités (c'est ainsi que des programmes ont appris à jouer à des jeux complexes).

Les réseaux de neurones et l'apprentissage profond

Les réseaux de neurones artificiels sont des modèles mathématiques composés de très nombreuses unités de calcul reliées entre elles, organisées en couches. Leur nom vient d'une lointaine inspiration du cerveau, mais leur fonctionnement reste essentiellement statistique. Quand ils comportent de nombreuses couches, on parle d'apprentissage profond (deep learning).

Ces réseaux ont permis des progrès spectaculaires à partir des années 2010 en reconnaissance d'images, reconnaissance vocale et traduction, grâce à la combinaison de trois facteurs : des quantités massives de données, une puissance de calcul en forte hausse et des améliorations des méthodes d'apprentissage.

L'IA générative

L'IA générative est capable de produire de nouveaux contenus : textes, images, sons, vidéos, code informatique. Les assistants conversationnels comme ChatGPT, Gemini, Claude, Copilot ou Le Chat reposent sur de « grands modèles de langage », entraînés sur d'immenses volumes de textes.

Leur principe de base est de prédire, mot après mot, la suite la plus probable d'un texte, compte tenu de tout ce qui précède. Ce mécanisme apparemment simple, appliqué à une échelle gigantesque puis affiné par des étapes d'entraînement supplémentaires (notamment à partir d'évaluations humaines), produit des réponses étonnamment fluides et pertinentes. Pour approfondir, voyez notre article pour comprendre l'IA générative.

Les agents d'IA

La tendance récente est aux agents : des systèmes qui ne se contentent plus de répondre, mais enchaînent des actions pour atteindre un objectif (chercher des informations, remplir un formulaire, envoyer un email, mettre à jour un tableau), en utilisant d'autres outils. Ils ouvrent des perspectives importantes d'automatisation, mais posent aussi des questions nouvelles de contrôle et de responsabilité, que nous abordons dans notre article sur l'IA agentique pour les PME.

Ce que l'IA fait bien

  • Reconnaître des formes dans de grandes quantités de données : images, sons, textes, transactions ;
  • Classer et trier : spams, documents, demandes clients ;
  • Prédire à partir de l'historique : demande, pannes, risques ;
  • Recommander des contenus ou des produits ;
  • Rédiger, résumer, traduire, reformuler ;
  • Assister la programmation, la création visuelle, la recherche d'informations.

Ses limites

Elle ne comprend pas comme nous

Un modèle de langage manipule des probabilités sur des mots, pas des concepts vécus. Il peut produire un raisonnement convaincant et pourtant faux, ou se tromper sur une question élémentaire.

Les « hallucinations »

Les systèmes génératifs inventent parfois des faits, des chiffres, des citations ou des références qui n'existent pas, avec une grande assurance. Toute information importante doit être vérifiée.

Les biais

Un système apprend à partir de données produites par des humains : il en reproduit les biais, parfois en les amplifiant. Un outil de recrutement entraîné sur des embauches passées peut ainsi reproduire des discriminations.

L'opacité

Il est souvent difficile d'expliquer pourquoi un modèle complexe a produit un résultat donné, ce qui pose problème pour les décisions qui affectent des personnes.

Les données et la vie privée

L'entraînement et l'utilisation de ces systèmes reposent sur des données, parfois personnelles. Ce que vous saisissez dans un outil peut, selon ses conditions, être conservé ou réutilisé.

Le coût environnemental

L'entraînement et l'utilisation des grands modèles consomment beaucoup d'énergie et d'eau pour le refroidissement des centres de données.

Le cadre juridique

L'Union européenne s'est dotée d'un règlement sur l'intelligence artificielle, l'AI Act, qui classe les systèmes selon leur niveau de risque, interdit certaines pratiques et impose des obligations renforcées pour les usages sensibles, ainsi que des règles de transparence. Il s'applique progressivement depuis 2025. Le règlement général sur la protection des données (RGPD) continue de s'appliquer à tout traitement de données personnelles. Notre article sur l'AI Act fait le point.

Comment bien aborder l'IA

  1. Partir des besoins, pas de la technologie : quelle tâche voulez-vous simplifier ?
  2. Tester sur des cas réels, à faible risque, et comparer les outils.
  3. Vérifier systématiquement ce qui compte.
  4. Protéger les données : ne jamais saisir d'informations confidentielles dans un outil non validé.
  5. Se former : savoir formuler une demande et évaluer une réponse change tout (voir notre guide pour débuter avec l'IA générative).
  6. Garder la décision humaine pour tout ce qui affecte des personnes.

L'IA moderne repose surtout sur des systèmes qui apprennent à partir d'exemples. Elle excelle pour reconnaître, classer, prédire et générer du contenu, mais elle peut se tromper, reproduire des biais et manquer de transparence. Bien utilisée, avec vérification et discernement, elle est un formidable outil d'assistance.

Nos ateliers « comprendre et utiliser l'IA » donnent à vos équipes les bases pour utiliser ces outils efficacement et prudemment, à partir de leurs vrais cas d'usage.

Organiser un atelier IAPrendre rendez-vous

Tout le journal