Intelligence artificielle : définition, histoire et enjeux

L'intelligence artificielle n'est pas une technologie unique, mais un champ de recherche et d'ingénierie qui vise à reproduire, sur une tâche donnée, des capacités que l'on attribue à l'intelligence humaine : reconnaître un visage, traduire une phrase, jouer aux échecs, recommander un produit ou résumer un document.

Le terme apparaît en 1955 dans le projet de la conférence de Dartmouth, rédigé par John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon. Les organisateurs partent d'une hypothèse audacieuse : chaque aspect de l'apprentissage et de l'intelligence peut, en principe, être décrit assez précisément pour qu'une machine le simule. Soixante-dix ans plus tard, cette ambition a produit des systèmes très performants, mais toujours spécialisés.

L'IA est la discipline la plus large d'une série d'ensembles emboîtés : le machine learning est la branche de l'IA qui apprend à partir de données, le deep learning est la famille du machine learning fondée sur des réseaux de neurones profonds, et l'IA générative applique le deep learning à la production de contenus. Une IA n'apprend donc pas forcément : un système expert qui applique des règles écrites à la main relève aussi de l'IA.

À retenir : l'IA se définit par la tâche accomplie, pas par la technique employée. Règles logiques, statistiques ou réseaux de neurones sont autant de moyens d'y parvenir.

La distinction entre IA faible et IA forte vient de la philosophie de l'esprit, notamment des travaux de John Searle au début des années 1980. Elle reste utile pour lire avec recul les discours sur l'IA.

• IA faible (ou étroite) : un système conçu pour une tâche ou un ensemble de tâches précis. Un filtre anti-spam, un moteur de recommandation, un modèle de vision ou un assistant conversationnel sont des IA faibles. Elles peuvent dépasser l'humain sur leur périmètre, mais n'ont ni conscience ni compréhension générale.
• IA forte : une machine qui posséderait une intelligence comparable à celle d'un humain dans tous les domaines, voire une forme de conscience. On parle aussi d'intelligence artificielle générale (AGI, Artificial General Intelligence).

Les grands modèles de langage brouillent un peu la frontière, car un même modèle sait rédiger, traduire, coder et raisonner sur des sujets variés. Ils restent pourtant des IA faibles au sens strict : ils prédisent des suites de texte plausibles à partir de leurs données d'entraînement, se trompent avec assurance et n'ont pas d'objectifs propres. Notre article sur les LLM détaille leurs capacités et leurs limites.

Depuis ses débuts, l'IA oscille entre deux philosophies. L'IA symbolique (parfois appelée GOFAI, Good Old-Fashioned AI) représente le savoir sous forme de symboles, de règles et de raisonnements logiques. L'IA connexionniste s'inspire du cerveau et fait émerger le comportement de l'ajustement de nombreux paramètres, à partir d'exemples. C'est cette seconde voie, portée par les réseaux de neurones, qui domine depuis les années 2010.

Les deux approches ne s'excluent pas. Les systèmes dits neuro-symboliques combinent un modèle appris et des règles ou des connaissances structurées. Un agent qui s'appuie sur un LLM pour comprendre une demande, puis sur un moteur de règles pour valider une décision réglementaire, en est une illustration concrète.

On regroupe généralement les applications de l'IA selon le type de données traitées ou de capacité visée :

• Vision par ordinateur : classification d'images, détection d'objets, segmentation, lecture de documents.
• Traitement du langage naturel (NLP) : analyse de sentiments, extraction d'informations, traduction, résumé, dialogue.
• Traitement de la parole : reconnaissance vocale, synthèse vocale, identification du locuteur.
• Systèmes de recommandation : suggestion de produits, de contenus ou d'actions à partir des comportements passés.
• Prévision et détection d'anomalies : séries temporelles, maintenance prédictive, fraude.
• Planification, optimisation et robotique : ordonnancement, tournées, contrôle de robots, jeux de stratégie.
• IA générative : production de texte, d'images, de sons ou de code, aujourd'hui au cœur des assistants et des agents IA.

Un modèle d'IA apprend ce que contiennent ses données, y compris leurs déséquilibres. Un outil de tri de candidatures entraîné sur des recrutements passés peut reproduire les préférences de ces recrutements ; un modèle de reconnaissance d'images entraîné sur une population peu diverse fonctionnera moins bien pour les groupes sous-représentés. Ces biais ne se corrigent pas après coup : ils se traitent dès la constitution des données, puis par des métriques d'équité et des tests ciblés.

La transparence est le second enjeu. Expliquer pourquoi un modèle a refusé un crédit ou signalé une transaction est souvent une obligation légale, et toujours une condition de confiance. Les méthodes d'interprétabilité permettent d'éclairer en partie les décisions de modèles complexes.

En Europe, ces exigences sont désormais encadrées par l'AI Act, le règlement (UE) 2024/1689, entré en vigueur le 1er août 2024. Il suit une logique de risque :

• Risque inacceptable : pratiques interdites, comme la notation sociale des citoyens ou certaines formes de manipulation.
• Haut risque : systèmes utilisés dans le recrutement, l'éducation, le crédit, les infrastructures critiques ou la justice, soumis à des exigences de gestion des risques, de qualité des données, de documentation et de supervision humaine.
• Risque limité : obligations de transparence, par exemple informer qu'on dialogue avec une IA ou qu'un contenu a été généré.
• Risque minimal : la grande majorité des usages, sans obligation spécifique.

Le texte prévoit aussi des obligations propres aux modèles d'IA à usage général, comme les grands modèles de langage. Son application est progressive : les pratiques interdites le sont depuis février 2025, et les autres obligations entrent en vigueur par étapes. Notre article sur l'IA responsable et de confiance détaille les principes à mettre en œuvre.