intelligence artificielle
Ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine.
Avec l’intelligence artificielle (IA), l’homme côtoie un de ses rêves prométhéens les plus ambitieux : fabriquer des machines dotées d’un « esprit » semblable au sien. Pour John McCarthy, l’un des créateurs de ce concept, « toute activité intellectuelle peut être décrite avec suffisamment de précision pour être simulée par une machine ». Tel est le pari – au demeurant très controversé au sein même de la discipline – de ces chercheurs et chercheuses à la croisée de l’informatique, de l’électronique et des sciences cognitives. Malgré les débats fondamentaux qu’elle suscite, l’intelligence artificielle a déjà produit nombre de réalisations spectaculaires et continue de s’immiscer dans le quotidien des humains du monde entier.
1. Historique
L’IA trouve ses racines historiques lointaines dans la construction d’automates, la réflexion sur la logique et sa conséquence, et l’élaboration de machines à calculer.
1.1. Les origines de l’IA
Dès l’Antiquité, certains automates atteignent un haut niveau de raffinement. Ainsi, au ier s. après J.-C., Héron d’Alexandrie invente un distributeur de vin, au fonctionnement cybernétique avant la lettre, c’est-à-dire doté de capacités de régulation, et fondé sur le principe des vases communicants. Rapidement, les savants semblent obsédés par la conception de mécanismes à apparence animale ou humaine. Après les essais souvent fructueux d’Albert le Grand et de Léonard de Vinci, c’est surtout Vaucanson qui frappe les esprits, en 1738, avec son Canard mécanique, dont les fonctions motrices et d’excrétion sont simulées au moyen de fins engrenages. Quant à la calculatrice, elle est imaginée puis réalisée par Wilhelm Schickard (Allemagne) et Blaise Pascal (France) au milieu du xviie siècle. Vers la même époque, l’Anglais Thomas Hobbes avance dans son Léviathan l’idée que « toute ratiocination est calcul », idée qui appuie le projet de langage logique universel cher à René Descartes et à Gottfried W. Leibniz. Cette idée est concrétisée deux siècles plus tard par George Boole, lorsqu’il crée en 1853 une écriture algébrique de la logique. On peut alors espérer passer de la conception de l’animal-machine à la technologie de la machine-homme.
C’est la naissance et l’essor de l’informatique qui permettent de franchir ce premier cap. À partir de 1835, le mathématicien britannique Charles Babbage dresse avec l’aide de la mathématicienne Ada Lovelace les plans de la « machine analytique », ancêtre de tous les ordinateurs, mais sans parvenir à la réaliser. Seul l’avènement de l’électronique, qui engendre d’abord les calculateurs du type ENIAC (electronic numerical integrator and computer) dans les années 1940, permet aux premières machines informatiques de voir enfin le jour, autour de 1950, avec les machines de Johann von Neumann, un mathématicien américain d’origine hongroise. Puis les techniques de l’informatique vont connaître des progrès foudroyants (langages de programmation, miniaturisation des circuits intégrés et micro-ordinateurs, World Wide Web et Internet…) qui vont opérer une révolution de la notion d’intelligence artificielle.
1.2. Naissance et développement de l’IA
Un des théoriciens précurseurs de l’informatique, le mathématicien britannique Alan M. Turing, lance le concept d’IA en 1950, lorsqu’il décrit le « jeu de l’imitation » dans un article resté célèbre. La question qu’il pose est la suivante : un homme relié par téléimprimante à ce qu’il ignore être une machine disposée dans une pièce voisine peut-il être berné et manipulé par la machine avec une efficacité comparable à celle d’un être humain ? Pour Turing, l’IA consiste donc en un simulacre de psychologie humaine aussi abouti que possible.
La relève de Turing est prise par Allen Newell, John C. Shaw et Herbert A. Simon, qui créent en 1955-1956 le premier programme d’IA, le Logic Theorist, qui repose sur un paradigme de résolution de problèmes avec l’ambition – très prématurée – de démontrer des théorèmes de logique. Ce programme est d’ailleurs présenté à la célèbre conférence de Darmouth, organisée à l’été 1956 par les mathématiciens John McCarthy et Marvin Minsky, qui marque la naissance de l’IA comme une science nouvelle et pose les bases de ses champs de recherche (réseaux de neurones, apprentissage machine, modèles de prise de décision…). John McCarthy, qui invente le terme « intelligence artificielle » cette même année 1956, a pour ambition de donner aux robotsl a capacité de raisonner et de décider. Et sa vision de l’IA va irriguer une grande partie des recherches de cette nouvelle discipline. En 1958, au MIT (Massachusetts Institute of Technology), McCarthy invente le Lisp (pour list processing), un langage de programmation interactif : sa souplesse en fait le langage par excellence de l’IA (il sera complété en 1972 par Prolog, langage de programmation symbolique qui dispense de la programmation pas à pas de l’ordinateur). D’autres programmes d’IA sont développés durant ces années 1960, notamment le célèbre agent conversationnel ELIZA, créée en 1966 par l’informaticien Joseph Weizenbaum, capable de simuler une conversation rudimentaire avec des humains.
On est encore loin du véritable traitement automatique du langage naturel (ou NLP pour natural language processing en anglais) qui alimente les chatbots et les assistants virtuels actuels (Siri, Alexa, Cortana, etc.), mais ces premiers programmes d’IA ont jeté les bases de technologies qui vont apparaître progressivement avec les avancées en puissance de calcul, avec la profusion de données numériques sur Internet et les réseaux sociaux, et les innovations algorithmiques qui permettent de les exploiter.
L’histoire de l’intelligence artificielle retient en particulier un événement qui a marqué le monde entier en 1997 : le champion du monde d’échecs Garry Kasparov est battu par l’ordinateur Deep Blue de la société IBM. C’est un tournant aux yeux des spécialistes de l’intelligence artificielle, mais aussi des investisseurs qui vont financer de plus en plus de recherches en IA. Un autre événement de la sorte a lieu en 2016 avec la défaite du champion de jeu de go, Lee Sedol, par le programme Alphago de GoogleDeepMind. L’exploit est retentissant, car le jeu de go comprend encore plus de combinaisons que le jeu d’échecs.
Plus récemment, en 2022, le lancement de l’agent conversationnel ChatGPT de l’entreprise américaine OpenAI, a ouvert la voie à une utilisation massive de l’intelligence artificielle, et en particulier de l’IA générative. Cette utilisation massive d’IA dans quasi tous les domaines de la société entraîne dans son sillage de nombreux questionnements énergétiques, écologiques, sociaux et sociétaux.
2. Les techniques de l’intelligence artificielle
L’intelligence artificielle repose essentiellement sur deux techniques d’apprentissage : l’apprentissage automatique (ou machine learning) et l’apprentissage profond (ou deep learning).
2.1. Apprentissage automatique ou machine learning
L’apprentissage automatique (ou machine learning) est une technique utilisée en intelligence artificielle, qui consiste à laisser des algorithmes découvrir des motifs récurrents (ou patterns en anglais) dans les ensembles de données. Ces données peuvent être des chiffres, des mots, des images… À chaque problème à résoudre en machine learning correspond un type particulier d’apprentissage :
• apprentissage supervisé : l’algorithme apprend à partir d’un ensemble de données étiquetées (les données d’entraînement sont des données spécifiques facilement repérables par l’algorithme). Il est ainsi adapté aux tâches de classification, comme par exemple la détection de spams, ou de prédiction, comme les prévisions météorologiques ;
• apprentissage non supervisé : l’algorithme doit repérer et extraire des structures récurrentes dans les données sans étiquettes. Il est donc utilisé pour l’analyse exploratoire de grandes quantités de données, comme par exemple la détection d’anomalies dans les secteurs financiers et banquiers ;
• apprentissage par renforcement : l’algorithme apprend en interagissant avec un environnement en s’appuyant sur la méthode « essai-erreur » et sur la fonction de récompense. L’apprentissage par renforcement est ainsi notamment utilisé dans les applications de recommandation : à chaque interaction de l’utilisateur ou de l’utilisatrice avec une publicité proposée, l’algorithme apprend quels types de publicité afficher pour optimiser les ventes de produits.
Ainsi, le maching learning offre aux machines la faculté d’apprendre de leurs expériences, et rend possible des tâches autrefois considérées comme exclusivement humaines.
2.2. Apprentissage profond ou deep learning
L’apprentissage profond (ou deep learning) est un type d’intelligence artificielle dérivé du machine learning (apprentissage automatique) où la machine est capable d’apprendre par elle-même à partir de grandes quantités de données.
L’apprentissage profond implique des réseaux de neurones artificiels (algorithmes modelés sur le fonctionnement du cerveau humain) composés de dizaines, voire de centaines de couches, permettant le traitement de motifs de données complexes (→ neurone formel). Le principe repose sur le fait que chaque couche de neurones reçoit et interprète les informations de la couche précédente. Par exemple, dans le traitement d’images, à travers un processus d’autoapprentissage, le réseau de neurones est capable d’identifier et de délimiter une tumeur sur des images médicales. De la même manière, le deep learning peut également être utilisé à des fins de vidéosurveillance dite algorithmique : le réseau de neurones est capable d’analyser en temps réel et en continu les données capturées par les caméras, ce qui pose parallèlement des questions éthiques concernant les libertés individuelles.
Au-delà de la reconnaissance d’images et le diagnostic médical, le deep learning est utilisé dans des domaines très variés, notamment la traduction automatique, les agents conversationnels (ou chatbots), la détection de malwares (logiciels frauduleux), la modération automatique des réseaux sociaux, mais également dans l’industrie pour les véhicules autonomes et l’identification de pièces défectueuses, ainsi que dans le secteur financier (anticipation des fluctuations des marchés financiers, identification des opportunités d’achat ou de vente, repérage et bloquage de transactions frauduleuses…).
3. Les différents types d’IA et leurs applications
Aujourd’hui, l’IA est omniprésente dans notre environnement, qu’il soit professionnel ou personnel. Il existe ainsi différents types d’IA, conçus chacun pour un objectif spécifique.
3.1. L’IA conversationnelle
L’IA conversationnelle est implémentée dans les chatbots et les assistants virtuels pour permettre des interactions en langage naturel entre les humains et les machines par le biais d’interfaces textuelles ou vocales. Elle combine des modèles d’apprentissage automatique (machine learning) et de traitement automatique des langues pour simuler une conversation humaine. Les systèmes d’IA conversationnelle sont entraînés sur de gigantesques ensembles de données contenant un éventail extrêmement large d’exemples de langage humain. En effet, le système sera d’autant plus performant s’il arrive à comprendre les nuances du langage, en particulier le contexte de la conversation et l’intention de l’interlocuteur ou de l’interlocutrice. De plus, les systèmes d’IA conversationnelle sont capables d’apprendre de chaque interaction et de fournir ainsi des réponses toujours plus précises et personnalisées. C’est donc une technologie de choix pour les sites marchands où elle est utilisée pour proposer des recommandations personnalisées.
L’IA conversationnelle est également très utilisée dans le service client où elle alimente les chatbots qui fournissent une assistance en continu vingt-quatre heures sur vingt-quatre. Dans le même esprit, on la retrouve dans l’industrie automobile dans les systèmes d’infodivertissement et de navigation embarqués (→ GPS) avec lesquels les automobilistes interagissent généralement à l’aide d’assistants vocaux.
3.2. L’IA prédictive
L’IA prédictive prévoit des résultats basés sur l’analyse statistique de grandes quantités de données historiques et des tendances existantes. Elle s’appuie également sur l’apprentissage automatique (machine learning) pour le traitement des données collectées, et permet ainsi d’analyser les comportements passés et d’anticiper des comportements futurs, de détecter des anomalies et de prédire des résultats futurs avec une haute probablité, sans supervision humaine.
L’IA prédictive est ainsi devenue incontournable dans les secteurs de la finance (prédiction des performances des actions, tendances économiques… → bourse), de la santé (aide au diagnostic, identification de facteurs de risque…) et du marketing (anticipation de la demande et des tendances du marché…).
3.3. L’IA traditionnelle
L’IA traditionnelle, également connue sous le nom d’IA étroite ou faible, automatise et optimise des tâches spécifiques. Elle s’appuie sur des modèles de machine learning avec des règles et des algorithmes prédéfinis (apprentissage supervisé). De ce fait, elle est surtout utilisée dans les secteurs où les tâches sont répétitives et pour lesquelles sont privilégiées l’efficacité et la précision des résultats, comme la fabrication de produits industriels ou le traitement de données (détection de fraudes, systèmes de recommandation…).
3.4. L’IA générative
L’IA générative, également connue sous le nom d’IA créative ou forte, est une technologie qui sert à produire des contenus nouveaux, comme du texte, des images, du code, de la musique, des vidéos…, en réponse à des prompts (invites de langage naturel simples). Il n’est donc pas nécessaire de savoir coder pour utiliser les IA génératives, ce qui explique l’engouement fulgurant pour ce type de technologie.
D’un point de vue technique, l’IA générative utilise le deep learning, qui gère des tâches complexes et des collections de données volumineuses pour créer du contenu. Elle permet à la fois d’analyser de grands ensembles de données pour comprendre les relations au sein des données, mais également de s’adapter et de s’améliorer au fil du temps en apprenant continuellement à partir de nouvelles données (apprentissage non supervisé).
L’exemple le plus connu d’IA générative est le chatbot (agent conversationnel) ChatGPT, développé par l’entreprise américaine OpenAI et mis à disposition du grand public dans une version gratuite à la fin de l’année 2022. L’IA générative implémentée dans ce chatbot permet de rédiger des textes, d’organiser des idées, d’écrire du code, ou de générer des visuels à la demande à l’aide de simples prompts ou même en mode vocal. ChatGPT est notamment devenu le « meilleur ami » des élèves de collège et de lycée en leur fournissant clés en main rédactions, dissertations, résumés, commentaires de textes et autres devoirs à la maison.
Mais l’IA générative a envahit bien d’autres domaines de notre environnement. On la retrouve par exemple en ingénierie pour concevoir de nouveaux prototypes, en informatique pour l’automatisation des tâches de programmation répétitives et en aide à l’écriture de lignes de code, dans le domaine des jeux vidéos pour la création de scénarios, de personnages, de sons, dans le domaine de la santé où elle est une aide précieuse à la création de nouvelles molécules… La liste des secteurs d’activités utilisant l’IA générative est longue et les applications infiniment variées.
4. Débats, enjeux et perspectives
Depuis sa naissance, l’intelligence artificielle a essuyé de nombreuses critiques de la part de philosophes, de linguistes, d’informaticiens, de biologistes…, qui considéraient notamment qu’il était vain d’essayer de décrire le système cognitif humain comme un système purement logique, qu’une IA ne possède pas d’intentionnalité, qu’elle n’a pas de conscience…
Mais les récents progrès fulgurants réalisés en intelligence artificielle, en particulier en IA générative, défient ces critiques historiques. Toutefois, la prolifération d’intelligence artificielle dans l’ensemble de notre environnement quotidien, professionnel et personnel, et plus généralement dans toutes les activités économiques, sociales, politiques, financières et militaires, génère de nombreuses inquiétudes et questions, notamment pour les droits humains.
4.1. IA et emploi
L’une des principales préoccupations des populations devant le développement foudroyant de l’IA est la perte potentielle d’emplois (→ chômage), engendrée par une nouvelle vague d’automatisation de tâches. En effet, tous les métiers dont les tâches sont standardisées, répétitives et facilement modélisables par des algorithmes sont concernés : principalement les fonctions support et les relations clients des grandes entreprises, mais aussi certains métiers dans le secteur médical, dans l’audiovisuel et les médias. Dans un premier temps, ce sont donc principalement des emplois à faible qualification qui sont les plus touchés, ce qui concerne malheureusement souvent les jeunes travailleurs et travailleuses.
L’IA est ainsi en passe de transformer le travail dans quasi tous les secteurs, à l’exception des métiers manuels (plomberie, électricité, cuisine, boulangerie, salons de coiffure, service de nettoyage, service à la personne…). Mais en contrepoint, la transformation des métiers engendrée par l’utilisation massive d’IA va nécessiter de nouvelles compétences et qualifications. L’IA va donc également créer de nouveaux métiers qui n’existent pas encore.
À chaque révolution technologique, l’emploi a été boulversé avant de retrouver un certain équilibre. On peut espérer que ce sera également le cas avec l’intégration de l’IA dans notre quotidien…
4.2. IA et impact environnemental
Si le recours à l’IA générative est devenu un réflexe quotidien pour beaucoup de personnes à travers le monde, il faut savoir que la puissance de calcul que nécessite chaque requête est extrêmement énergivore : en 2026, l’IA (à l’échelle mondiale) utilise près de 2 % de l’électricité mondiale. De plus, les data centers utilisés pour faire fonctionner l’IA générative utilise une énorme superficie au sol (les plus grands data centers ont des tailles allant de 500 000 à 1 000 000 mètres carrés !), faisant ainsi concurrence à une utilisation agricole de ces terres.
Par ailleurs, l’extraction de certains minerais comme le cobalt (utilisé pour la fabrication des batteries) met en péril la santé des populations en charge de leur extraction (notamment en République démocratique du Congo) et entraîne la pollution des eaux et des terres autour des lieux d’extraction.
Enfin, le développement fulgurant et massif de l’IA contribue à une augmentation très significative des émissions de CO2, d’autant que l’empreinte environnementale du numérique correspond déjà à 4 % des émissions de gaz à effet de serre (GES) dans le monde en 2025.
De plus, les « géants de la tech » continuent d’investir massivement dans le développement de data centers (529 milliards d’euros en 2026), ce qui va encore accentuer leur empreinte carbone. Avec déjà plus de 11 800 data centers en activité dans le monde en 2026, dont plus d’un tiers sont implantés aux États-Unis (la France arrive au 5e rang), on peut se demander si le développement de l’IA est un besoin absolument nécessaire ou du moins s’il ne conviendrait pas de chercher « le juste niveau de technologie au service d’un besoin réel » comme le préconise l’Agence de la transition écologique (Ademe).
4.3. IA et désinformation
L’intelligence artificielle est une technologie facilement dévoyée à des fins de désinformation de masse. Parmi les nombreux outils d’IA utilisés pour influencer l’opinion publique, on trouve les bots, ces robots qui imitent l’activité humaine sur les réseaux sociaux pour spammer du contenu ou diffuser de fausses informations. Mais plus pernicieux que les bots, les montages photo ou vidéo (deepfakes), dont il est de plus en plus difficile de voir qu’il s’agit de trucages, prolifèrent sur les réseaux sociaux et contribuent à disséminer du doute un peu partout et à alimenter les théories du complot. Ces hypertrucages sont d’ailleurs très utilisés lors de campagnes présidentielles pour attribuer de faux propos aux candidats en lice. Il ressort de cette désinformation massive un sentiment paranoïaque, une perte de repères et de confiance généralisée envers les institutions politiques et médiatiques, ce qui est assez préoccupant pour la démocratie en général.
4.4. IA, règlementation et protection des données personnelles
En raison de la prolifération exponentielle de l’IA dans tous les secteurs, il est très important de mettre en place un arsenal législatif (→ loi) mondial pour encadrer son utilisation. Un premier texte de règlementation de l’IA au niveau européen a d’ailleurs été adopté en 2024 : l’Artificial Intelligence Act (AI Act). C’est le premier texte au monde visant à encadrer l’utilisation et le développement de systèmes d’IA au regard des risques qu’ils font peser sur les droits fondamentaux.
Avec le Digital Services Act (DSA), loi adoptée en 2023 sur les services numériques, qui oblige les plateformes des géants de la tech à gérer les risques systémiques posés par leurs services (tels que l’incitation à la haine et la diffusion de fausses informations) sous peine d’amende allant jusqu’à % de leur chiffre d’affaires mondial – voire l’interdiction de leurs activités sur le marché européen –, l’Union européenne montre la voie d’une règlementation éthique du numérique.
Toutefois, les systèmes intégrant de l’intelligence artificielle sont entraînés à l’aide de gigantesques bases de données. Or ces ensembles de données intègrent les préjugés et biais des personnes qui les ont créées. L’IA perpétue donc les stéréotypes et accentue les discriminations déjà existantes, en particulier le racisme (aux États-Unis, la police utilise une IA pour prédire la récidive criminelle qui cible deux fois plus les accusés Noirs que les accusés Blancs), et le sexisme (par exemple, certains algorithmes utilisés dans des outils d’accès à l’emploi écartent systématiquement les femmes des secteurs informatique ou du bâtiment).
Dans un autre registre, le renforcement de la règlementation face à la cybercriminalité est essentiel. En effet, les montages photo et vidéo générés par IA (ou deepfakes) sont majoritairement des contenus à caractère pornographiques dégradant des femmes et des contenus pédocriminels. De plus, la fraude pilotée par IA évolue à un rythme alarmant et fait peser des risques financiers et de réputation toujours plus importants sur les entreprises et sur les individus en général.
Dans le registre de la surveillance, l’IA est fortement utilisée via les technologies de reconnaissance faciale pour surveiller des populations au quotidien dans les métros, gares, aéroports, frontières…, ou lors de grands événements (sportifs, musicaux, politiques…). Bien entendu, ces types de surveillance s’appliquent différemment selon les lois de chaque pays.
Enfin, un autre secteur nécessitant un encadrement très strict de l’utilisation de l’IA est celui de l’industrie militaire. En effet, l’émergence de nouveaux types de robots militaires, appelés « robots tueurs », toujours plus autonomes et capables de choisir leurs propres cibles via leurs algorithmes et de les attaquer sans contrôle humain sont déjà sur le marché. Par conséquent, en cas d’erreur ou de crime commis par une machine, les questions de responsabilité et de respect du droit de la guerre sont clairement posées.
4.5. IA et risque existentiel
Les machines vont-elles remplacer les humains ? La science-fiction le prédit depuis des décennies. Déjà en 1966, dans son livre intitulé Les androïdes rêvent-ils de moutons électriques ? (qui sera adapté au cinéma en 1982 par Ridley Scott sous le titre Blade Runner), Philip K. Dick pose la question de ce qui différencie l’être humain de l’androïde et ce qui fait son humanité ? À partir de la fin des années 1960, la question du risque existentiel de l’humanité va essaimer dans l’esprit du grand public avec l’invasion des machines et des androïdes sur grands écrans, notamment avec 2001 l’Odyssée de l’espace (1968) et son célèbre ordinateur de bord doté d’une intelligence artificielle HAL, puis avec le premier film de la saga Alien (1979), dans lequel l’androïde passe haut la main pour un humain. Le remplacement de l’humanité par les machines dotés d’intelligence artificielle est au cœur du film iconique Terminator (1984) de James Cameron et atteint même son paroxysme dans la trilogie Matrix (dont le premier opus est sorti en 1999) des sœurs Wachowski, dans laquelle les machines ont pris le contrôle de la planète et utilisent les êtres humains comme source d’énergie.
Toutefois, « concevoir une machine dotée d’émotions ou de buts personnels et capable de se faire passer pour un humain est aujourd’hui (en 2026) totalement illusoire », selon le chercheur Frédéric Landragin (spécialiste en linguistique et en traitement automatique des langues au CNRS).
Conscients de cette réalité et face aux avançées phénoménales de l’IA générative, de nombreux scénaristes se tournent désormais vers des mondes où l’IA est omniprésente dans l’environnement des humains, comme dans le film Her de Spike Jonze, sorti en 2013, dans lequel le personnage principal tombe amoureux d’une IA conversationnelle et pose la question de savoir si on peut vraiment remplacer un humain par une IA dans les relations amoureuses ?
La thématique opposant les machines et les humains est une éternelle source d’inspiration pour les auteurs et autrices de science-fiction. Espérons que les scénarios catastrophiques de SF ne se transforment pas en réalité…