Définir l’intelligence artificielle : un concept complexe difficile à capturer. Souvent réduit à des outils récents et limité aux IAs grand public. Plutôt que de parler technique, cet article va revenir au concept original, et surtout les intentions de recherche qui portent la discipline.
Pour plus de technique : voir mon article comment bien prompter en 2026.
Pour les outils : voir mon article : Début 2026 : quels outils IA utiliser et comment ?
Pour les tarifs et conditions en détail, avec les liens sur les ressources officielles : utiliser l’IA générative en 2026
Pour commencer : l’article fondateur du concept d’Intelligence Artificielle, avant que le terme émerge à la conférence de Dartmouth, c’est « Imitation Game ». Imitation. C’est dans le titre. N’oublions jamais cela.
Une histoire des intentions humaines derrière l’ia, des origines aux débats contemporains
Définition et intention : simuler (imiter) l’intelligence humaine
- L’intention fondatrice (Turing, 1950) : I propose to consider the question, Can machines think? (je propose de considérer la question : les machines peuvent-elles penser?)
- La fondation officielle de la discipline (1957, conférence de Darmouth): « to proceed on the basis of the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it » (procédons sur la base de la conjecture suivante : chaque aspect de l’apprentissage ou toute autre caractéristique de l’intelligence humaine peut en principe être décrit avec une telle précision qu’une machine peut être conçue pour le simuler).
- Définition alternative (Marvin Minsky, co-fondateur de la conférence de Darmouth) : « the science of making machines do things that would require intelligence if done by men » (la science de concevoir des machines qui feront ce qui requiert de l’intelligence si c’est fait par des humains).
D’après le ministère de la recherche et de l’enseignement supérieur français : Intelligence artificielle (IA) : de quoi parle-t-on ?
L’intelligence artificielle est une notion forgée au milieu des années 1950, dans la foulée des réflexions du mathématicien Alan Turing, qui se demandait si un ordinateur saurait un jour « penser », ou s’il n’était capable que d’un « jeu d’imitation » (imitation game).
Le Parlement européen, quant à lui, définit l’intelligence artificielle comme tout outil utilisé par une machine capable de « reproduire des comportements liés aux humains, tels que le raisonnement, la planification et la créativité ».
- Voir aussi le rapport du sénat : ChatGPT, et après ? Bilan et perspectives de l’intelligence artificielle
- Et l’histoire de l’IA (jusqu’en 2024) par IBM (en anglais) : The history of AI
Définir l’IA par opposition à l’informatique classique
L’informatique classique : c’est (en général) de l’automatisation rigide
L’informatique habituelle, c’est la numérisation de procédures. C’est le même principe que les usines automatiques : des étapes figées. Avec beaucoup plus d’étapes, de conditions, de bugs, etc.
- Le rôle : Exécuter sans faillir une suite d’instructions pré-établies.
- La nature : C’est un outil de calcul et de stockage. Si vous demandez à un logiciel de comptabilité classique de « deviner » si une facture est frauduleuse, il ne pourra pas le faire sauf si vous avez écrit une règle de filtrage précise au centime près.
Un programme classique est donc relativement « fiable » (si bien testé) et en général « déterministe » (2 exécutions dans les mêmes conditions = 2 fois le même résultat). Pour sortir de ce « déterminisme » il faut introduire volontairement des éléments de hasard. La difficulté et ce qui semble souvent « non fiable » c’est que les conditions changent. Par exemple, entre un programme exécuté sur un mac et un windows, les conditions ne sont pas les mêmes. De plus, un programme classique peut être lu par un humain et on peut tracer chaque étape : suivre le fil.
- Avantage : relative fiabilité et traçabilité.
- Inconvénient : non flexibilité, non adaptabilité, nécessité de décrire la « manière de répondre aux questions ». Finalement, l’informatique classique reste très « mécanique ».
Ici je simplifie : dans les faits et concernant l’informatique poussée, la frontière est plus nuancée.
Ce n’est pas le cas de l’IA.
L’IA : La simulation de l’intelligence (donc des fonctions cognitives)
Ici, on ne veut plus seulement que la machine exécute « en automate », on veut qu’elle « décide » ou « comprenne ». Cela se divise en deux stratégies :
Le courant symbolique (Top-Down) : « L’IA des experts »
L’humain injecte de la connaissance (et non la façon de faire).
- On construit une base de connaissances (des faits, des règmes) + un moteur d’Inférence (la logique, la manière de raisonner sur ces faits).
- Point de vigilance : C’est de l’IA, mais elle ne « grandit » pas toute seule. Si l’expert se trompe dans une règle, l’IA se trompe systématiquement.
C’est par exemple ce qu’on appelle les systèmes experts. C’est de l’IA « Good Old Fashion AI »
Le courant connectionniste (Bottom-Up) : « L’IA de l’expérience »
C’est le Machine Learning / Deep Learning (en simplifiant, on peut dire que c’est l’apprentissage par analyse statistique : trouver des corrélations, et par essai/erreur).
- On ne lui donne pas les règles de la physique pour reconnaître un chat ; on lui montre 10 000 chats et le réseau de neurones ajuste ses poids statistiques pour reconnaître la « forme chat ».
- C’est comme l’apprentissage par un enfant. Il ne connaît pas les règles de grammaire au début, mais à force d’entendre des phrases, il finit par repérer les structures qui « sonnent juste ».
Et l’IA forte versus l’IA faible ?
Ce que nous utilisons aujourd’hui, c’est l’IA faible (étroite) : elle est très performante sur une tâche précise mais n’a pas de conscience ni de compréhension globale du monde.
A ce jour, il existe des recherches pour réaliser l’IA forte, mais pas de consensus confirmé. Il existe beaucoup d’effets d’annonce, sources de budgets. En particulier, faire « grossir » les IA génératives actuelles en les alimentant de données pour qu’elles fassent naître « la conscience », est probablement un échec : le nombre de textes écrits par des humains et limité, et pour continuer à grossir l’Ia se nourrit de texte écrits par l’IA. Ce qui conduirait potentiellement à l’effondrement (modèle collapse). Attention pas de consensus à 100% là dessus non plus.
Avant le terme “intelligence artificielle” : une idée plus ancienne
Bien avant l’apparition du premier transistor, l’humanité a cherché à matérialiser la pensée et le vivant à travers des substituts mécaniques. Cette préhistoire de l’IA s’articule autour de deux axes : les automates et la formalisation de la logique.
Les automates : dès l’Antiquité avec les mythes de Talos ou les récits d’Héphaïstos (le dieu forgeron qui créé des automates), puis au XVIIIe siècle avec les Jacques de Vaucanson (comme son célèbre canard digérateur), l’objectif était de simuler le comportement biologique par l’ingénierie fine.
Parallèlement, des philosophes et mathématiciens comme Blaise Pascal, avec sa Pascaline (1642), ou Gottfried Wilhelm Leibniz, ont tenté de réduire le raisonnement humain à un calcul arithmétique. Leibniz rêvait d’une caracteristica universalis, un langage universel où toute controverse intellectuelle pourrait se résoudre par un simple « Calculons ! ». Cette période a prouvé que si la machine pouvait déjà imiter le geste ou le calcul, il lui manquait encore une architecture capable de traiter de l’information de manière universelle et flexible.
Ce que les pionniers cherchent à accomplir
- Comprendre l’intelligence humaine en la reproduisant
- Formaliser le raisonnement, le langage, l’apprentissage, la perception
L’Intelligence artificielle est un programme scientifique global. Pas un outil isolé
Simuler, imiter, modéliser l’intelligence humaine
- ChatGPT ou Gemini, Claude, Mistral, etc, sont des modèles de langage. Un modèle ça modélise. Comme un modèle météo simule le comportement de la météo. Ni plus, ni moins.
- Et plus l’imitation est bonne, plus on se laisse aller à anthropomorphiser.
- L’intelligence est alors vue comme ensemble de facultés à imiter.
L’objectif initial n’est pas de créer une intelligence ultime : mais de confier à des machines des tâches que pour l’instant seul l’humain sait faire. Pour déléguer, assister, améliorer, gagner du temps etc.
Les grandes étapes et évolutions de la vision de l’IA
Des ambitions générales aux spécialisations successives
- années 1950–1970 : optimisme et promesses larges
- années 1970–1990 : limitations, “hivers de l’ia” ;: la puissance des machines est bien trop faible pour pouvoir mettre en pratique les théories d’une manière efficace et qui donne des résultats.
- années 2000–aujourd’hui : regain d’intérêt : la puissance de calcul, la mémoire, etc permettent de belles réussites
- 2023 ; le grand public prend conscience de l’existance de l’IA par le biais des modèles de langage (IA génératives)
- On en arrive à une confusion sémantique où on mélange mythe (films catastrophe) et réalité.
La confusion entre intelligence artificielle et apprentissage (machine learning)
Parceque les IAs génératives sont issues du machine learning (et même du deep learning, ce qui est une version plus avancée), les gens pensent que c’est ça, l’IA. Non, c’est un sous-domaine. Et il est important de faire la différence, de comprendre l’intention initiale derrière « intelligence artificielle ». Car la recherche continue : c’est un projet intellectuel avec un objectif. Pas une technologie de pointe.
Conclusion : revenir à l’intention pour mieux comprendre et utiliser l’IA
- En comprenant que l’IA vise à simuler l’intelligence, et que les IAs génératives « langage » simulent le langage et les raisonnements sous-jacents, on l’utilise mieux. On prend des distances avec la hype et le dernier modèle à la mode.
- En réalisant que la puissance des IAs actuelle n’est pas tant dûe à une révolution technologique … qu’à la puissance de calcul et de mémoire disponibles, on comprend aussi les coûts environnementaux qui vont avec.
- On comprend aussi que l’Ia est toujours une question ouverte. Pas une technologie figée.
- On ne sait pas si l’IA forte (celle qui simule entièrement une intelligence humaine) existera un jour. Ni comment.