Demandez à dix personnes d’expliquer l’intelligence artificielle, vous obtiendrez onze réponses différentes - dont au moins trois catastrophistes. Depuis que ChatGPT a débarqué fin 2022, le sujet s’est retrouvé partout : à la une des journaux, dans les réunions d’équipe, jusque dans les dîners de famille où votre oncle vous demande si un robot va lui piquer son boulot. Le souci ? Les explications qu’on trouve en ligne sont soit truffées de jargon mathématique, soit tellement simplifiées qu’elles ne veulent plus rien dire. On va essayer de trouver le juste milieu.
Mais au fond, l’IA, ça fait quoi ?#
Laissons tomber les définitions Wikipedia. Concrètement, quand on parle d’intelligence artificielle, on parle d’un logiciel qui réalise des tâches qu’on réservait jusque-là aux humains. Repérer un chat sur une photo (oui, Internet adore les chats). Traduire un mail de l’anglais au français. Vous suggérer la prochaine série à binge-watcher. Écrire un résumé de réunion à votre place.
Derrière tout ça, aucune magie. Que des maths. Énormément de statistiques, un peu d’algèbre linéaire, et des montagnes de données. Le programme ne “pense” pas - il repère des schémas récurrents et les reproduit, un peu comme un perroquet très, très doué en calcul mental.
Prenons un cas que vous connaissez : le filtre anti-spam de Gmail. Ce filtre a ingurgité des milliards de messages classés “spam” ou “pas spam” par des humains. Au fil du temps, il a dégagé des patterns - tel type de formulation, telle provenance, tel lien suspect. Résultat : quand un nouveau mail arrive, le filtre lui attribue un score de probabilité. Au-dessus du seuil, direction la poubelle. Personne n’a écrit une règle pour chaque cas. Le programme a trouvé les règles tout seul.
Le jargon traduit en français normal#
Trois termes reviennent en boucle dans les articles sur l’IA. On les démêle ici.
Machine learning - ou apprentissage automatique. L’idée centrale : au lieu de coder des instructions précises pour chaque situation, on fournit des tonnes d’exemples au logiciel et il apprend les règles par lui-même. Comme un gamin qui apprend à reconnaître un chien non pas parce qu’on lui a donné la définition du dictionnaire, mais parce qu’on lui a montré 10 000 photos de chiens. Le machine learning fonctionne pareil, sauf qu’il lui faut plutôt 10 millions de photos.
Deep learning - ou apprentissage profond. C’est du machine learning dopé aux réseaux de neurones artificiels. Ces réseaux - qui n’ont de “neuronal” que le nom, rassurez-vous - superposent des couches de calcul pour analyser des données brutes. Image par image, mot par mot. Le “profond” fait référence au nombre de couches empilées, pas à une quelconque conscience philosophique. C’est grâce au deep learning que votre téléphone déverrouille la porte quand il voit votre visage, même si vous avez les cheveux en bataille et les yeux mi-clos à 7h du matin.
IA générative. La star du moment. Ce sont les IA qui créent du contenu neuf : du texte, des images, de la musique, du code informatique. ChatGPT, Claude, Midjourney - tous ces outils appartiennent à cette catégorie. Leur secret ? Des modèles gavés avec des quantités astronomiques de textes et d’images (grosso modo, une bonne partie d’Internet) qui ont fini par intégrer les structures du langage et de la création visuelle. Quand vous posez une question à ChatGPT, il ne cherche pas la réponse dans une base de données. Il génère la suite de mots la plus statistiquement probable, mot après mot.
Si on devait dessiner une hiérarchie : l’IA, c’est le grand chapeau. Le machine learning, c’est une technique sous ce chapeau. Le deep learning, c’est une version musclée du machine learning. Et l’IA générative, c’est une application concrète du deep learning.
Vous utilisez déjà l’IA sans le savoir#
Petit inventaire (non exhaustif) des moments où l’IA travaille pour vous au quotidien.
Les recommandations. Netflix ne choisit pas vos suggestions au hasard. La plateforme analyse ce que vous regardez, ce que vous arrêtez au bout de cinq minutes, ce que des millions de profils similaires au vôtre ont adoré - et propose une sélection calibrée. Spotify fait pareil avec Discover Weekly. Amazon aussi, version shopping. Derrière chaque “Vous aimerez aussi”, il y a du machine learning qui tourne.
Le GPS en temps réel. Quand Waze vous dit “arrivée dans 23 minutes” et tombe pile, ce n’est pas un devin. L’application agrège les données GPS de tous les conducteurs connectés, croise ça avec l’historique du trafic, la météo, les accidents signalés - et ajuste le trajet en direct. Plus les gens utilisent Waze, plus ses prédictions s’améliorent. C’est le machine learning en action, sur la route.
La traduction automatique. Il y a quinze ans, Google Translate produisait des traductions comiques. Aujourd’hui, DeepL sort des textes souvent bluffants, surtout de l’anglais vers le français. Les traducteurs professionnels ont d’ailleurs changé leur façon de travailler : beaucoup partent du brouillon de l’IA, puis affinent et corrigent. Le gain de temps est réel.
Le médical. Et c’est sans doute l’application la plus impressionnante. Des systèmes d’IA repèrent aujourd’hui certains cancers sur des mammographies ou des scanners pulmonaires avec une précision qui rivalise avec celle de radiologues chevronnés. Plusieurs CHU en France intègrent déjà ces outils dans leur workflow de diagnostic.
Là où ça coince (et on n’en parle pas assez)#
L’IA a aussi ses angles morts. Des vrais, pas des détails.
L’invention pure et simple. Demandez à ChatGPT de vous citer trois études scientifiques sur un sujet pointu. Il y a de bonnes chances qu’il en fabrique au moins une de toutes pièces - avec un titre crédible, des auteurs plausibles et une date de publication. Le phénomène s’appelle “hallucination” et il touche tous les modèles de langage actuels. La cause : ces outils prédisent le mot suivant le plus vraisemblable, pas le mot le plus exact. Nuance fondamentale.
La reproduction des préjugés. Une IA apprend à partir de données humaines. Or les données humaines sont truffées de biais - de genre, d’origine, de classe sociale. Un algorithme de recrutement entraîné sur les embauches passées d’une entreprise qui n’a recruté que des hommes pendant vingt ans va logiquement écarter les CV féminins. Amazon a vécu exactement ce scénario en 2018 et a dû abandonner son outil.
La facture énergétique. Former un grand modèle de langage comme GPT-4 a consommé l’équivalent énergétique de plusieurs centaines de vols transatlantiques. Et chaque conversation avec un chatbot IA pèse environ dix fois plus qu’une recherche Google classique en termes de consommation électrique. Un aspect que les brochures marketing des entreprises d’IA mentionnent rarement.
La boîte noire. Même les équipes de recherche qui conçoivent ces modèles ne savent pas toujours expliquer pourquoi l’IA a produit telle réponse plutôt qu’une autre. Pour un chatbot qui vous aide à planifier vos vacances, ce n’est pas grave. Pour un outil qui influence une décision de justice ou un diagnostic médical, ça l’est beaucoup plus.
Se former à l’IA : trois niveaux, trois ambitions#
Bonne nouvelle : vous n’avez pas besoin de savoir coder en Python ni de maîtriser l’algèbre pour profiter de l’IA. Tout dépend de ce que vous visez.
Niveau curieux - comprendre le paysage. Vous êtes manager, indépendant, ou simplement quelqu’un qui veut décrypter ce qu’on raconte à la télé. Une formation de 5 à 10 heures suffit pour avoir les bases. Google a mis en ligne un cours gratuit “Introduction to Generative AI” sur Coursera. En français, OpenClassrooms propose un parcours dédié à la culture IA qui fait le tour du sujet sans prérequis.
Niveau praticien - utiliser l’IA au boulot. Ici, on parle de rédiger des prompts efficaces, d’intégrer des outils IA dans sa routine professionnelle, d’automatiser des tâches rébarbatives. C’est le créneau le plus rentable pour la majorité des gens : on ne fabrique pas l’IA, on s’en sert. Un commercial qui utilise bien un assistant IA pour ses mails de relance gagne une heure par jour. Un RH qui automatise le tri des CV avec un outil adapté libère du temps pour les entretiens.
Niveau bâtisseur - créer avec l’IA. Là, on entre dans le dur : construire un chatbot maison, un système de recommandation, un outil de prédiction de ventes. Il faudra des bases en Python, en statistiques, et de la patience. Les certifications IT proposées par Google, AWS ou Microsoft offrent un cadre structuré pour monter en compétences sans retourner à la fac pendant trois ans.
Le mot de la fin#
L’IA n’est ni le messie technologique ni le grand méchant loup. C’est un outil - puissant, imparfait, et qui évolue à une vitesse folle. Savoir comment il fonctionne, même à grands traits, vous place dans le camp de ceux qui utilisent la technologie plutôt que de la subir. Pas besoin de devenir data scientist pour ça. Juste assez de recul pour repérer quand l’outil vous rend service et quand il vous raconte des salades avec un air très sérieux.
