Qu'est-ce que l'intelligence artificielle ?
Du feu apprivoisé aux esprits bâtis : l’histoire de 17 000 ans s’achève avec des machines qui apprennent. Lucide — ni emballement, ni fin du monde.
Dernière mise à jour : octobre 2026
Il y a dix-sept mille ans, cette série commençait avec un hominidé rapportant le feu au campement. Elle s’achève ici, avec l’humanité bâtissant quelque chose qui apprend : non plus un outil qui prolonge la main, mais un miroir qui prolonge l’esprit — l’histoire de l’espèce rencontrant son propre reflet, et décidant quoi en faire.
L’intelligence artificielle est le nom d’une ambition très ancienne : construire des machines qui accomplissent des tâches que, lorsqu’un être humain les accomplit, nous qualifions d’intelligentes. L’expression recouvre des systèmes très variés, du programme qui trie le courrier par code postal au modèle qui rédige des essais, traduit des langues ou prédit la forme des protéines. Ce qui les unit n’est pas une technique unique, mais un objectif : amener des machines à percevoir, raisonner, décider et agir dans un monde désordonné, incertain et en changement constant.
Il faut distinguer l’ambition de la machinerie. L’intelligence en machine n’est pas une chose unique, ni une échelle simple allant du stupide au brillant. Une calculatrice de poche est infaillible en arithmétique et impuissante pour tout le reste. Un programme d’échecs peut battre n’importe quel humain vivant et ne peut pas préparer une tasse de thé. Les systèmes d’IA modernes sont puissants précisément parce qu’ils sont spécialisés : ils apprennent des régularités dans d’énormes quantités de données et s’en servent pour prédire, classer ou décider dans un domaine défini. Quand on parle d’intelligence artificielle générale, on désigne tout autre chose : un système doté du bon sens flexible et transversal d’un être humain. Aucun système de ce type n’existe aujourd’hui, et il n’existe aucun test scientifique consensuel qui permettrait de prouver qu’un tel système est arrivé.
La façon la plus utile de penser l’IA est de la voir comme un outil qui transforme des données en décisions. Un programme traditionnel suit des règles écrites par un programmeur : si ceci, alors cela. Un système qui apprend, au contraire, tire ses propres règles d’exemples. Montrez-lui des milliers d’images médicales étiquetées, et il apprend à repérer les signatures visuelles d’une maladie. Donnez-lui des millions de phrases, et il apprend la forme statistique de la langue suffisamment bien pour poursuivre un paragraphe dans un style plausible. Le programmeur reste essentiel — choix des données, de l’architecture et de l’objectif — mais le savoir détaillé contenu dans le système est acquis, et non écrit à la main. Ce passage des règles écrites aux règles apprises est le cœur du domaine moderne.
L’histoire moderne commence au milieu du vingtième siècle. En 1950, le mathématicien britannique Alan Turing publie un article demandant si les machines peuvent penser, et propose un test : si une machine pouvait tenir une conversation indiscernable de celle d’un humain, il y aurait peu de raisons de lui refuser l’intelligence. En 1956, un petit atelier au Dartmouth College, aux États-Unis, donne au domaine son nom. Les chercheurs présents pensaient que chaque aspect de l’apprentissage et de l’intelligence pouvait, en principe, être décrit avec assez de précision pour qu’une machine le simule. L’optimisme était immense, et prématuré.
Les premières décennies sont dominées par l’IA symbolique : des programmes qui manipulaient des symboles selon des règles logiques explicites. Ces systèmes pouvaient démontrer des théorèmes et jouer à des jeux, et dans les années 1980, les systèmes experts codifiaient les recettes pratiques de médecins, de géologues et d’ingénieurs. Ils fonctionnaient bien dans des domaines étroits et bien définis, et échouaient dès que le monde devenait flou. Le bon sens — ce qu’un enfant sait de la gravité, des objets et des autres personnes — s’est révélé bien plus difficile à programmer que les échecs de niveau grand maître. Les financements se sont effondrés à plusieurs reprises, lors de périodes que les chercheurs appellent les hivers de l’IA, et les progrès ont ralenti.
La renaissance est venue d’une autre idée : au lieu de programmer le savoir, laisser les machines l’apprendre à partir de données. L’apprentissage automatique, porté par la puissance de calcul croissante et le déluge de données numériques, a progressivement pris le contrôle du domaine. Un tournant survient en 2012, quand un réseau de neurones profond — un système de fonctions mathématiques en couches, vaguement inspiré du cerveau — surpasse nettement les anciennes méthodes en reconnaissance d’images. En 2017, des chercheurs introduisent l’architecture du transformeur, qui permet aux modèles de peser les relations entre les mots d’une phrase et d’apprendre à partir de textes à une échelle sans précédent. Il en résulte une génération de grands modèles de langage capables d’écrire, de résumer, de traduire et de coder avec une aisance stupéfiante. L’histoire de l’IA n’est donc pas une ligne droite, mais un balancier : des règles à l’apprentissage, du savoir fabriqué à la main au savoir acquis à partir de données.
Un réseau de neurones est, au fond, une vaste collection de nombres ajustables. Pendant l’entraînement, on montre des exemples au système et on ajuste ses nombres internes, petit à petit, pour que ses réponses se rapprochent des réponses souhaitées. Un modèle de langage, par exemple, est entraîné à prédire le mot suivant d’une phrase, encore et encore, sur des milliards de phrases. Rien dans l’entraînement ne lui dit ce que les mots signifient au sens humain ; il apprend les régularités de cooccurrence si profondément que ses prédictions deviennent fluides, cohérentes et souvent utiles.
Ce processus a deux conséquences qui façonnent tout le domaine. La première est que ces systèmes ne valent que leurs données. Un modèle entraîné surtout sur une langue, une culture ou un type de source portera les lacunes et les biais de ces données dans tout ce qu’il fait. La seconde est que le savoir contenu dans un modèle entraîné est implicite et difficile à inspecter. Les ingénieurs peuvent mesurer ce qu’un système fait, mais ils ne peuvent pas toujours expliquer pourquoi il a donné une réponse particulière. Cette opacité est l’une des raisons pour lesquelles l’IA est puissante, et l’une des raisons pour lesquelles il est difficile de lui faire confiance : un système peut avoir raison pour des raisons que personne ne comprend pleinement, et se tromper de façons que personne n’avait prévues.
C’est aussi pourquoi le langage autour de l’IA trompe si souvent. Quand un modèle produit un paragraphe fluide, il ne pense pas au sens humain ; il génère la suite la plus probable du texte qu’on lui a donné, façonnée par son entraînement. Quand il répond à une question factuelle de façon incorrecte avec une assurance totale, il ne ment pas ; il n’a aucune notion de vérité, seulement des régularités. Le résultat peut être brillant ou fabriqué, et la fluidité ne donne aucun signal fiable pour distinguer les deux. Comprendre cet écart — entre la fluidité et la compréhension — est la compétence la plus importante pour quiconque utilise l’IA aujourd’hui.
Le résumé honnête est que l’IA est superbe pour reconnaître des régularités à grande échelle et peu fiable en matière de jugement. Elle peut classer des images, transcrire la parole, traduire entre les langues, résumer des documents, générer du code et découvrir dans des données scientifiques des régularités qu’aucun humain ne repérerait seul. En médecine, les systèmes d’IA aident les radiologues à lire les images et les chercheurs à chercher de nouveaux médicaments. En science, l’apprentissage automatique a accéléré la prédiction de la structure des protéines, la découverte de matériaux et la prévision météorologique. Dans la vie quotidienne, il alimente les systèmes de recommandation, les assistants vocaux, les filtres antispam et la navigation.
Ce qu’elle ne peut pas faire, de façon fiable, c’est raisonner sur le monde comme les gens le font. Elle peine sur les tâches qui exigent un véritable bon sens, une compréhension causale ou de longues chaînes de raisonnement fiables. Elle peut inventer des faits, des sources et des citations qui semblent faire autorité et qui n’existent pas — un échec souvent appelé hallucination. Elle peut reproduire et amplifier les préjugés contenus dans ses données d’entraînement. Et elle n’a aucune expérience vécue du monde qu’elle décrit : elle n’a jamais rien vu, touché ni ressenti, et ses paroles sur le monde physique et social sont des régularités apprises à partir de textes, non un savoir gagné par l’expérience.
C’est pourquoi les usages les plus réussis de l’IA associent la machine à une supervision humaine. Le modèle rédige, cherche et suggère ; l’humain vérifie, décide et assume la responsabilité. Là où ce partenariat manque — là où la production d’une IA est publiée, prescrite ou appliquée sans vérification — les échecs suivent. Les limites de la technologie ne sont pas un embarras passager à balayer ; elles sont le fait central de conception du domaine, et chaque déploiement sérieux est construit autour d’elles.
Les questions les plus profondes sur l’IA ne sont pas techniques mais humaines. Qui profite quand une machine peut accomplir un travail qui exigeait autrefois une personne ? Comment attribuer la responsabilité quand un système autonome prend une décision nuisible ? Quelle part de notre environnement informationnel devrait être produite par des machines, et comment saurons-nous ce qui est réel ? Gouvernements, chercheurs et entreprises sont en net désaccord sur tout cela, et les réponses s’écrivent maintenant, dans les lois, les normes, les tribunaux et les choix quotidiens sur l’usage de la technologie.
Un débat concerne le pouvoir. Construire les plus grands systèmes d’IA exige d’énormes ressources de calcul, de vastes ensembles de données et beaucoup d’énergie, ce qui concentre les capacités entre un petit nombre d’entreprises et de pays riches. Un autre concerne la vérité : à mesure que les textes, images et vidéos de synthèse deviennent indiscernables du réel, l’ancienne hypothèse selon laquelle voir c’est croire ne tient plus, et les sociétés doivent construire de nouvelles façons de vérifier ce qu’elles lisent et regardent. Un troisième concerne le travail : l’IA va probablement transformer de nombreux métiers, automatisant certaines tâches tout en en créant d’autres, et l’équilibre entre déplacements et opportunités dépendra des choix des employeurs, des éducateurs et des décideurs, et non de la seule technologie.
L’histoire de l’IA invite à l’humilité quant aux prédictions. Dans les années 1950, les pionniers attendaient des machines de niveau humain en une génération ; dans les années 1980, les systèmes experts devaient transformer l’industrie du jour au lendemain ; dans les années 2010, les voitures autonomes étaient annoncées pour demain. Chaque vague a apporté de réels progrès et est restée en deçà de ses promesses les plus audacieuses. La posture sensée n’est ni l’emballement ni la fin du monde, mais l’attention : l’IA est une technologie à usage général, comme l’électricité ou l’imprimerie, dont les conséquences seront façonnées moins par ce qu’elle peut faire en laboratoire que par ce que les sociétés choisiront d’en faire. Le miroir est éveillé. Ce qu’il reflète dépend de nous.
Alan Turing, « Computing Machinery and Intelligence », Mind, 1950 ; Stuart Russell et Peter Norvig, Intelligence artificielle : Une approche moderne ; Tom Mitchell, Machine Learning ; Melanie Mitchell, Artificial Intelligence : A Guide for Thinking Humans ; Nick Bostrom, Superintelligence ; Université Stanford, rapports de la One Hundred Year Study on Artificial Intelligence (AI100).