Qu'est-ce que l'intelligence artificielle (IA) ?
L'intelligence artificielle (IA) n'est plus une vision d'avenir, mais une composante à part entière de notre quotidien. Nous la côtoyons partout, des algorithmes qui pilotent nos fils d'actualité sur les réseaux sociaux et les recommandations des plateformes de streaming jusqu'aux systèmes avancés qui interprètent des radiographies, diagnostiquent des maladies, conduisent des voitures, écrivent du code et analysent les marchés financiers.
Pour le dire simplement, l'IA consiste à faire exécuter par des ordinateurs des tâches qui requièrent normalement l'intelligence humaine : reconnaître des motifs, tirer des conclusions, prendre des décisions, comprendre le langage et résoudre des problèmes. Dans de nombreux contextes spécifiques, les ordinateurs font déjà preuve de capacités supérieures à celles de l'être humain ; on parle alors d'IA faible (narrow AI), c'est-à-dire de systèmes très performants dans un domaine circonscrit mais incapables de raisonner en dehors de celui-ci.
Nous sommes à l'aube d'une transformation numérique souvent comparée à l'industrialisation. Mais alors que la révolution industrielle a mécanisé le travail manuel, la révolution de l'IA bouleverse les conditions du travail cognitif et intellectuel. Elle touche aussi bien les métiers administratifs que les processus de création et la recherche universitaire.
Bref historique : des simples systèmes à base de règles à l'IA générative
L'idée de machines pensantes n'est pas nouvelle. Le terme « intelligence artificielle » a été forgé dès les années 1950, et les premières décennies ont été dominées par les systèmes à base de règles, appelés systèmes experts, dans lesquels les programmeurs tentaient de coder des règles explicites dictant le comportement de l'ordinateur dans différentes situations. Cette approche fonctionnait pour des problèmes strictement délimités, mais se prêtait mal au passage à l'échelle, car la réalité se laisse rarement enfermer dans un ensemble de règles figées.
Les années 2000 et 2010 ont été marquées par un changement de paradigme avec l'essor de l'apprentissage automatique. Au lieu de programmer des règles à la main, on a permis aux ordinateurs d'apprendre des motifs directement à partir de grandes quantités de données. Cette évolution a été portée par trois facteurs qui se sont renforcés mutuellement : l'accès à d'énormes volumes de données grâce à Internet, un matériel plus puissant (notamment les cartes graphiques, qui se sont révélées excellentes pour entraîner des réseaux de neurones) et de nouveaux algorithmes plus efficaces. Les percées en reconnaissance d'images vers 2012 ont montré que les réseaux de neurones dits profonds pouvaient surpasser largement les méthodes antérieures, et depuis, les progrès se sont accélérés d'année en année.
Le dernier grand bond a eu lieu au début des années 2020 avec l'avènement de l'IA générative et des grands modèles de langage, des outils comme ChatGPT ayant marqué le point de départ d'une prise de conscience plus large du potentiel de cette technologie.
La figure 1 ci-dessous montre comment les capacités des modèles d'IA se sont accélérées de 2022 à 2026. On observe une progression extrêmement rapide des capacités des modèles de langage. Ces capacités sont mesurées au moyen de tests standardisés (voir Artificial Analysis).
Les capacités des modèles s'améliorent parallèlement à l'augmentation de leur taille. Comme le montre la figure ci-dessous, où la taille des cercles indique celle du modèle de langage, les modèles sont rapidement devenus nettement plus volumineux et, dans le même temps, leurs capacités intellectuelles ont progressé.
Le développement des modèles de langage a été largement rendu possible par les investissements colossaux des entreprises technologiques telles que Microsoft, Google, Meta, Amazon et Oracle. Les investissements de ces entreprises dans l'infrastructure d'IA apparaissent dans la figure ci-dessous. On estime que ces entreprises investiront des milliers de milliards de dollars dans l'infrastructure d'IA au cours des prochaines années. Ces investissements sont consentis dans le but de pouvoir offrir une intelligence (surhumaine) produite par de gigantesques usines de données.
Les fondamentaux : apprentissage automatique, apprentissage profond et réseaux de neurones
Pour comprendre l'IA actuelle, il est utile de clarifier quelques notions centrales. L'apprentissage automatique (machine learning) désigne l'ensemble des méthodes par lesquelles les ordinateurs « apprennent » à accomplir une tâche en analysant des données, au lieu d'être explicitement programmés pour chaque scénario. On distingue habituellement trois grands types d'apprentissage automatique.
Dans l'apprentissage supervisé, le modèle est entraîné sur des données dont la bonne réponse est déjà connue, par exemple des milliers d'images étiquetées « chat » ou « chien », et il apprend à reconnaître les motifs qui les distinguent. Dans l'apprentissage non supervisé, la bonne réponse n'est pas fournie, et le modèle doit lui-même découvrir des structures ou des regroupements dans les données, par exemple en répartissant des clients en différents segments. Dans l'apprentissage par renforcement, le système apprend par essais et erreurs et reçoit une récompense pour le comportement souhaité, une méthode qui est notamment à l'origine d'IA ayant maîtrisé des jeux complexes à un niveau surhumain.
L'apprentissage profond (deep learning) est une sous-catégorie de l'apprentissage automatique fondée sur des réseaux de neurones artificiels, librement inspirés de la manière dont les neurones du cerveau sont interconnectés. En empilant de nombreuses couches de ces réseaux, le système peut apprendre des représentations de plus en plus abstraites des données, des simples contours et formes dans une couche précoce jusqu'à des visages entiers ou des concepts dans une couche plus tardive. C'est précisément l'apprentissage profond, associé à une architecture appelée transformeur (transformer), qui sous-tend les grands modèles de langage actuels.
Le grand basculement : de l'IA faible à l'IA générative et aux grands modèles de langage
La génération précédente d'IA était essentiellement analytique. Elle était entraînée à reconnaître des motifs, à trier des données et à exécuter des tâches spécifiques, souvent répétitives, dans un cadre prédéfini. Beaucoup ont longtemps cru que l'IA ne pourrait gérer que ces processus structurés. Cela a radicalement changé au début des années 2020 avec l'avènement de l'IA générative et des grands modèles de langage (LLM). L'IA actuelle ne se limite plus à analyser des données existantes ; elle peut créer des contenus entièrement nouveaux : textes, images, musique, vidéos et code informatique, souvent à un niveau difficile à distinguer de productions humaines.
Cette capacité à générer du contenu à partir d'une instruction (ce que l'on appelle un « prompt ») a ouvert des usages totalement inédits, qu'il s'agisse de résumer des rapports, de rédiger des brouillons, d'élaborer des propositions de design ou de déboguer du code en quelques secondes. Les modèles les plus avancés sont aujourd'hui également « multimodaux », c'est-à-dire capables de comprendre et de combiner simultanément plusieurs types de données, par exemple du texte, des images, du son et de la vidéo au sein d'un même raisonnement.
L'IA agentique : des assistants passifs aux agents autonomes
L'un des plus grands basculements actuels en intelligence artificielle est le passage de l'IA générative à l'IA agentique (agentic AI). Auparavant, les modèles d'IA exigeaient un pilotage constant au moyen d'instructions précises pour résoudre une tâche à la fois. Un agent d'IA fonctionne au contraire de manière plus autonome : vous lui fixez un objectif général, et l'agent planifie lui-même les étapes nécessaires pour l'atteindre.
La force de cette approche réside dans la capacité de l'agent à interagir avec son environnement. Il peut rechercher des informations sur Internet, utiliser des programmes et des outils externes, prendre des décisions à partir de ses propres résultats intermédiaires et corriger ses erreurs en cours de route. Au lieu de se contenter de rédiger le brouillon d'un courriel, un agent d'IA peut analyser un problème, collecter des données dans différents systèmes, compiler un rapport et agir de manière autonome sur la base de ses constats. L'IA passe ainsi du statut d'outil passif à celui de partenaire actif, capable de mener des projets complexes de bout en bout. Cette autonomie soulève toutefois de nouvelles questions de responsabilité et de contrôle : qui est responsable lorsqu'un agent prend seul une mauvaise décision ?
L'IA en pratique : santé, éducation, transports, industries créatives et recherche
Le potentiel de l'IA ne réside pas tant dans le remplacement de l'être humain que dans le renforcement de nos capacités. En automatisant les tâches routinières, nous pouvons nous consacrer davantage au contact humain, à l'analyse approfondie et à l'innovation. Voici quelques exemples de la manière dont l'IA transforme déjà différents secteurs de la société.
La santé. Le système de soins en offre un exemple frappant :
- Le défi actuel : un médecin dispose souvent d'un temps limité par patient. Au cours d'une brève consultation, il doit lire le dossier, interroger le patient, effectuer une analyse médicale, prescrire un traitement, rédiger des demandes d'avis et enfin tout consigner dans le dossier informatisé. Cette pression temporelle risque de nuire à la fois à la sécurité des patients et aux conditions de travail.
- La solution apportée par l'IA : grâce aux outils d'IA modernes, le système peut écouter la consultation, la résumer automatiquement sous forme d'une note médicale exacte, parcourir les antécédents du patient et proposer des options thérapeutiques pertinentes fondées sur les recherches les plus récentes. Lorsque l'IA prend en charge la documentation, le médecin peut consacrer son temps à l'examen clinique et à la relation personnelle avec le patient.
L'éducation. L'IA est de plus en plus utilisée pour créer des supports pédagogiques individualisés qui suivent le rythme d'apprentissage de chaque élève, ainsi que pour aider les enseignants dans la correction et le suivi, ce qui libère du temps pour la relation pédagogique avec l'élève.
Les transports. Les véhicules autonomes et l'optimisation du trafic fondée sur l'IA montrent comment la reconnaissance de motifs en temps réel peut améliorer à la fois la sécurité et l'efficacité des systèmes de transport.
Les métiers créatifs. Dans le design, la musique, le cinéma et le marketing, les outils génératifs servent à produire rapidement des ébauches, des visualisations et des variantes, ce qui transforme en profondeur les méthodes de travail des créateurs.
La recherche avec les « co-scientists ». Dans la recherche et l'analyse avancée, l'IA est en train de redéfinir la démarche scientifique. Des systèmes d'IA spécialisés, parfois appelés « co-scientists », agissent comme des partenaires de recherche autonomes capables d'automatiser une grande partie de la chaîne de recherche : analyser d'énormes quantités de données de recherche existantes, générer de nouvelles hypothèses, concevoir des expériences et simuler des résultats. En couplant ces modèles d'IA à des laboratoires robotisés automatisés (« cloud labs »), il devient possible de mener des expériences à grande échelle jour et nuit. Cette symbiose entre l'intuition humaine et la capacité d'inférence des machines accélère le rythme des découvertes en médecine, en science des matériaux et en climatologie.
La course entre les laboratoires d'IA
Le développement des modèles de langage les plus puissants, souvent appelés « modèles de frontière » (frontier models), a longtemps été porté par une poignée de laboratoires d'IA américains comme OpenAI, Anthropic et Google, avec un code source et des poids de modèle fermés (closed source). Jusqu'à l'été 2026, ce sont en pratique ces acteurs qui fixaient la barre de ce dont l'IA était capable.
En juillet 2026, une rupture de tendance s'est toutefois produite. Le laboratoire d'IA chinois Moonshot AI, basé à Pékin, a alors rendu public Kimi K3, un modèle à poids ouverts (open weight) comptant pas moins de 2 800 milliards de paramètres. Dans plusieurs comparaisons spécifiques, notamment en codage agentique, Kimi K3 a obtenu de meilleurs résultats que les modèles phares d'Anthropic de l'époque, Claude Fable 5 et Claude Mythos, tout en se situant très près de son concurrent GPT-5.6 d'OpenAI. C'était la première fois qu'un modèle librement accessible, de surcroît développé en Asie, dépassait les modèles de frontière occidentaux fermés sur des points essentiels, même si le tableau est nuancé, puisque les modèles fermés restaient légèrement en tête sur d'autres types de tests.
Ce qui rend cet événement particulièrement significatif, c'est la question du prix. Selon la grille tarifaire officielle de Moonshot, Kimi K3 coûte environ 0,30 dollar par million de tokens d'entrée mis en cache, 3 dollars par million de tokens d'entrée ordinaires et 15 dollars par million de tokens de sortie. À titre de comparaison, Claude Fable 5 coûte 10 dollars par million de tokens d'entrée et 50 dollars par million de tokens de sortie, soit environ trois fois plus dans les deux cas. Cet écart montre à quelle vitesse l'intelligence artificielle est en train de devenir une marchandise (commodity) : des capacités qui, quelques mois plus tôt à peine, étaient réservées à une poignée d'acteurs à un prix élevé sont désormais accessibles pour une fraction du coût, parfois même gratuitement, à télécharger et à exécuter soi-même.
Cela impose de nouvelles exigences à l'utilisateur de l'IA. Les différents modèles excellent dans des domaines différents et requièrent en outre des infrastructures très diverses. Un modèle plus petit et optimisé peut aujourd'hui fonctionner localement sur un seul GPU puissant, chez un passionné ou dans une petite entreprise. Kimi K3, en revanche, est en pratique difficile à exécuter localement pour la grande majorité des utilisateurs, malgré ses poids ouverts : avec 2 800 milliards de paramètres au total (dont seule une faible proportion est activée par token, grâce à une architecture dite Mixture-of-Experts), il faut tout de même une quantité considérable de mémoire et plusieurs cartes graphiques interconnectées pour faire tourner le modèle soi-même. La plupart des utilisateurs continueront donc d'utiliser ce type de modèles via une API plutôt que sur leur propre matériel.
Au total, quiconque souhaite bien utiliser l'IA doit acquérir certaines connaissances : quel modèle convient à quelle tâche, combien coûte son exécution à grande échelle et quelle infrastructure il nécessite. La puissance de calcul et l'énergie étant des ressources finies, l'IA doit aussi être utilisée de manière responsable ; choisir un modèle plus petit et moins coûteux lorsque la tâche n'exige pas le modèle de frontière le plus avancé (et le plus énergivore) fait partie d'un usage durable et réfléchi de l'IA.
Opportunités et bénéfices : l'IA transforme le monde du travail
De même que la révolution industrielle a libéré la force musculaire grâce à la mécanisation, la révolution de l'IA libère aujourd'hui des capacités cognitives. En automatisant des tâches routinières comme la collecte de données, la documentation et les premiers jets, les collaborateurs peuvent consacrer davantage de temps à ce qui exige réellement le jugement humain : les relations, la créativité et les décisions complexes. L'IA a aussi un effet démocratisant, car elle donne à davantage de personnes accès à des compétences qui exigeaient auparavant des connaissances spécialisées, par exemple une aide à la programmation, à la rédaction ou à l'analyse de données. Dans l'ensemble, cela se traduit par des processus décisionnels plus rapides, des services plus personnalisés et la possibilité pour de petites organisations de rivaliser avec des moyens qui n'étaient auparavant accessibles qu'aux grands acteurs.
Il est peu probable que nous voyions apparaître dans les prochaines années ce que l'on appelle une intelligence artificielle générale, ou AGI, c'est-à-dire une IA dotée de toutes les facultés humaines, avec sa propre conscience, ses rêves et sa spontanéité. L'intelligence humaine est profondément ancrée dans notre existence biologique et émotionnelle. Les modèles de langage actuels les plus puissants continuent de commettre des erreurs triviales, ce qui révèle qu'ils sont encore loin de l'AGI. Ainsi, l'IA générative actuelle, c'est-à-dire les modèles de langage, peut à la fois faire preuve de capacités extraordinairement impressionnantes et échouer à des tâches simples et élémentaires exigeant une logique ou un calcul exacts. Par exemple, dans plusieurs études, l'IA générative a obtenu de meilleurs résultats que des médecins sur des tâches diagnostiques précises, alors que le même modèle peut échouer à compter le nombre de mots de la phrase « Comment vas-tu ? ».
L'évolution est toutefois exponentielle. L'IA générative s'améliore rapidement, et de plus en plus de ses insuffisances sont éliminées au fil des améliorations successives. Ces améliorations consistent le plus souvent à agrandir les modèles et à perfectionner leur architecture. Les succès de l'IA générative nous ont aussi fait prendre conscience que bon nombre des tâches que nous considérons comme intellectuelles peuvent être accomplies sans pensée consciente. Les modèles d'IA sont en effet dépourvus de conscience et d'expérience subjective, même si l'on affirme parfois qu'ils « pensent ». Des évaluations complexes en médecine, en finance, en ingénierie et en mathématiques ont pu être réalisées par l'IA, alors même que ces modèles ne pensent pas au sens propre. Cela a soulevé des questions presque existentielles quant à l'évolution du rôle de l'être humain dans les années à venir. Nous ne savons pas aujourd'hui à quelle vitesse ni dans quelle mesure l'IA va progresser. Nous ne savons pas si les modèles de langage atteindront un jour l'AGI, et plusieurs chercheurs de premier plan estiment que l'AGI ne peut pas être atteinte avec les méthodes actuelles de construction des modèles de langage. Ce que nous savons en revanche, c'est qu'un nombre croissant de tâches pourront être assurées, en totalité ou en partie, par l'IA. Selon toute vraisemblance, l'humain et la machine travailleront côte à côte au cours des prochaines années, et l'on peut ensuite supposer que le rôle de l'être humain dans la plupart des tâches actuelles évoluera. Cela permettra à l'être humain de consacrer davantage de temps à ce qui exige une présence physique, des relations humaines, de la créativité et des arbitrages éthiques, autant de choses qui ont toujours nécessité un être humain mais pour lesquelles nous avons jusqu'ici rarement eu le temps dans notre vie professionnelle.
Défis, risques et éthique
Malgré ces progrès impressionnants, il importe de rester réaliste et de comprendre les limites de la technologie. Les systèmes d'IA sont dépourvus de conscience, d'émotions et de véritable compréhension biologique : ils fonctionnent au moyen de statistiques avancées et de calculs de probabilités. À mesure que nous intégrons l'IA dans la société, nous sommes confrontés à plusieurs défis majeurs :
- Hallucinations : les modèles de langage peuvent parfois générer des informations qui semblent tout à fait convaincantes mais qui sont factuellement erronées, ce qui exige un esprit critique vis-à-vis des sources et une vérification humaine.
- Biais et préjugés : une IA n'est jamais meilleure que les données sur lesquelles elle est entraînée. Si les données d'entraînement contiennent des préjugés humains ou des distorsions, l'IA les reproduira et parfois les amplifiera.
- Éthique et droit d'auteur : un intense débat juridique et éthique porte sur la manière dont les données sont utilisées pour entraîner les modèles, ainsi que sur la question de savoir à qui appartiennent les droits sur les contenus générés par l'IA.
- Vie privée : lorsque des systèmes d'IA sont entraînés sur de grandes quantités de données personnelles et les analysent, des questions se posent sur la manière dont ces informations sont collectées, stockées et protégées.
- Désinformation : l'IA générative facilite la création d'images, de sons et de vidéos convaincants mais faux (les « deepfakes »), ce qui impose de nouvelles exigences en matière de vérification et d'éducation aux médias.
- Marché du travail : l'automatisation soulève des questions légitimes sur les métiers et les tâches qui vont évoluer ou disparaître, et sur les compétences qui seront recherchées à l'avenir.
Réglementation et gouvernance
À mesure que l'IA exerce une influence croissante sur la société, le besoin d'un cadre réglementaire s'est accru. L'Union européenne a adopté le règlement sur l'intelligence artificielle (AI Act), l'un des premiers cadres réglementaires globaux au monde en matière d'IA, qui classe les systèmes d'IA selon leur niveau de risque et impose des exigences plus strictes aux systèmes jugés à haut risque, par exemple dans les domaines de la santé, du recrutement et de la répression des infractions. Parallèlement, des pays, des institutions de recherche et des entreprises du monde entier élaborent leurs propres lignes directrices pour un développement responsable de l'IA, souvent axées sur la transparence, la sécurité et le contrôle humain. La réglementation n'en est encore qu'à une phase précoce et en évolution rapide, et il est probable que la législation continuera d'évoluer au rythme de la technologie.
Durabilité : besoins en énergie et en ressources
L'entraînement et l'exploitation des modèles d'IA modernes, en particulier des grands modèles de langage, exigent une puissance de calcul considérable, ce qui requiert à son tour de l'énergie et du refroidissement dans de grands centres de données. Cette consommation de ressources est devenue une question de plus en plus importante à mesure que l'usage de l'IA se développe à l'échelle mondiale, et elle soulève la question de savoir comment concilier le développement technologique avec les objectifs climatiques et un approvisionnement énergétique durable. Dans le même temps, l'IA est elle-même utilisée comme outil pour rendre les systèmes énergétiques plus efficaces, optimiser l'utilisation des ressources et accélérer la recherche sur les énergies renouvelables. La relation entre l'IA et la durabilité fonctionne donc dans les deux sens.
Tokenomics
On entend par tokenomics la manière dont le coût d'utilisation d'un modèle d'IA est calculé et tarifé, autrement dit l'économie qui se construit autour des tokens. Comme chaque appel à un modèle de langage est facturé par million de tokens, le choix du modèle devient un arbitrage entre qualité, rapidité et prix. À mesure que la concurrence entre les laboratoires d'IA s'intensifie, le prix par token baisse rapidement, ce qui explique en grande partie pourquoi l'IA, comme mentionné plus haut, est de plus en plus décrite comme une marchandise plutôt que comme une ressource exclusive.
Glossaire
IA : intelligence artificielle, terme générique désignant les systèmes informatiques capables d'accomplir des tâches qui requièrent normalement l'intelligence humaine, comme reconnaître des motifs, tirer des conclusions et prendre des décisions.
IA générative : IA capable de créer de nouveaux contenus, par exemple du texte, des images, du son, de la vidéo ou du code informatique, plutôt que de simplement analyser ou classer des données existantes.
IA symbolique : type d'IA plus ancien dans lequel les connaissances sont représentées au moyen de règles et de symboles explicites programmés à la main par des humains, à la différence de l'IA actuelle qui apprend des motifs directement à partir des données.
Modèle de langage (LLM) : modèle d'IA, plus précisément un grand modèle de langage (Large Language Model), entraîné sur d'énormes quantités de texte et capable de comprendre et de générer du langage humain.
Réseau de neurones (réseau neuronal) : architecture de modèle inspirée des neurones du cerveau, composée de couches interconnectées qui apprennent ensemble à reconnaître des motifs dans les données.
Modèle d'IA : le modèle mathématique entraîné lui-même, par exemple un modèle de langage (LLM), un réseau de reconnaissance d'images (CNN) ou tout autre réseau de neurones, doté de capacités soit spécialisées, soit plus générales.
Outil d'IA : l'interface ou l'application qui rend un modèle d'IA accessible et utilisable par une personne, par exemple la fenêtre de discussion dans laquelle on écrit lorsqu'on utilise ChatGPT.
GPU : processeur graphique (Graphics Processing Unit), type de processeur particulièrement efficace pour les calculs parallèles nécessaires à l'entraînement et à l'exécution des réseaux de neurones (modèles d'IA).
Token : la plus petite unité de texte traitée par un modèle de langage, souvent une partie de mot, un mot entier ou un caractère ; c'est à partir de ces tokens que le modèle lit les données d'entrée et génère les données de sortie.
Mixture-of-Experts, tokens d'entrée (input tokens), tokens de sortie (output tokens) : Mixture-of-Experts est une architecture dans laquelle un modèle d'IA se compose en réalité de nombreux sous-modèles plus petits, appelés experts, dont seuls quelques-uns sont activés pour chaque token traité. Un modèle peut ainsi compter un très grand nombre total de paramètres tout en maintenant un coût de calcul par token réduit, puisque tous les paramètres sont loin d'être utilisés simultanément. Les tokens d'entrée sont ceux qui constituent ce que l'on envoie au modèle, par exemple une question ou une instruction, tandis que les tokens de sortie sont ceux que le modèle génère en réponse. Comme les tokens de sortie coûtent généralement beaucoup plus cher à l'unité que les tokens d'entrée, la longueur de la réponse du modèle est souvent le facteur qui influe le plus sur le coût final.
Vibe coding : expression informelle désignant le fait d'écrire du code informatique en décrivant en langage courant à un modèle d'IA ce que l'on souhaite obtenir, le modèle générant ensuite le code, sans que la personne écrive elle-même, ni comprenne nécessairement en détail, chaque ligne de code.