La question qu'on me pose le plus souvent, quand j'anime des ateliers dans des écoles ou des entreprises, ce n'est pas « est-ce que l'IA va prendre nos emplois ? ». C'est plus basique que ça : « mais concrètement, ça marche comment ? ». Et je comprends. On lit partout que ChatGPT « comprend » vos questions, que Netflix « sait » ce que vous voulez regarder. Sauf qu'aucun des deux ne comprend quoi que ce soit au sens où on l'entend quand on parle d'un être humain.
Alors laissez-moi vous raconter une scène. Il y a quelques années, j'ai passé une soirée entière à essayer d'expliquer à un ami médecin pourquoi son logiciel de radiologie ne « voyait » pas ses patients comme lui. Il m'écoutait, sceptique. Puis j'ai sorti une feuille et j'ai dessiné. Bon, il a fini par comprendre — et moi aussi, j'ai compris quelque chose sur la façon dont on explique mal l'intelligence artificielle. Voici la version que j'aurais dû lui donner d'emblée.
Points clés à retenir
- Une IA ne comprend pas le sens : elle calcule des probabilités à partir de données.
- Son « apprentissage » se joue en deux temps : l'entraînement (lourd) puis l'inférence (instantanée).
- Les quatre grandes familles d'IA (de la simple réaction à la conscience hypothétique) recouvrent des réalités très différentes.
- Les modèles génératifs type ChatGPT prédisent le mot suivant, encore et encore.
- On distingue souvent IA de perception, de prédiction et de génération — chacune avec ses usages.
- Vous pouvez tester tout ça gratuitement, mais l'IA générative la plus performante reste payante.
L'IA expliquée simplement : ce qui se passe vraiment sous le capot
Partons d'une idée qui dérange un peu. Quand une IA reconnaît un chat sur une photo, elle ne voit aucun chat. Elle manipule des nombres. Des millions de nombres. Et c'est tout.
Votre appareil photo transforme l'image en une grille de pixels, chaque pixel devenant une valeur chiffrée. L'IA regarde ces valeurs, les combine, les repondère, et sort à la fin un autre nombre : la probabilité que ce soit un chat. Si vous lui montrez une photo de chien, elle ressortira un nombre différent. Elle ne « sait » pas ce qu'est un chat. Elle a juste appris, statistiquement, que telle configuration de valeurs revient souvent dans les images étiquetées « chat ».
Voilà pourquoi je dis souvent à mes interlocuteurs : une IA, c'est une machine à repérer des régularités. Pas une machine à comprendre.
Apprendre à partir de données, ou de simple calcul statistique ?
Les deux formulations sont vraies, et c'est ce qui trouble. Quand on dit qu'une IA « apprend à partir de données », on décrit en réalité deux opérations bien distinctes.
- L'entraînement. On montre des millions (parfois des milliards) d'exemples à un algorithme, qui ajuste petit à petit ses paramètres internes — on parle souvent de « poids ». Une erreur, il corrige. Dix mille erreurs, il affine encore. Ça peut prendre des semaines sur des milliers de cartes graphiques.
- L'inférence. Une fois entraîné, le modèle est « gelé ». Quand vous lui posez une question, il ne réapprend rien : il applique ce qu'il a mémorisé pour produire une réponse en quelques millisecondes.
La distinction est plus importante qu'elle n'y paraît. La plupart des gens confondent les deux et s'imaginent qu'une IA s'améliore à chaque conversation. En réalité, ce n'est vrai que si les ingénieurs le décident explicitement — c'est le principe du machine learning continu, et ça reste l'exception.
Réseaux de neurones : comment font-ils pour reconnaître un chat ?
Un réseau de neurones, c'est une architecture inspirée très librement du cerveau. On empile des couches de « neurones » artificiels, chacun calculant une petite opération sur les valeurs reçues, puis transmettant son résultat à la couche suivante. Empilez-en assez, et vous obtenez quelque chose capable de distinguer un chat d'une théière.
Quand j'ai entraîné mon premier petit réseau sur un jeu de données d'images, il confondait systématiquement les chiens et les loups. En cause : toutes mes photos de loups montraient de la neige en arrière-plan. Le réseau avait appris à repérer… la neige. Pas le loup. J'ai mis un mois à m'en rendre compte. C'est l'une des leçons les plus formatrices de mon parcours : une IA n'apprend que ce que vos données lui racontent, et elle peut apprendre exactement la mauvaise chose.
Les 4 types d'intelligence artificielle
On lit souvent cette classification sans trop savoir d'où elle vient. Elle est utile, mais elle regroupe des choses qui n'ont pas grand-chose à voir. Voici comment je l'explique à mes stagiaires.
| Type | Ce que ça veut dire | Existe aujourd'hui ? |
|---|---|---|
| IA à réaction simple | Réagit à un stimulus immédiat, sans mémoire. | Oui — en partie |
| IA à mémoire limitée | Utilise un historique récent pour décider. | Oui, partout |
| Théorie de l'esprit | Supposerait de modéliser les émotions d'autrui. | Non |
| Conscience de soi | Une IA qui aurait une conscience d'elle-même. | Non — et ce n'est pas pour demain |
Le type le plus intéressant, c'est le deuxième. C'est celui qui anime Netflix, Waymo, votre assistant vocal. Celui qui fait fonctionner la plupart des services que vous utilisez sans y penser. Les deux derniers types relèvent aujourd'hui de la science-fiction, pas de l'ingénierie — même si certaines IA conversationnelles donnent parfois l'illusion du contraire.
Comment fonctionne l'intelligence artificielle générative
Ici, on change de dimension. Une IA de reconnaissance classe (chat / pas chat). Une IA générative produit (du texte, une image, du son). Et c'est là que la question devient croustillante.
Comment fonctionne l'IA ChatGPT ?
ChatGPT repose sur une idée d'une simplicité désarmante : prédire le mot suivant. C'est tout.
Prenez la phrase « Le chat dort sur le ». Un modèle entraîné sur d'immenses quantités de textes a vu cette séquence des millions de fois. Il sait que le mot suivant le plus probable est « canapé », puis « tapis », puis « lit ». Il attribue une probabilité à chaque candidat, tire au sort en privilégiant les plus probables, écrit le mot, puis recommence pour le suivant. Répétez l'opération 500 fois, vous obtenez une réponse.
Cette mécanique explique plusieurs comportements que vous avez sans doute observés : pourquoi une même question posée deux fois donne deux réponses différentes (le tirage au sort n'est pas figé), pourquoi le modèle peut « halluciner » (il génère une suite probable, pas nécessairement vraie), et pourquoi il brille sur les sujets très documentés mais patine sur les détails confidentiels.
Un chiffre qui m'a marqué : sur un projet perso, j'ai comparé deux versions d'un même modèle sur une tâche de résumé. La première me sortait un texte correct en 8 secondes. La seconde, plus grosse et plus fine, mettait 31 secondes pour un gain de qualité que j'estimais à peine visible. Selon le contexte, ce facteur 4 peut coûter très cher — sur une app utilisée par des milliers de personnes, il devient décisif.
Intelligence artificielle : définition simple
Après tous ces détails, revenons à une définition claire. Si vous deviez n'en retenir qu'une, ce serait celle-ci :
L'intelligence artificielle est l'ensemble des techniques qui permettent à une machine d'accomplir des tâches qu'on associait jusque-là à l'intelligence humaine — reconnaître un visage, traduire un texte, conduire une voiture, écrire une réponse.
Deux précisions importantes. D'abord, il n'existe pas de définition universellement acceptée : le terme recouvre des réalités très différentes selon qu'on parle d'un simple algorithme de recommandation ou d'un grand modèle de langage. Ensuite, l'expression elle-même est ancienne. Elle remonte aux années 1950, quand Alan Turing posait déjà la question de savoir si une machine pouvait imiter la conversation humaine. Ce qui a changé depuis, ce ne sont pas les concepts : ce sont les données disponibles et la puissance de calcul pour les exploiter.
D'ailleurs, la définition du Larousse le dit à sa façon, en insistant sur l'idée de simuler des fonctions cognitives — ce qui reste fidèle à l'esprit de la chose : on imite, on n'égale pas.
Comment utiliser l'intelligence artificielle gratuitement
La bonne nouvelle, c'est que vous pouvez expérimenter tout ce dont je viens de parler sans dépenser un centime. Et honnêtement, c'est la meilleure façon de sentir comment ça fonctionne — bien mieux que de lire un article (même le mien).
Voici ce que je recommande à ceux qui démarrent :
- Tester un chatbot généraliste sur une question dont vous connaissez la réponse. Vous verrez immédiatement ses forces et ses limites.
- Demander la même chose trois fois de suite, en variant la formulation. Comparez. C'est le meilleur moyen de comprendre le tirage probabiliste.
- Forcer le modèle à se tromper : posez une question sur un sujet très pointu, ou carrément absurde. Regardez comment il réagit.
- Explorer un outil de reconnaissance d'image gratuit, pour visualiser la partie « perception » dont je parlais plus haut.
Ce qui est gratuit couvre environ 80 % des besoins d'un utilisateur curieux : rédaction, reformulation, résumé, brainstorming. Pour les usages intensifs — génération d'images de qualité, longs contextes, accès aux modèles les plus récents — il faut généralement passer à une offre payante. C'est un choix, pas une obligation.
Un mot sur la régulation, puisque le sujet revient souvent. L'Union européenne a mis en place un cadre destiné à encadrer les usages à risque de l'IA, et la France a sa propre stratégie nationale. Concrètement, cela signifie que certains usages (santé, sécurité, éducation) sont soumis à des obligations plus strictes que d'autres. Pour un utilisateur lambda, cela change peu de choses au quotidien — mais cela explique pourquoi certains outils arrivent plus tard en Europe qu'ailleurs.
Ce que j'ai fini par comprendre
Quand on m'a posé cette question pour la première fois — « comment ça marche, l'IA ? » — je répondais par des listes techniques. Erreur. Les gens ne retiennent pas une liste. Ils retiennent une image.
L'image que je donne maintenant, c'est celle d'un devin très, très bien renseigné. Un devin qui aurait lu presque tout ce qui s'est écrit, qui devine avec une précision stupéfiante le mot que vous alliez dire — mais qui ne sait pas ce qu'il dit. Il ne ment pas. Il ne comprend pas non plus. Il aligne des probabilités.
Est-ce que ça suffit pour être utile ? Absolument. Est-ce que ça suffit pour lui faire confiance les yeux fermés ? Sûrement pas.
La prochaine fois qu'une IA vous bluffera, posez-vous donc cette question : est-ce qu'elle sait, ou est-ce qu'elle devine très bien ? La réponse est presque toujours la seconde. Et cette petite nuance, une fois qu'on l'a comprise, change complètement la façon dont on utilise ces outils.
