IA signifie intelligence artificielle, mais ce terme recouvre des outils très différents qui fonctionnent de manières très différentes. L'IA qui rédige des textes, celle qui crée des images et celle qui recommande votre prochaine série Netflix n'ont presque rien en commun, si ce n'est qu'elles ont toutes appris à partir de grandes quantités de données.
« IA » est l'un de ces termes utilisés pour décrire aussi bien l'autocomplétion de votre téléphone que des robots de science-fiction. Cette imprécision rend genuinement difficile de savoir de quoi les gens parlent. La vérité est que « IA » n'est pas une seule chose — c'est une famille d'outils très différents qui fonctionnent de manières très différentes. Ce guide les démêle.
Les trois types d'IA que vous rencontrerez le plus souvent
Les chatbots : le type conversationnel
Un chatbot est une IA avec laquelle vous avez une conversation. Vous tapez ou prononcez une question, et il vous répond par écrit. ChatGPT, Gemini de Google et Siri d'Apple sont tous des chatbots, bien qu'ils fonctionnent un peu différemment en coulisses.
Les chatbots ont été entraînés sur une quantité immense de textes — plus de livres, d'articles et de pages web qu'aucun être humain ne pourrait jamais lire. C'est ainsi qu'ils peuvent répondre à des questions, expliquer des concepts, vous aider à rédiger des e-mails, traduire entre les langues et soutenir une conversation. Ils fonctionnent en prédisant quels mots devraient venir ensuite, sur la base des schémas appris pendant l'entraînement.
Cela les rend impressionnants mais imparfaits. Pour les sujets bien couverts dans leurs données d'entraînement, ils sont souvent précis. Pour des faits très spécifiques, obscurs ou récents, ils peuvent se tromper avec assurance. Comprendre cela est la clé pour bien les utiliser.
Les générateurs d'images : le type visuel
Un générateur d'images crée des images à partir de descriptions textuelles. Vous tapez « une peinture aquarelle d'un phare au coucher du soleil » et l'outil crée une image originale — une image qui n'a jamais existé auparavant. Midjourney, Adobe Firefly et DALL-E sont des exemples bien connus.
Ces outils ont été entraînés en regardant des millions d'images associées à des légendes ou des descriptions. Ils ne copient aucune image qu'ils ont vue. Ils génèrent quelque chose de nouveau à partir des schémas visuels appris pendant l'entraînement.
Les générateurs d'images sont puissants pour les projets créatifs, mais ils ont un défaut bien connu : ils se trompent parfois sur des détails précis de manière étrange — trop de doigts sur une main, des textes en arrière-plan qui ressemblent à des mots mais n'en sont pas, des petits détails qui ne tiennent pas à l'examen attentif.
Les moteurs de recommandation : le type invisible
C'est l'IA que la plupart des gens utilisent le plus souvent sans s'en rendre compte. Quand Netflix vous suggère une série, quand Spotify compose une playlist pour vous, quand Amazon affiche « les clients ont aussi acheté » — c'est un moteur de recommandation qui travaille discrètement en arrière-plan.
Ces systèmes analysent les schémas dans les comportements d'un grand nombre de personnes — ce qu'elles regardent, achètent, cliquent, écoutent ou ignorent — et utilisent ces schémas pour prédire ce que vous apprécierez. Ils ne conversent pas avec vous. Ils ne comprennent pas pourquoi vous aimez quelque chose. Ils remarquent simplement que des personnes avec des comportements similaires aux vôtres ont aussi apprécié certaines choses, et vous les proposent.
Les moteurs de recommandation sont souvent remarquablement précis, mais ils sont limités. Ils optimisent ce qui vous retiendra probablement l'attention, ce qui n'est pas toujours la même chose que ce qui vous convient le mieux.
Ce que les trois ont en commun
Malgré leurs différences, tous ces outils partagent une caractéristique fondamentale : ils ont appris à partir de données. Ils n'ont pas été programmés avec des règles explicites pour chaque situation. Ils ont plutôt été entraînés — exposés à d'immenses quantités d'exemples — et ils ont appris des schémas.
C'est ce qui distingue l'IA moderne des logiciels traditionnels. Les logiciels traditionnels suivent des règles exactes écrites par un programmeur : « Si A, alors B. » L'IA fait des prédictions basées sur des schémas. C'est pourquoi elle peut gérer des choses que les programmeurs n'avaient jamais spécifiquement anticipées, et aussi pourquoi elle peut échouer de manières surprenantes qu'un logiciel à base de règles n'aurait pas.
Ce que l'IA ne peut toujours pas faire
Malgré les capacités de ces outils, il existe des limites claires et constantes. L'IA n'a pas de véritable compréhension, d'émotions ni d'objectifs. Elle ne peut pas agir dans le monde physique par elle-même. Elle ne peut pas vérifier de manière fiable ses propres informations — elle produit des résultats qui semblent plausibles sans vérifier s'ils sont exacts. Et elle ne forme pas de vraies relations — quand un chatbot semble chaleureux ou intéressé, il produit du texte qui correspond au schéma de la chaleur. Il ne s'intéresse pas vraiment.
L'IA est aussi seulement aussi bonne que les données sur lesquelles elle a été entraînée. Si ces données contenaient des erreurs, des biais ou des lacunes, l'IA les reflétera aussi.
Rien de tout cela ne rend les outils IA moins utiles pour ce pour quoi ils sont genuinement bons. Cela permet juste de savoir plus facilement quand leur faire confiance et quand vérifier.
Que faire ensuite : Si vous souhaitez comprendre pourquoi l'IA semble parfois complètement sûre d'elle tout en étant complètement fausse, Pourquoi l'IA invente-t-elle des choses ? explique clairement le mécanisme. Et si vous êtes prêt à essayer un chatbot pour la première fois, Qu'est-ce que ChatGPT ? est un bon point de départ.
