Intelligence artificielle : définition simple

Le mot recouvre des outils très différents : un filtre antispam, un logiciel qui lit les factures scannées, un assistant conversationnel comme ChatGPT, Claude ou Le Chat de Mistral. Ce qui les réunit n’est pas une technologie unique, mais un objectif : obtenir d’une machine un résultat qu’on attendait jusque-là d’une personne. Distinguer les grandes familles permet de comprendre ce qu’on achète, et ce qu’on peut raisonnablement en attendre.

Que désigne exactement l’intelligence artificielle ?

L’intelligence artificielle est un domaine de l’informatique, pas un produit : elle regroupe les méthodes qui permettent à un programme de reconnaître, classer, prévoir, recommander ou produire du contenu. Le terme existe depuis les années 1950 et a désigné plusieurs approches successives.

Son sens courant a glissé. Dans une conversation d’entreprise, « l’IA » désigne souvent l’IA générative, celle des assistants qui rédigent et résument. C’est une partie du domaine, pas le domaine entier.

Le périmètre exact varie aussi selon les définitions. Un simple enchaînement de règles fixées à la main n’est pas toujours rangé dans l’IA, alors qu’un système qui apprend à partir de données l’est presque toujours. Le glossaire de l’IA en entreprise résume chaque terme en un paragraphe, relié à son article complet.

Règles ou données : deux façons de construire une IA

Une IA peut appliquer des règles écrites par des humains, ou apprendre ses propres règles à partir d’exemples. Les deux approches coexistent, et se combinent souvent dans un même outil.

L’IA à base de règles

L’IA à base de règles, dite symbolique, traduit un savoir en règles explicites : « si le fournisseur est nouveau et que la facture dépasse le seuil habituel, demander une validation ». Les systèmes experts, qui encodaient le savoir de spécialistes, en sont l’exemple historique.

Son avantage est la lisibilité : chaque décision s’explique par la règle appliquée. Sa limite est la rigidité : tout cas imprévu lui échappe, et un ensemble de règles devient difficile à maintenir quand les exceptions s’accumulent.

L’IA qui apprend à partir de données

Le machine learning (apprentissage automatique), seconde approche, tire ses règles d’exemples au lieu de les recevoir d’un humain. Pour filtrer les spams (courriels indésirables), on n’écrit pas au programme la liste des mots suspects : on lui montre de nombreux messages déjà triés, et il en déduit lui-même des régularités.

C’est l’approche qui domine aujourd’hui, en particulier sous la forme du deep learning (apprentissage profond), qui s’appuie sur des réseaux de neurones artificiels à nombreuses couches. Elle traite des cas que personne n’a décrits un par un, mais ses erreurs sont plus difficiles à expliquer.

IA spécialisée, IA générale : où en est-on ?

Les IA disponibles aujourd’hui accomplissent des tâches ou des familles de tâches définies, et aucune n’est reconnue par l’ensemble des spécialistes comme une IA générale. Un logiciel qui transcrit une réunion ou repère un défaut sur une pièce est une IA spécialisée.

Les assistants génératifs élargissent nettement ce périmètre. Un même modèle rédige, résume, traduit et écrit du code, d’où l’expression de modèles « à usage général ». Ils restent des outils : ils peuvent se tromper avec assurance, et leur résultat dépend de la demande qu’on leur adresse.

L’IA générale (en anglais AGI, pour artificial general intelligence) désigne une autre idée : un système capable d’apprendre et de raisonner sur à peu près n’importe quelle tâche intellectuelle, au niveau d’un humain. Sa définition même ne fait pas consensus.

Certains acteurs du secteur annoncent son arrivée, d’autres, notamment des chercheurs, en doutent. Ce débat est légitime, mais il n’a pas à guider vos choix d’outils : ce qui compte pour une entreprise, c’est ce qu’un système fait de façon fiable sur une tâche précise.

À quoi sert l’IA dans une entreprise ?

L’IA sert à rédiger, extraire de l’information, classer, prévoir, détecter l’inhabituel et assister des clients ou des salariés. Chaque famille d’usages correspond à des situations très concrètes d’une petite ou moyenne entreprise (PME).

• Rédiger et reformuler : brouillon de réponse à un client, compte rendu de réunion, fiche produit.
• Lire et extraire : récupérer la date et le fournisseur d’une facture scannée, transcrire un message vocal.
• Classer et trier : orienter les demandes reçues à l’accueil vers le bon service, ranger des documents.
• Prévoir : estimer les ventes de la saison, anticiper un besoin de stock ou une panne de machine.
• Détecter l’inhabituel : signaler une écriture comptable anormale ou un défaut sur une ligne de production.
• Répondre et assister : renseigner un client sur le site, retrouver une procédure interne.

Beaucoup de ces fonctions sont déjà dans vos logiciels, sans forcément porter l’étiquette « IA » : le filtre antispam de la messagerie, la saisie prédictive du téléphone, la reconnaissance de texte d’un scanner. À l’inverse, l’étiquette est parfois posée sur un outil qui applique quelques règles fixes.

Pour trancher, posez trois questions : que fait l’outil exactement, à partir de quelles données, et comment repère-t-on ses erreurs ? Pour la façon dont ces usages s’organisent à l’échelle d’une entreprise, voir la définition d’une entreprise IA-first.

Comment s’emboîtent IA, machine learning, deep learning et IA générative ?

L’IA est le domaine entier, le machine learning en est une partie, le deep learning une partie du machine learning, et l’IA générative désigne les systèmes qui produisent du contenu.

L’IA générative se définit par ce qu’elle produit : un contenu, là où d’autres systèmes rendent une étiquette, un score ou une prévision. Un système expert, lui, relève de l’IA sans rien apprendre.

Ce que l’IA n’est pas

L’IA n’est ni un esprit ni une personne : c’est un ensemble de calculs appliqués à des données, qui ne comprend pas comme un humain. Cette évidence a des conséquences très pratiques.

Un système d’IA n’a ni corps ni expérience du monde. Il traite des représentations numériques de textes, d’images ou de sons, et produit un résultat à partir de ce qu’il a appris. Une réponse fluide et assurée n’est donc pas une réponse vérifiée.

Rien, dans l’état des connaissances, ne permet non plus d’affirmer qu’un système d’IA actuel ait une conscience, des intentions ou des émotions. Quand un assistant écrit « je suis désolé », il reprend une formulation apprise dans des textes humains.

Enfin, l’IA n’est pas neutre par construction. Une IA qui apprend reproduit les régularités des données dont elle est issue, y compris leurs déséquilibres. Savoir ce que l’outil fait et ne fait pas est d’ailleurs le premier acquis de la littératie IA dans une PME.

À retenir

• L’intelligence artificielle (IA) regroupe les techniques qui font accomplir à une machine des tâches demandant habituellement une intelligence humaine.
• Une IA peut appliquer des règles écrites par des humains ou apprendre à partir de données, et la seconde approche domine aujourd’hui.
• Les IA actuelles accomplissent des tâches ou des familles de tâches définies, et l’IA générale reste une idée débattue, sans définition partagée.
• Une IA calcule un résultat sans comprendre comme une personne, donc une réponse fluide doit toujours être vérifiée.
• Le deep learning est une partie du machine learning, lui-même une partie de l’IA, et l’IA générative repose surtout sur le deep learning.

Pour passer de la définition aux usages réels de votre équipe, voir les formations ia-first.