Qu’est-ce que l’intelligence artificielle, vraiment ?

Vous avez peut-être découvert l’intelligence artificielle en ouvrant ChatGPT. Vous avez écrit une question, reçu une réponse, puis essayé autre chose : reformuler un message, trouver une idée ou comprendre un sujet.

C’est une bonne porte d’entrée. Mais elle peut laisser une impression trompeuse : celle que « l’IA », c’est cette fenêtre de discussion.

En réalité, un système qui recommande une vidéo, un autre qui estime les ventes d’un magasin et un outil qui génère une image peuvent tous relever de l’intelligence artificielle. Pourtant, ils ne font pas le même travail.

Avant de chercher ce que l’IA pourrait faire pour vous, prenons donc le temps de remettre ces mots à leur place. Vous n’avez pas besoin d’apprendre à programmer pour comprendre l’essentiel.

LE DÉCLIC — L’IA n’est pas une application unique

Quand quelqu’un dit « j’utilise l’IA », il manque une information importante : pour faire quoi ?

Imaginez que l’on vous dise simplement « j’utilise un véhicule ». Un vélo et un camion permettent tous les deux de se déplacer, mais ils ne répondent pas au même besoin. L’analogie s’arrête là : elle sert seulement à distinguer une grande catégorie de ses usages particuliers.

Avec l’IA, gardez cette même question en tête : de quel système parle-t-on, et quelle tâche lui demande-t-on ? Une capacité dans un domaine ne prouve pas une compétence dans tous les autres.

Des informations entrent, un résultat sort

Pour poser un premier repère, regardons ce qui se passe autour du système.

Vous lui fournissez quelque chose : une question, une image, des mesures ou un historique de ventes. Ce sont ses entrées, autrement dit les informations qu’il reçoit.

Il produit ensuite quelque chose : un texte, une image, une estimation ou une recommandation. C’est sa sortie, le résultat que vous allez consulter ou utiliser.

La définition actualisée de l’OCDE, une organisation internationale qui travaille notamment sur les politiques publiques, aide à préciser cette idée. Un système d’IA déduit, à partir des informations reçues, comment produire des résultats en fonction d’objectifs explicites ou implicites. Ces résultats peuvent influencer ce qui se passe dans un environnement numérique ou physique.

« Explicite » signifie que l’objectif est clairement défini. « Implicite » signifie qu’il ressort notamment des règles ou de l’apprentissage du système sans être formulé comme un objectif distinct. Pour débuter, retenez surtout qu’un résultat est produit dans un certain cadre : il ne surgit pas sans données, sans fonctionnement ni sans objectif.

Attention toutefois : recevoir une entrée et produire une sortie ne suffit pas à faire d’un logiciel une IA. Une calculatrice le fait aussi. Il faut également regarder comment le résultat est établi.

Mais comment apprend-on à une machine à faire cela ?

De nombreux systèmes d’IA sont préparés à partir d’exemples. Cette phase s’appelle l’entraînement.

Pendant cette préparation, on ajuste leurs réglages internes pour qu’ils repèrent des régularités utiles à une tâche. « Régularité » veut simplement dire qu’une relation ou une forme se retrouve dans les données. Le système peut ensuite s’appuyer sur ce qu’il a appris pour traiter de nouvelles informations.

Toutes les IA ne sont cependant pas construites de la même façon. Certaines approches utilisent notamment des connaissances et des règles de raisonnement. Un système peut aussi combiner plusieurs approches.

Pas besoin d’aller plus loin techniquement pour le moment. L’idée importante est qu’il existe différentes manières de construire une IA, et donc différentes limites à examiner. Son degré d’autonomie et sa capacité à s’adapter peuvent également varier.

Quatre usages pour rendre l’idée concrète

Prenons quelques exemples illustratifs.

Un système de recommandation peut utiliser vos interactions pour vous proposer une vidéo. Sa sortie est une suggestion de contenu.

Un système de prévision peut exploiter des ventes passées pour estimer la demande à venir. Sa sortie est une estimation, pas la connaissance certaine de ce qui se produira.

Un générateur d’images peut partir d’une description pour composer un visuel. Sa sortie est un contenu créé à partir de votre demande.

Un modèle de langage peut transformer des notes en un texte organisé. Un modèle est ici le système de calcul qui traite les informations pour produire un résultat ; nous verrons son fonctionnement dans l’article suivant.

Ces exemples appartiennent à une même grande famille. Ils ne rendent pas les systèmes interchangeables. Un outil utile pour prévoir des ventes ne sait pas nécessairement rédiger votre prochain e-mail.

IA, IA générative et ChatGPT : quelle différence ?

L’intelligence artificielle est l’ensemble large dont nous venons de parler.

L’IA générative en est une partie. Le mot « générative » indique qu’elle produit du contenu : du texte, des images ou d’autres formes de contenu, selon le système.

ChatGPT est, lui, un assistant proposé par OpenAI. Vous utilisez un produit qui donne accès à des capacités d’IA. Ce n’est ni le nom de toute l’intelligence artificielle, ni celui de tous les systèmes qui produisent du texte.

Si vous dites « ChatGPT m’a aidé à rédiger ce message », vous décrivez donc un usage précis d’un assistant. Vous ne décrivez pas tout ce que recouvre l’IA.

L’EXEMPLE — Répondre à un client sans inventer une livraison

Imaginez cette situation fictive : un client vous demande si sa commande arrivera vendredi. Votre note indique seulement « date de livraison non confirmée ».

Vous transmettez le message et cette note à un assistant pour préparer une réponse polie. Il peut vous aider à trouver une formulation claire.

Mais s’il écrit « votre commande arrivera vendredi », il ajoute un engagement que vos informations ne permettent pas de prendre. Le texte peut être excellent sur la forme et faux sur le fond.

Une réponse adaptée conserverait l’incertitude : « Nous attendons la confirmation du transporteur. » La date doit venir d’une information opérationnelle vérifiée, pas d’une tournure de phrase convaincante.

C’est une distinction que vous retrouverez souvent : aider à formuler une réponse ne donne pas automatiquement accès aux faits nécessaires pour la garantir.

À VOUS DE TESTER — Trois lignes avant votre prochaine demande

Choisissez une tâche simple, avec des informations que vous êtes autorisé à partager. Vous pouvez utiliser un message fictif pour commencer.

Écrivez ensuite :

• Ce que je donne au système : les informations réellement disponibles.

• Ce que j’attends : un résultat précis, par exemple un brouillon de réponse.

• Ce que je vérifierai : les éléments qui ne doivent pas être faux, comme une date ou un engagement.

Après la réponse, revenez à ces trois lignes. Le résultat utilise-t-il bien vos informations ? Répond-il à votre besoin ? A-t-il ajouté quelque chose qui mérite une vérification ?

Vous passez ainsi de « cette réponse me plaît » à « cette réponse fait correctement le travail demandé ».

Un dernier piège : lui prêter un fonctionnement humain

Quand un assistant vous répond naturellement, il est facile de lui attribuer des intentions : « il veut m’aider », « il sait que je suis pressé ».

Ces expressions peuvent être pratiques dans une conversation. Elles ne prouvent pas que le système comprend comme une personne ou qu’il possède des intentions humaines. Un langage naturel ne suffit pas à établir cela.

Gardez aussi une place pour le doute. Des données incomplètes, un usage inadapté ou une erreur peuvent conduire à un mauvais résultat. Le fait qu’un logiciel l’ait produit ne retire pas votre responsabilité dans la manière de l’utiliser.

À RETENIR

L’IA regroupe des systèmes différents. Pour commencer à bien vous en servir, identifiez ce que le vôtre reçoit, ce qu’il produit et ce que vous devez vérifier. C’est un repère bien plus utile que de le trouver simplement « intelligent ».

Sources pour approfondir

OCDE — définition actualisée · OCDE.AI — explication de la définition · OpenAI — présentation de ChatGPT

Pour continuer

Comment fonctionne un LLM ?