De la calculatrice à ChatGPT : comment l’IA a changé de nature

À première vue, une calculatrice et ChatGPT n’ont pas grand-chose en commun. La première applique instantanément une opération formulée par son utilisateur. Le second peut rédiger une lettre, expliquer une notion ou tenir une conversation. Pourtant, ces outils appartiennent à une même histoire : celle de machines conçues pour traiter de l’information, dont les capacités et les usages se sont considérablement élargis.

L’expression « intelligence artificielle » donne parfois l’impression qu’une machine penserait comme une personne. Elle désigne en réalité un ensemble de méthodes très diverses, allant des règles les plus simples à des modèles capables de repérer des régularités complexes dans des données. Comprendre ce qui sépare le calcul automatique de la génération de langage permet de mesurer à la fois la portée réelle de la révolution actuelle et ses limites.

Des machines à calculer aux premières questions sur l’intelligence

Les machines à calculer ont d’abord répondu à un besoin précis : automatiser des opérations mathématiques. Leur force ne résidait pas dans une quelconque compréhension des nombres, mais dans la fiabilité et la rapidité de l’exécution. Lorsqu’un utilisateur saisit une addition, une calculatrice applique une suite de règles déterminées et produit le même résultat pour les mêmes données d’entrée.

L’arrivée des ordinateurs électroniques dans les années 1940 a changé l’échelle du problème. Leur puissance de traitement a rendu possibles des opérations beaucoup plus nombreuses, plus rapides et plus variées. Le Colossus, utilisé notamment dans le contexte de la cryptographie durant la Seconde Guerre mondiale, figure parmi les machines qui ont démontré l’intérêt stratégique du traitement automatisé de l’information.

Il ne s’agissait pas encore d’IA au sens actuel. Mais ces ordinateurs ont fourni l’infrastructure matérielle et intellectuelle indispensable aux recherches suivantes. Une machine pouvant enchaîner des instructions complexes a ouvert une question qui allait devenir centrale : jusqu’où peut-on automatiser des activités habituellement associées au raisonnement humain ?

Dans les années 1950, le mathématicien Alan Turing a contribué à structurer ce débat. Son célèbre test ne prétendait pas prouver qu’une machine est consciente : il proposait plutôt d’évaluer si, dans une conversation écrite, son comportement pouvait être difficile à distinguer de celui d’un humain. Cette nuance reste essentielle à l’heure des assistants conversationnels.

Que recouvre exactement le terme intelligence artificielle ?

L’intelligence artificielle regroupe les systèmes informatiques capables d’exécuter des tâches que l’on associe volontiers à l’intelligence humaine. Reconnaître une voix, recommander un produit, détecter une anomalie, traduire un texte, résoudre un problème ou générer une image peuvent ainsi relever de l’IA. Mais cette définition ne signifie pas que tous ces systèmes fonctionnent de la même manière.

Une grande partie de l’IA repose sur des algorithmes, c’est-à-dire des procédures permettant de transformer des données en résultats. Dans un système traditionnel, les règles sont écrites à l’avance : si telle condition est remplie, alors le programme accomplit telle action. Dans l’apprentissage automatique, ou machine learning, le système ajuste plutôt ses paramètres à partir d’exemples afin d’améliorer une prédiction ou un classement.

Les réseaux de neurones artificiels appartiennent à cette seconde famille. Leur nom vient d’une inspiration très simplifiée des neurones biologiques : ils sont composés d’unités mathématiques reliées entre elles, qui transforment des données au fil de plusieurs couches de calcul. Ils ne reproduisent ni le cerveau humain ni ses émotions. Ils constituent un outil statistique particulièrement efficace pour identifier des motifs dans des images, des sons ou du texte.

La difficulté à définir l’IA vient aussi de notre propre conception de l’intelligence. Savoir calculer, mémoriser, s’adapter, comprendre une intention, éprouver une émotion ou porter un jugement moral sont des facultés différentes. Une machine peut être très performante dans un domaine étroit, sans posséder les autres capacités. Un logiciel qui bat un champion à un jeu ou qui résume un document ne démontre donc pas, à lui seul, une intelligence générale comparable à celle d’une personne.

Pourquoi ChatGPT donne-t-il l’impression de comprendre ?

Les assistants tels que ChatGPT ont marqué le grand public parce qu’ils utilisent le langage naturel, celui des conversations, des courriels et des documents. Au lieu de demander une commande technique, il suffit de formuler une question ou une consigne. Le système peut ensuite produire un texte cohérent, changer de ton, résumer un contenu, proposer un plan ou expliquer un concept.

ChatGPT appartient à la famille des grands modèles de langage. Durant leur entraînement, ces modèles analysent de très grandes quantités de texte et apprennent les relations statistiques entre les mots, les expressions et les structures de phrase. Lorsqu’ils répondent, ils génèrent leur texte étape par étape en choisissant les suites les plus plausibles au regard de la demande et du contexte de la conversation.

Cette capacité explique leur fluidité, mais aussi leur fragilité. Un modèle de langage n’établit pas spontanément la vérité d’une affirmation comme le ferait une source documentaire vérifiée. Il peut fournir une réponse exacte et utile, mais aussi produire une information erronée avec une formulation très assurée. On parle alors souvent d’« hallucination », un terme imagé qui désigne une génération incorrecte ou inventée, non une expérience consciente de la machine.

La qualité du résultat dépend de plusieurs éléments : la clarté de la demande, les données sur lesquelles le modèle a été entraîné, les mécanismes de sécurité prévus par ses concepteurs et la possibilité, ou non, de s’appuyer sur des informations contrôlées. Pour un usage scolaire, professionnel ou administratif, une réponse générée doit donc être relue, vérifiée et replacée dans son contexte.

Des usages quotidiens qui dépassent désormais la conversation

L’IA ne se limite pas aux agents conversationnels. Beaucoup de services numériques l’emploient déjà, parfois sans l’indiquer clairement : recommandations de films ou de musique, détection de fraude bancaire, filtres contre les contenus indésirables, correction automatique, itinéraires ou personnalisation d’offres commerciales. Dans ces cas, l’utilisateur ne dialogue pas nécessairement avec un modèle. Il bénéficie d’une prédiction ou d’un classement produit en arrière-plan.

Les achats constituent l’un des domaines où cette présence devient visible. Une enquête citée dans les débats sur ces usages indique que 31 % des Français utilisent des systèmes d’IA pour leurs achats quotidiens, tandis que 42 % envisagent de le faire. Ces outils peuvent comparer des produits, suggérer des articles, aider à rédiger une liste ou répondre à des questions sur une commande.

Dans la banque, la vente ou la finance, les promesses sont différentes : identifier des tendances, personnaliser une relation client, automatiser certaines tâches répétitives ou signaler un risque. Le gain potentiel est réel lorsque l’outil accélère un travail de tri ou de synthèse. Il devient plus délicat quand une recommandation automatisée influence fortement un achat, un crédit, un recrutement ou une décision ayant des conséquences importantes pour une personne.

Fiabilité, biais et travail humain : les limites à ne pas oublier

L’essor de l’IA générative a remis la question de la fiabilité au premier plan. Une erreur de programmation peut entraîner des réponses absurdes, inadaptées ou contraires aux règles fixées par l’éditeur. Un incident impliquant un assistant associé à Elon Musk a ainsi alimenté les inquiétudes sur la capacité des systèmes à rester cohérents et sûrs dans toutes les situations. La sophistication apparente d’une interface ne protège pas contre une défaillance technique.

Les biais constituent un autre enjeu. Si les données employées pour entraîner ou évaluer un système reflètent des stéréotypes, des inégalités ou des erreurs, le résultat peut les reproduire. Cela ne suppose pas une intention malveillante de la machine : c’est précisément pourquoi la sélection des données, les tests et le contrôle des effets réels sont déterminants.

La protection de la vie privée est tout aussi concrète. Saisir dans un assistant des données personnelles, un document de travail confidentiel ou des informations sur un client peut présenter un risque selon les conditions d’utilisation du service. Avant d’intégrer un outil dans une organisation, il faut donc identifier les données traitées, les personnes qui y ont accès et les règles applicables à leur conservation.

Enfin, l’automatisation repose souvent sur une intervention humaine moins visible qu’on ne l’imagine. Des personnes annotent des données, évaluent des réponses, signalent des contenus problématiques et améliorent les consignes données aux modèles. Une start-up a récemment révélé que son IA reposait sur l’assistance de 700 individus. Cet exemple rappelle qu’un produit présenté comme autonome peut dépendre d’une organisation humaine importante.

Cette réalité change la manière d’aborder l’emploi. L’IA peut automatiser certaines étapes d’un métier, sans forcément supprimer le métier dans son ensemble. Elle peut aussi créer de nouvelles tâches de contrôle, de vérification, de formation et de gouvernance. La question décisive n’est pas seulement « quels emplois seront remplacés ? », mais aussi qui décidera de l’usage de ces outils, avec quelles compétences et sous quelle responsabilité.

Ce qu’il faut surveiller à mesure que l’IA progresse

Au 25 juin 2025, les frontières de l’intelligence artificielle restent mouvantes. Les modèles deviennent plus accessibles, plus rapides et capables de traiter différents types de contenus. Pour autant, une conversation convaincante ne doit pas être confondue avec une compréhension humaine, ni une prédiction efficace avec une décision juste.

Trois évolutions méritent une attention particulière :

• La qualité des informations produites, car la généralisation des outils de génération de texte augmente le besoin de vérification et d’éducation aux médias.
• La place du contrôle humain, surtout lorsque l’IA intervient dans la santé, la finance, l’éducation, l’emploi ou les services publics.
• Le partage de la valeur et des responsabilités, entre les entreprises qui développent les modèles, les travailleurs qui contribuent à leur fonctionnement et les utilisateurs qui subissent les conséquences d’une erreur.

L’odyssée qui mène de la calculatrice à ChatGPT n’est donc pas celle d’une machine devenue humaine. C’est celle d’outils de calcul et d’apprentissage devenus suffisamment puissants pour intervenir dans une part croissante de la vie économique et sociale. Leur véritable enjeu tient désormais moins à l’effet de nouveauté qu’à notre capacité collective à les employer avec discernement.