Intelligence artificielle : comprendre ses usages, ses limites et ses enjeux

L’intelligence artificielle n’est plus un sujet réservé aux laboratoires ou aux films de science-fiction. Elle intervient lorsqu’un téléphone transcrit une conversation, lorsqu’une plateforme recommande une série, lorsqu’un logiciel aide à analyser une image médicale ou lorsqu’un assistant conversationnel rédige un premier brouillon. Cette présence grandissante ne signifie pas que les machines « pensent » comme des humains. Elle impose surtout de comprendre ce que ces outils savent faire, ce qu’ils ne savent pas faire et dans quelles conditions ils peuvent être utiles.

Au 5 novembre 2024, l’expression « IA » recouvre des techniques très différentes. Les confondre alimente autant les promesses excessives que les peurs injustifiées. Un système qui détecte une anomalie sur une radiographie, par exemple, n’a pas la même fonction qu’un outil qui génère un texte, et aucun des deux ne possède une compréhension générale du monde comparable à celle d’une personne.

Qu’est-ce que l’intelligence artificielle ?

L’intelligence artificielle désigne un ensemble de méthodes informatiques qui permettent à une machine d’accomplir des tâches habituellement associées à certaines capacités humaines : percevoir des images ou des sons, comprendre et produire du langage, classer des informations, faire des prévisions ou proposer une décision.

Dans la plupart des cas, une IA ne reçoit pas une longue liste de règles écrites une à une par un programmeur. Elle est entraînée à partir de données. On lui présente, par exemple, de nombreuses images étiquetées comme contenant ou non un chat. Le système ajuste alors ses paramètres pour repérer des régularités statistiques qui l’aideront à traiter de nouvelles images. C’est le principe de l’apprentissage automatique, aussi appelé machine learning.

L’IA est donc avant tout un outil de calcul, de comparaison et de prédiction. Ses performances dépendent notamment :

• des données disponibles et de leur qualité ;
• de l’objectif défini par ses concepteurs ;
• du modèle mathématique employé ;
• des tests réalisés avant et après son déploiement ;
• de la présence, ou non, d’un contrôle humain adapté.

Des algorithmes anciens à la naissance de l’IA moderne

Les algorithmes, c’est-à-dire des suites d’instructions permettant de résoudre un problème, sont bien antérieurs aux ordinateurs. Des civilisations anciennes développaient déjà des procédures de calcul. Cela ne signifie pas qu’elles pratiquaient l’intelligence artificielle au sens contemporain : il fallait encore disposer de machines capables d’exécuter rapidement ces instructions et de théories pour modéliser certaines formes de raisonnement ou d’apprentissage.

Plusieurs étapes ont préparé le terrain. La machine arithmétique conçue par Blaise Pascal au XVIIe siècle illustre le désir ancien de déléguer le calcul aux machines. Au XXe siècle, les travaux sur le calcul, la logique et la cybernétique ont fourni des fondations décisives. En 1950, le mathématicien Alan Turing a notamment posé une question devenue célèbre : une machine peut-elle imiter suffisamment bien une conversation humaine pour qu’un interlocuteur ne la distingue pas d’une personne ?

Le champ de recherche prend officiellement son nom lors d’un atelier organisé à Dartmouth, aux États-Unis, en 1956. Les chercheurs y popularisent l’expression « intelligence artificielle ». Depuis, son histoire alterne périodes d’enthousiasme, déceptions liées aux limites techniques et nouvelles accélérations.

Pourquoi les années 2010 ont changé la donne

Le tournant des années 2010 est lié à la convergence de trois éléments : des quantités de données numériques beaucoup plus importantes, une puissance de calcul accrue, notamment grâce aux processeurs graphiques, et des progrès dans les méthodes d’apprentissage profond.

L’apprentissage profond utilise des réseaux de neurones artificiels. Malgré leur nom, ces réseaux ne sont pas des cerveaux miniatures. Ce sont des architectures mathématiques composées de nombreuses couches de calcul, capables de transformer progressivement une information. Dans une image, les premières couches peuvent repérer des formes simples, puis d’autres combinaisons plus complexes. Dans un texte, le modèle apprend les relations entre les mots, les phrases et les contextes à partir d’immenses corpus.

Les grands modèles de langage, ou LLM, appartiennent à cette famille. Ils peuvent résumer un document, reformuler une idée, traduire, générer du code informatique ou soutenir une conversation. Leur fluidité peut donner l’impression d’une compréhension humaine. Pourtant, ils restent sujets aux erreurs factuelles, aux réponses inventées, aux biais présents dans leurs données d’entraînement et aux difficultés face à des demandes ambiguës.

IA spécialisée et IA générale : une distinction essentielle

L’immense majorité des systèmes utilisés aujourd’hui relève de l’IA spécialisée. Ils sont conçus pour un objectif précis : filtrer des messages indésirables, recommander un produit, reconnaître une parole, estimer un risque ou assister la rédaction. Ils peuvent se montrer très performants dans leur domaine, mais échouent lorsqu’ils sortent du cadre dans lequel ils ont été entraînés ou évalués.

L’« IA forte », souvent appelée intelligence artificielle générale, désigne quant à elle l’hypothèse d’une machine capable de transférer ses compétences d’un grand nombre de situations à d’autres, avec une polyvalence proche de celle des humains. Au 5 novembre 2024, une telle IA générale n’a pas été démontrée. Les assistants conversationnels les plus avancés peuvent accomplir des tâches diverses, mais ils ne constituent pas une preuve qu’une machine possède une conscience, des intentions ou une compréhension générale autonome.

Cette nuance est fondamentale dans le débat public. Une IA capable de rédiger un poème ne ressent pas nécessairement d’émotion. Un logiciel capable de battre des champions dans un jeu ne sait pas automatiquement conduire une voiture, conseiller un patient ou décider de manière juste dans une situation sociale complexe.

Où l’intelligence artificielle est-elle déjà utilisée ?

Les usages de l’IA se multiplient parce qu’elle peut traiter rapidement de grands volumes de données et repérer des motifs difficiles à observer à l’œil nu. Son intérêt dépend toutefois du problème à résoudre et de la manière dont ses résultats sont intégrés au travail humain.

Dans la santé, l’IA peut assister l’analyse d’images médicales, aider à organiser certaines informations ou accélérer des travaux de recherche. Elle ne remplace pas le jugement clinique : la qualité des données, la diversité des patients et les conséquences d’une erreur exigent une validation rigoureuse.

Dans les transports, elle est utilisée pour optimiser des itinéraires, anticiper des besoins de maintenance, gérer des flux logistiques ou contribuer à des systèmes d’aide à la conduite. Les véhicules autonomes illustrent les difficultés du passage entre une démonstration technique et un usage sûr dans des environnements réels, changeants et imprévisibles.

En agriculture, des outils peuvent analyser l’état de cultures, repérer des zones nécessitant une intervention ou aider à prévoir certains besoins. Bien employées, ces technologies peuvent favoriser une utilisation plus ciblée de ressources telles que l’eau ou les intrants. Elles ne dispensent pas de vérifier les conditions locales et les effets environnementaux réels.

La recherche spatiale et scientifique utilise également des systèmes d’IA pour analyser des données complexes ou aider à opérer dans des environnements difficiles. Dans les services du quotidien, les exemples les plus visibles restent les assistants vocaux, les outils de traduction, les recommandations de contenus et les fonctions de correction ou de génération de texte.

Quels sont les risques éthiques et sociaux ?

L’IA ne prend pas ses décisions dans le vide. Un modèle reflète des choix : quelles données utiliser, quels critères optimiser, quelles erreurs accepter, qui peut contester un résultat et qui supporte les conséquences d’une défaillance. C’est pourquoi les questions éthiques ne sont pas un supplément facultatif de l’innovation.

Un premier enjeu concerne les biais. Si les données historiques comportent des discriminations ou représentent mal certains groupes, un système peut reproduire ou amplifier ces inégalités. Dans le recrutement, le crédit, l’assurance, la justice ou l’accès à des services publics, une prédiction algorithmique ne devrait donc jamais être considérée comme neutre par nature.

La vie privée constitue un autre point central. Entraîner ou utiliser une IA peut impliquer des données personnelles, des enregistrements vocaux, des images ou des traces de navigation. Les organisations doivent savoir de quelles données elles disposent, sur quelle base elles les utilisent et comment elles les protègent. Pour un particulier, la prudence consiste aussi à éviter de transmettre à un assistant grand public des informations confidentielles, médicales ou professionnelles sensibles sans connaître les conditions d’utilisation du service.

L’IA transforme aussi le travail. Elle peut automatiser certaines tâches répétitives, accélérer la rédaction, l’analyse ou le tri de documents, et créer de nouveaux besoins de compétences. Mais elle peut également modifier des métiers, accroître la surveillance au travail ou déplacer une partie de la valeur vers les acteurs qui contrôlent les données et l’infrastructure. L’enjeu n’est pas seulement le nombre d’emplois, mais la qualité du travail, la formation et le partage des gains de productivité.

Enfin, les systèmes militaires autonomes soulèvent une question particulièrement grave. Parler de « robots tueurs » qui agiraient de leur propre chef masque la réalité des chaînes de conception, de déploiement et de commandement humaines. La question centrale est de savoir jusqu’où déléguer l’identification, la sélection ou l’emploi de la force à des systèmes automatisés, et quels contrôles humains significatifs doivent être exigés.

Une technologie devenue un enjeu scientifique et industriel

Les progrès de l’IA reposent autant sur la recherche que sur des infrastructures coûteuses : centres de données, processeurs spécialisés, logiciels et accès à de vastes ensembles de données. Des entreprises telles que Nvidia, dont les puces sont largement utilisées pour l’entraînement de modèles, ou Snowflake, qui développe des services liés aux données et à l’IA, illustrent l’importance économique de cette chaîne technologique.

L’année 2024 a aussi souligné le rôle de ces méthodes dans les sciences. Le prix Nobel de physique a récompensé John Hopfield et Geoffrey Hinton pour des découvertes et inventions fondamentales qui ont permis l’apprentissage automatique avec des réseaux de neurones artificiels. Le prix Nobel de chimie a distingué David Baker, ainsi que Demis Hassabis et John Jumper, pour des travaux liés à la conception computationnelle des protéines et à la prédiction de leur structure.

Ces récompenses ne signifient pas que l’IA résout seule les grands problèmes scientifiques. Elles montrent plutôt que les méthodes de calcul et d’apprentissage sont devenues des instruments majeurs pour formuler, explorer et tester des hypothèses, aux côtés de l’expérimentation et de l’expertise humaine.

Ce qu’il faut surveiller

L’avenir de l’intelligence artificielle dépendra moins de la seule course à des modèles toujours plus puissants que des règles et des usages qui les accompagnent. Dans l’Union européenne, le règlement sur l’intelligence artificielle, souvent appelé AI Act, est entré en vigueur le 1er août 2024. Son application se fera progressivement. Il instaure notamment une approche fondée sur les risques, avec des obligations plus importantes pour les systèmes susceptibles d’affecter la sécurité ou les droits fondamentaux.

Trois questions méritent une attention particulière. D’abord, la fiabilité : les utilisateurs doivent pouvoir identifier les erreurs et comprendre les limites d’un outil. Ensuite, la gouvernance des données et des droits d’auteur : l’entraînement des modèles et la circulation des contenus générés soulèvent des débats qui concernent créateurs, entreprises et citoyens. Enfin, l’empreinte environnementale : entraîner et faire fonctionner de grands modèles nécessite de l’énergie, de l’eau et des équipements, ce qui impose de mesurer les bénéfices obtenus au regard des ressources mobilisées.

L’IA peut devenir un outil précieux lorsqu’elle complète les compétences humaines, rend certaines tâches plus accessibles et s’inscrit dans un cadre contrôlable. La curiosité est utile, mais elle gagne à s’accompagner d’un réflexe simple : demander ce que fait concrètement un système, sur quelles données il s’appuie, qui le contrôle et ce qui se passe lorsqu’il se trompe.