L’IA va-t-elle dépasser l’intelligence humaine ? Ce que les progrès permettent vraiment

Le débat est souvent formulé comme une compétition : la machine finira-t-elle par être plus intelligente que l’être humain ? La réalité est plus nuancée. Certaines intelligences artificielles dépassent déjà nos capacités sur des tâches étroites et bien définies, notamment lorsqu’il faut traiter très vite d’immenses quantités d’informations. Mais cela ne signifie pas qu’elles possèdent une intelligence humaine complète, ni qu’elles sont près de la remplacer dans tous les domaines.

Au 11 avril 2024, les perspectives associées à de futurs modèles comme GPT-5, chez OpenAI, et Llama 3, chez Meta, contribuent à relancer cette question. Ces noms incarnent l’ambition de systèmes capables non seulement de produire du texte ou des images, mais aussi d’enchaîner des étapes, de résoudre des problèmes et d’utiliser des outils. À cette date, GPT-5 n’a pas été présenté publiquement par OpenAI et Llama 3 n’est pas encore accessible au public. Les promesses autour de ces générations de modèles doivent donc être distinguées de leurs capacités effectivement démontrées.

Dépasser l’humain : de quelle intelligence parle-t-on ?

Dire qu’une IA « dépasse » l’être humain n’a de sens que si l’on précise la tâche concernée. Un programme d’échecs peut battre les meilleurs joueurs du monde sans savoir expliquer les règles à un enfant, préparer un repas ou comprendre les conséquences sociales d’une décision. De la même manière, un modèle de langage peut résumer des milliers de pages en quelques instants, tout en produisant une affirmation fausse avec une assurance trompeuse.

L’intelligence humaine ne se résume pas à la vitesse de calcul ou à la mémorisation. Elle comprend notamment la capacité à apprendre de l’expérience au fil d’une vie, à agir dans un environnement physique, à saisir des sous-entendus, à s’adapter à des situations inédites et à arbitrer entre des valeurs parfois contradictoires. Elle est aussi sociale : nous interprétons des intentions, des émotions et des règles implicites acquises dans un contexte culturel.

Les IA génératives actuelles fonctionnent différemment. Les grands modèles de langage sont entraînés sur de vastes corpus afin de prédire la suite la plus plausible d’une séquence de mots, de code ou d’autres données. Cette aptitude leur permet de formuler des réponses très convaincantes et d’accomplir une grande diversité de tâches. Toutefois, une réponse fluide ne prouve pas à elle seule que le système comprend le monde comme une personne.

Les domaines où l’IA est déjà très performante

L’avantage des systèmes informatiques est particulièrement net lorsqu’une tâche peut être formalisée, répétée et mesurée. Ils ne se fatiguent pas, peuvent parcourir un volume considérable de documents et reproduisent rapidement la même procédure. Mais ces atouts ne doivent pas faire oublier leurs faiblesses : un résultat rapide n’est utile que s’il est exact, pertinent et correctement interprété.

Cette distinction est importante. Une IA peut devenir un outil extrêmement puissant pour un professionnel sans que celui-ci délègue son jugement. Dans un métier, la valeur ne réside pas seulement dans l’exécution d’une tâche. Elle repose aussi sur la compréhension d’une situation, la responsabilité envers autrui et la capacité à reconnaître qu’il manque une information essentielle.

Les évaluations de modèles reposent souvent sur des séries de questions, des problèmes de logique, des exercices de programmation ou des tests de connaissances. Elles sont utiles pour comparer des systèmes dans un cadre donné. En revanche, elles ne mesurent pas directement la prudence, le bon sens, l’empathie ou l’aptitude à faire face à un problème dont les règles n’ont pas été énoncées à l’avance. De bons résultats à un test ne suffisent donc pas à établir une supériorité générale.

Que recouvrent vraiment le raisonnement et la planification ?

Les termes de « raisonnement » et de « planification » sont au cœur des annonces sur les nouvelles générations d’IA. Dans le cas d’un modèle de langage, raisonner peut signifier décomposer un problème en plusieurs étapes, comparer des options, vérifier un calcul avec un outil ou expliquer le chemin suivi avant de proposer une réponse. Planifier consiste à organiser ces étapes autour d’un but donné.

Prenons l’exemple d’un voyage. Une IA pourrait recevoir une consigne telle que : trouver un trajet, comparer des horaires, vérifier un budget, choisir un hébergement et préparer un itinéraire. Pour accomplir correctement cette mission, elle ne doit pas seulement générer du texte. Elle doit accéder à des informations à jour, comprendre des contraintes parfois contradictoires, utiliser des services externes et signaler les cas où une décision doit revenir à l’utilisateur.

C’est pourquoi les systèmes appelés « agents » suscitent autant d’attention. Ils associent un modèle de langage à des outils : moteur de recherche, calendrier, base de données, logiciel de réservation ou environnement de programmation. Ils peuvent ainsi alterner entre une phase de réflexion apparente et une action concrète. Leur autonomie reste toutefois encadrée par les accès qui leur sont accordés et les règles prévues par leurs concepteurs.

Les modèles actuels peuvent aussi inventer une référence, mal interpréter une demande ambiguë ou perdre le fil d’une consigne complexe. Ce phénomène est couramment appelé « hallucination ». Il ne correspond pas à une imagination au sens humain du terme, mais à la production d’un contenu plausible qui n’est pas nécessairement vrai. Plus une IA est connectée à des outils capables d’agir, plus les contrôles doivent être solides.

L’IAG, une ambition qui reste hypothétique

L’expression intelligence artificielle générale, souvent abrégée en IAG, désigne l’idée d’une IA capable d’accomplir efficacement une très large variété de tâches intellectuelles, en s’adaptant à des situations nouvelles à un niveau comparable ou supérieur à celui d’un humain. C’est une ambition majeure pour une partie du secteur, mais il n’existe pas de définition scientifique unique de l’IAG, ni de test universel permettant de déclarer qu’un système l’a atteinte.

Cette absence de critère partagé explique une part des désaccords. Pour certains, un modèle devra apprendre de manière autonome dans le monde réel, transférer ses connaissances d’un domaine à l’autre et comprendre les causes des événements. Pour d’autres, la capacité à résoudre la plupart des problèmes intellectuels utiles suffirait. Les deux visions ne fixent ni les mêmes exigences ni le même horizon.

Il faut également distinguer l’IAG de la notion de « superintelligence ». Cette dernière renvoie à un système qui dépasserait largement les humains dans presque toutes les activités cognitives. Il s’agit d’une hypothèse plus lointaine encore. En avril 2024, aucun modèle disponible ne répond à une définition consensuelle de l’intelligence artificielle générale.

Les projections sur son arrivée doivent donc être prises pour ce qu’elles sont : des estimations, des convictions ou des scénarios, non des certitudes. L’histoire de l’informatique montre que les progrès peuvent être rapides dans certains domaines, mais que les obstacles les plus difficiles apparaissent parfois après des démonstrations spectaculaires.

Les risques ne commencent pas avec une IA générale

Attendre une éventuelle IAG pour s’intéresser à la sécurité serait une erreur. Les outils actuels peuvent déjà influencer des décisions, traiter des données sensibles, produire des contenus trompeurs ou automatiser une partie du travail. Les enjeux sont concrets : qui est responsable si une recommandation erronée cause un préjudice ? Comment empêcher un outil de divulguer une information confidentielle ? Comment vérifier qu’une automatisation ne désavantage pas certains groupes ?

La question du contrôle est particulièrement importante pour les systèmes qui exécutent des actions. Autoriser une IA à préparer un brouillon de courriel ne pose pas les mêmes problèmes que lui permettre d’envoyer un message, d’effectuer un achat ou de modifier une base de données. Ces usages doivent être gradués, avec des limites claires et une validation humaine pour les décisions sensibles.

Plusieurs principes se dégagent pour déployer ces technologies avec prudence :

• évaluer les performances sur des cas proches de l’usage réel, pas seulement sur des démonstrations ;
• vérifier les informations importantes avant toute décision ;
• limiter les accès techniques aux seules actions nécessaires ;
• conserver une traçabilité des actions effectuées ;
• prévoir une intervention humaine et une procédure d’arrêt lorsqu’un comportement devient inattendu.

Ces précautions ne freinent pas nécessairement l’innovation. Elles peuvent au contraire rendre les outils plus utiles, parce qu’elles permettent aux utilisateurs de savoir dans quelles conditions leur faire confiance.

Ce qu’il faut surveiller dans les prochains modèles

Les futures annonces devront être jugées au-delà de la qualité d’une conversation ou d’une démonstration soigneusement préparée. Le critère décisif sera la fiabilité : un modèle réussit-il de manière répétée, dans des situations diverses, lorsqu’il doit mobiliser plusieurs étapes et reconnaître ses limites ? Peut-il demander une précision plutôt que d’inventer une réponse ? Ses résultats sont-ils vérifiés par des évaluations indépendantes ?

Il faudra aussi observer les conditions concrètes de l’autonomie. Un assistant qui suggère un itinéraire n’a pas le même statut qu’un agent qui peut effectuer des réservations. Plus l’IA accède à des données personnelles, à de l’argent ou à des systèmes critiques, plus la sécurité, les autorisations et la responsabilité deviennent centrales.

La bonne question n’est donc pas seulement de savoir si l’IA dépassera un jour l’intelligence humaine. Elle est de déterminer dans quels domaines elle apporte une aide réelle, quelles décisions doivent rester sous contrôle humain et quelles règles sont nécessaires pour que ses progrès servent effectivement l’intérêt général.