Par Chahid Naoufel

Publié le · Modifié le · Vérifié le

Les points essentiels

  • IA signifie intelligence artificielle : un système fondé sur une machine peut inférer, à partir d’entrées, comment produire des prédictions, contenus, recommandations ou décisions.[1]
  • Le terme ne désigne ni une technologie unique ni une intelligence comparable à celle d’une personne.[1]
  • Apprentissage automatique, langage naturel, vision et optimisation sont des familles de techniques différentes.[1]
  • Une sortie statistiquement plausible n’est pas nécessairement vraie ni adaptée à une décision.[6]
  • Avant un usage, définissez la tâche, les données, la mesure, les conséquences et le contrôle humain.

Définition de l’intelligence artificielle

Dans la définition mise à jour de l’OCDE, un système d’IA est fondé sur une machine et infère, à partir des entrées reçues, comment produire des sorties telles que des prédictions, des contenus, des recommandations ou des décisions. Son autonomie et sa capacité d’adaptation après déploiement peuvent varier.[1]

Le mot “intelligence” est une convention. La définition officielle n’attribue pas au système une compréhension, une conscience ou un jugement humain : elle décrit des entrées, une inférence et des sorties dans un contexte précis.[1]

IA, algorithme, modèle et automatisation

IA, algorithme, modèle et automatisation
TermeSens pratiqueExemple
AlgorithmeSuite d’opérations définiesCalculer un itinéraire
ModèleFonction ajustée ou paramétrée pour une tâcheClasser un message
IA générativeModèle qui produit un nouveau contenuComposer un texte ou une image
AutomatisationEnchaînement d’actionsCréer un ticket après un formulaire
Agent IASystème qui choisit des outils selon un objectifPréparer un dossier à partir de plusieurs sources

Trois repères pédagogiques, pas une classification officielle

IA étroite ou spécialisée

Dans la grille pédagogique de cette page, une IA dite étroite ou spécialisée est associée à un ensemble de tâches délimitées. Pour évaluer un produit, décrivez plutôt ses objectifs, ses entrées, ses sorties, ses droits et ses tests.[8][9]

Intelligence artificielle générale

Cette page emploie AGI comme repère de discussion sur des capacités générales, sans en faire une catégorie définie par l’OCDE ou par le règlement européen sur l’IA. Une comparaison d’achat doit porter sur des capacités mesurées.[8][9]

Superintelligence et prospective

Cette page réserve le terme superintelligence à la prospective. Ce repère peut nourrir un débat de gouvernance à long terme, mais il ne remplace pas l’analyse des systèmes effectivement évalués ou déployés.[8][9]

Les principales techniques d’IA

Apprentissage automatique

Le système ajuste son comportement à partir d’exemples ou de signaux. La qualité dépend du problème, des données, de la méthode et de l’évaluation.[1]

Traitement du langage

Il classe, extrait, recherche, traduit ou génère du texte et de la parole. La fluidité ne garantit pas l’exactitude.[1]

Vision par ordinateur

Elle repère, classe ou décrit des éléments dans une image ou une vidéo, avec des erreurs possibles selon les conditions et les populations.[1]

Optimisation et planification

Ces méthodes cherchent une solution parmi plusieurs contraintes, par exemple pour ordonnancer des tâches ou choisir une route.[1]

Comment un modèle apprend-il ?

Les méthodes d’apprentissage peuvent s’appuyer sur des exemples annotés, sur des structures présentes dans les données, sur un signal construit à partir des données elles-mêmes ou sur des retours liés aux actions. Ces approches peuvent se combiner ; leur nom ne suffit pas à établir la qualité du système.

Utiliser un modèle ne signifie pas qu’il apprend en direct de chaque interaction. Entraînement, adaptation, mémoire et mise à jour d’une base documentaire sont des opérations distinctes.

Des usages concrets, avec des périmètres différents

  • Marketing : analyser des thèmes, préparer des variantes et assister la production.
  • Service client : rechercher une réponse et préparer ou router une demande.
  • Industrie : détecter des anomalies et aider à planifier une intervention.
  • Finance : rapprocher des documents ou signaler des opérations à revoir.
  • Santé et sciences : assister une analyse dans un cadre professionnel contrôlé.
  • Fonctions internes : classer, extraire, rechercher et résumer des informations.

Marketing et communication

L’IA peut regrouper des thèmes, analyser des retours, préparer des variantes et assister la production. La stratégie, les sources, les droits et la validation de marque restent des responsabilités explicites.

Santé et sciences

Des systèmes peuvent aider à détecter, classer ou synthétiser dans des cadres professionnels. La qualité des données, la validation clinique ou scientifique et les exigences réglementaires rendent ces usages différents d’un assistant généraliste.

Industrie et robotique

Vision, prévision et optimisation peuvent assister le contrôle, la maintenance ou la planification. Un signal statistique n’est pas une décision de sécurité : les capteurs, seuils, arrêts et responsabilités doivent être vérifiés.

Finance et gestion

Extraction documentaire, rapprochement et détection d’anomalies accélèrent certaines revues. Les décisions affectant une personne, un crédit ou une obligation demandent des contrôles, une traçabilité et un recours adaptés.

Aide à la décision

Un système peut organiser des options et signaler des éléments pertinents. Il ne fixe pas seul les valeurs, priorités ou compromis de l’organisation ; la décision finale doit conserver un responsable identifié.

Ce que l’IA ne garantit pas

  • Une réponse vraie parce qu’elle est bien formulée.[6]
  • Une décision neutre parce qu’elle est automatisée.[2]
  • Une compréhension humaine du contexte.
  • Une confidentialité par défaut.[6]
  • Une performance stable après changement de données.[2]
  • Un gain économique sans transformation du processus.

Évaluer les effets sur les personnes et le travail

Un système peut redistribuer les tâches, la responsabilité et l’accès à l’information. Il peut réduire une friction tout en ajoutant contrôle, maintenance ou dépendance. Ces effets doivent être discutés avec les équipes concernées.[2][5]

L’analyse inclut sécurité, vie privée, équité, accessibilité, impact environnemental, conditions de recours et possibilité de revenir à un traitement humain.[2][5]

Quel avenir pour l’intelligence artificielle ?

Notre veille suit les changements qui peuvent modifier un usage concret : traitement de plusieurs médias, outils connectés, exécution locale, méthodes d’évaluation et obligations de transparence. Chaque annonce de capacité doit être vérifiée sur des tâches représentatives avant d’être retenue.

L’IA est-elle dangereuse ?

Le risque dépend du système, de son accès, de son usage et de la conséquence d’une erreur. Une génération de brouillon et une décision automatisée sur une personne n’exigent pas les mêmes contrôles. Il faut éviter à la fois la banalisation et le scénario universel.

Comment évaluer un changement du travail

Examinez si le système automatise certaines étapes, en crée de nouvelles ou augmente le besoin de vérification, d’orchestration et de relation. L’effet sur un métier se mesure tâche par tâche, avec les personnes concernées, plutôt qu’en supposant une disparition complète.

Les compétences à prévoir dans un projet

Produit, ingénierie des données, évaluation, sécurité, gouvernance, design conversationnel et conduite du changement peuvent être nécessaires selon le projet. L’organisation doit préciser qui assume le cadrage et le contrôle, qu’il s’agisse de rôles existants ou dédiés.

Le rôle de la CNIL pour les usages de l’IA

Encadrer le développement utilisant des données personnelles

Les recommandations de la CNIL citées ici portent sur le développement de systèmes d’IA avec des données personnelles, et non sur l’ensemble de leur déploiement. Dans ce périmètre, elles traitent notamment de finalité, de minimisation, de rôles, de droits, de conservation, de documentation et de sécurité.[3][4][7]

Articuler protection des données et nouveaux cadres européens

Le RGPD et le règlement sur l’IA répondent à des questions différentes et peuvent s’appliquer ensemble. Le rôle de l’organisation, la catégorie du système et le contexte déterminent les obligations ; une qualification juridique ne se déduit pas du seul nom du produit.[3][4][7]

L’éthique de l’IA au-delà de la conformité

Les principes internationaux d’éthique rappellent que la conformité minimale ne suffit pas à décider si un usage est souhaitable. Droits humains, diversité, inclusion, transparence, responsabilité et effets environnementaux fournissent une grille de discussion pour les organisations.[5]

Des objectifs à traduire en décisions concrètes

Un principe devient utile lorsqu’il modifie le projet : données écartées, action interdite, validation ajoutée, explication donnée, canal de recours ou indicateur d’impact. Une charte sans propriétaire ni preuve reste décorative.[5]

Associer des perspectives diverses

Les personnes affectées, les équipes métier, les spécialistes des données, de la sécurité, du droit et de l’accessibilité ne voient pas les mêmes risques. Leur participation vise à améliorer les critères et à faire apparaître des situations absentes du jeu de test initial.[5]

Créer une gouvernance qui peut dire non

Le comité ou le responsable doit disposer d’informations, d’une capacité d’arrêt et d’un processus d’escalade. La gouvernance ne doit pas seulement valider l’usage après la décision commerciale.[5]

Comprendre l’IA générative

Qu’est-ce qu’un modèle génératif ?

Il apprend des régularités dans des données et produit un nouvel élément compatible avec le contexte fourni : texte, image, audio, code ou autre représentation. Sa sortie peut sembler convaincante sans être vraie ou adaptée.[6]

Quel lien avec les méthodes d’apprentissage ?

La méthode employée ne permet pas, à elle seule, de conclure à l’autonomie, à la compréhension ou à la fiabilité d’un système. Ces propriétés doivent être décrites et évaluées dans le contexte d’usage.[6]

Pourquoi les données comptent

Couverture, qualité, droits, biais et date des données influencent ce qu’un modèle peut produire. Davantage de données n’améliore pas automatiquement un système si elles sont redondantes, mal documentées ou incompatibles avec la tâche.[6]

Pourquoi comparer plusieurs architectures

Le modèle, la taille du contexte, la recherche documentaire et les étapes déterministes modifient le comportement et les ressources nécessaires. Mesurez qualité, délai et coût sur la tâche réelle au lieu de les déduire du seul nom du modèle.[6]

Les six questions avant d’utiliser une IA

  • Quel problème précis doit-elle résoudre ?
  • Quelle sortie peut être vérifiée ?
  • Quelles données et permissions sont nécessaires ?
  • Que se passe-t-il si elle se trompe ?
  • Qui contrôle, corrige et arrête ?
  • Quelle alternative plus simple faut-il comparer ?

Questions fréquentes

Que signifie IA ?

Intelligence artificielle, un ensemble de techniques permettant à des systèmes de réaliser des tâches de perception, langage, prédiction ou décision.[1]

Que signifie AI ?

Artificial intelligence, l’expression anglaise correspondant à intelligence artificielle.

Toutes les IA sont-elles génératives ?

Non. Beaucoup classent, prédisent, détectent ou optimisent sans générer de texte, image ou son.[1]

Un modèle génératif comprend-il ce qu’il écrit ?

Il produit une sortie à partir de structures apprises et du contexte. Sa fluidité ne prouve ni compréhension humaine ni exactitude.[6]

De quelles données une IA a-t-elle besoin ?

Cela dépend de la tâche. Il faut privilégier les données nécessaires, licites, représentatives, correctement gouvernées et adaptées à l’évaluation.[3][2]

L’IA est-elle dangereuse ?

Le risque dépend du système, de son usage, de ses droits et de ses conséquences. Un périmètre, des tests et une supervision proportionnée visent à le réduire.[2]

Sources

  1. Explanatory memorandum on the updated OECD definition of an AI system — OECD.AI. Publié le . Consulté le . ↩1↩2↩3↩4↩5↩6↩7↩8↩9↩10↩11
  2. AI Risk Management Framework — National Institute of Standards and Technology. Publié le . Consulté le . ↩1↩2↩3↩4↩5↩6
  3. Développement des systèmes d’IA : les recommandations de la CNIL pour respecter le RGPD — CNIL. Publié le . Consulté le . ↩1↩2↩3
  4. AI Act — Commission européenne. Mis à jour le . Consulté le . ↩1↩2
  5. Recommendation on the Ethics of Artificial Intelligence — UNESCO. Publié le . Consulté le . ↩1↩2↩3↩4↩5↩6
  6. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — National Institute of Standards and Technology. Publié le . Consulté le . ↩1↩2↩3↩4↩5↩6↩7↩8
  7. Regulation (EU) 2024/1689 — Artificial Intelligence Act — EUR-Lex. Publié le . Mis à jour le . Consulté le . ↩1↩2
  8. Historical Evolution of Artificial Intelligence — European Commission Joint Research Centre. Consulté le . ↩1↩2↩3
  9. International AI Safety Report 2026 — UK Government. Consulté le . ↩1↩2↩3

Poursuivre votre lecture