L’IA, de sa naissance à son futur en 2040 : connaissance et vision

L’intelligence artificielle n’est ni une créature tombée du ciel, ni une simple mode informatique. Elle vient d’une longue question humaine : peut-on décrire assez précisément une forme de pensée pour qu’une machine en exécute une partie ? Son histoire mêle logique, philosophie, neurosciences, statistiques, industrie et choix politiques. La comprendre permet d’éviter deux erreurs opposées : croire que la machine pense comme nous, ou croire qu’elle ne fait que répéter mécaniquement sans aucune puissance nouvelle.

Ce voyage commence avant l’ordinateur moderne. Il suit ensuite des programmes qui manipulent des symboles, des réseaux qui apprennent à partir d’exemples, des systèmes qui battent des champions et des modèles capables de produire du texte, des images ou du code. À chaque étape, nous poserons la même question : qu’est-ce qui a réellement changé, et qu’est-ce qui reste hors de portée ?

La méthode de lecture est explicite. Un fait historique désigne un événement daté et documenté. Un état documenté en 2026 décrit ce que des rapports et travaux de référence établissent au moment de la rédaction. Une tendance observable indique une direction présente sans prétendre qu’elle se prolongera. Un scénario prospectif imagine 2040 sous des hypothèses déclarées. Ces catégories ne doivent jamais être confondues.

Avant les machines : logique, calcul et philosophie de l’esprit

Les origines logiques de l’IA apparaissent quand des penseurs cherchent à représenter un raisonnement par des règles. Si une conclusion peut découler d’énoncés selon une forme précise, alors une partie du raisonnement devient manipulable. Cette idée ne dit pas que toute pensée est une formule. Elle ouvre seulement un passage : certaines opérations intellectuelles peuvent être décrites, vérifiées et, plus tard, automatisées.

La logique fonctionne comme une grammaire du raisonnement. Elle ne garantit pas que les prémisses sont vraies ; elle indique ce qui suit si elles le sont. Une machine symbolique peut donc être rigoureuse tout en partant d’informations fausses. Ce point, déjà essentiel dans les premiers programmes, reste central pour les systèmes modernes : une conclusion bien formée n’est pas nécessairement une conclusion fidèle au monde.

La philosophie ajoute des questions plus profondes. Qu’est-ce que comprendre ? Une réponse correcte suffit-elle, ou faut-il une expérience consciente ? Une intelligence doit-elle avoir un corps, des besoins, une mémoire vécue ? Ces questions ne sont pas des ornements. Elles déterminent ce que nous acceptons comme preuve d’intelligence et ce que nous refusons de déléguer à une machine.

Le calcul apporte enfin une distinction décisive : un problème peut être formulé comme une suite d’opérations sans être facile à résoudre. Certaines tâches deviennent rapidement trop coûteuses lorsque le nombre de possibilités augmente. L’histoire de l’IA est donc aussi l’histoire de compromis entre exactitude, temps, mémoire, énergie et qualité acceptable.

1. Décrire le problème avec des symboles ou des données.
2. Choisir une procédure ou un modèle pour transformer cette description.
3. Définir ce qui comptera comme une bonne réponse.
4. Mesurer les erreurs et examiner leurs conséquences dans le monde réel.

Fait historique : McCulloch et Pitts relient neurones et logique en 1943

En décembre 1943, Warren McCulloch et Walter Pitts publient un article fondateur sur une représentation logique de l’activité nerveuse (source 3). Ils proposent des unités abstraites qui reçoivent des signaux et produisent une sortie selon une règle. Le modèle est extrêmement simplifié par rapport à un cerveau vivant, mais il montre qu’un réseau d’unités élémentaires peut réaliser des opérations logiques.

Imagine une rangée de petites portes. Chacune s’ouvre seulement si certaines entrées sont actives. Reliées entre elles, ces portes peuvent construire des décisions plus complexes. Le neurone artificiel n’est donc pas une copie fidèle du neurone biologique. C’est une abstraction calculable, conçue pour étudier ce que des connexions simples rendent possible.

Cette étape est importante pour deux raisons. Elle donne une forme mathématique à l’idée d’un réseau neuronal et crée un pont entre cerveau, logique et calcul. Elle annonce aussi une tension durable : l’inspiration biologique peut guider l’ingénierie sans obliger la machine à reproduire exactement la biologie.

Il faut résister au récit simpliste selon lequel les réseaux actuels seraient déjà contenus dans ce texte. Les architectures, les données, les méthodes d’entraînement et les machines de calcul ont profondément changé. Le fait historique précis est plus modeste et plus fort : une formulation abstraite a montré comment des unités reliées pouvaient soutenir un calcul logique.

Fait historique : Turing déplace la question en 1950

En 1950, Alan Turing propose d’aborder la question de l’intelligence des machines par un jeu d’imitation. Au lieu d’exiger une définition parfaite de penser, il demande si un interrogateur peut distinguer, par la conversation, une machine d’un humain. La Stanford Encyclopedia of Philosophy retrace les interprétations et débats entourant ce test (source 2).

Le geste de Turing est méthodologique. Il remplace une question peut-être insoluble par une épreuve observable. Cette stratégie est courante en science : quand une propriété intérieure échappe à la mesure directe, on définit un protocole portant sur des comportements. Mais le protocole ne règle pas tout. Réussir une conversation n’établit ni conscience, ni sagesse, ni compréhension générale.

Un système peut donner une impression remarquable dans un dialogue et échouer dès qu’il doit agir dans un environnement, vérifier une source ou maintenir une intention dans la durée. À l’inverse, une machine très compétente en diagnostic d’image peut être incapable de converser. L’intelligence n’est pas une seule échelle ; c’est un ensemble de capacités.

Le test de Turing garde donc une valeur historique et philosophique. Il nous apprend à distinguer performance observée et nature intérieure. En 2026, cette prudence est plus utile que jamais, car la fluidité du langage pousse spontanément le lecteur à attribuer une personnalité, une croyance ou une intention au modèle.

Fait historique : Dartmouth donne un nom et un programme au domaine

La proposition de Dartmouth est datée du 31 août 1955. Elle prépare une étude d’été en 1956, prévue sur deux mois avec dix personnes. Sa conjecture centrale affirme que les aspects de l’apprentissage et d’autres traits de l’intelligence peuvent, en principe, être décrits assez précisément pour être simulés par une machine (source 1).

Cette phrase donne au domaine une ambition commune. Elle ne prouve pas que l’intelligence entière est déjà comprise. Elle transforme une intuition en programme de recherche : langage, abstraction, résolution de problèmes, amélioration de soi et hasard contrôlé deviennent des objets que des chercheurs veulent formaliser.

Dartmouth est souvent raconté comme une naissance nette. En réalité, les idées venaient de plusieurs disciplines et de travaux antérieurs. Le rassemblement reste toutefois un repère majeur, car l’expression intelligence artificielle acquiert un foyer institutionnel et une communauté qui se reconnaît dans cette ambition.

L’optimisme initial est immense. Les chercheurs voient des ordinateurs réussir des opérations autrefois réservées aux humains et imaginent que d’autres obstacles céderont vite. Ils sous-estiment la quantité de connaissances tacites contenues dans une action ordinaire, comme comprendre une scène, saisir une plaisanterie ou déplacer un objet fragile.

Le symbolisme : faire raisonner la machine avec des règles

Le courant symbolique représente le monde avec des symboles explicites et des règles. Un symbole peut désigner un objet, une catégorie ou une relation. Le programme combine ces éléments pour déduire une conclusion, planifier une action ou prouver un énoncé. Cette approche convient bien quand les règles sont stables et que les concepts peuvent être clairement nommés.

Prenons un petit monde de blocs. Le programme sait qu’un bloc posé sur un autre ne peut pas être déplacé tant que le dessus n’est pas libre. Il peut rechercher une suite d’actions pour atteindre une configuration. Le résultat ressemble à un raisonnement, mais dépend entièrement de la description fournie et des règles disponibles.

Le symbolisme possède un grand avantage : ses étapes peuvent souvent être inspectées. On peut demander quelle règle a été appliquée. Mais sa fragilité apparaît dans les situations ambiguës ou riches. Le monde réel contient des exceptions, du contexte, des perceptions imparfaites et des concepts dont les frontières changent.

• Force : règles lisibles et connaissances déclarées.
• Force : raisonnement précis dans un domaine bien défini.
• Limite : acquisition manuelle des connaissances.
• Limite : difficulté face au bruit, à l’ambiguïté et aux exceptions.
• Leçon durable : une explication utile exige plus qu’une réponse correcte.

Le débat entre symboles et apprentissage ne devrait pas être une guerre de religions. Les systèmes contemporains peuvent combiner modèles appris, recherche, outils et règles explicites. L’enjeu pratique est de choisir la représentation qui rend le problème traitable et le contrôle possible.

Le perceptron : apprendre une frontière à partir d’exemples

En 1958, Frank Rosenblatt publie dans Psychological Review l’article « The perceptron: A probabilistic model for information storage and organization in the brain » (source 15). Le perceptron popularise une autre voie : au lieu d’écrire toutes les règles, on ajuste des poids à partir d’exemples. Chaque entrée exerce une influence positive ou négative sur la sortie, et l’apprentissage corrige ces poids pour réduire les erreurs.

Le titre de l’article est important : Rosenblatt ne présente pas une copie complète du cerveau, mais un modèle probabiliste de stockage et d’organisation de l’information. Cette précision protège contre une lecture anachronique. Le perceptron de 1958 constitue un jalon de l’apprentissage neuronal ; il n’englobe ni les réseaux profonds actuels, ni leurs méthodes d’optimisation, ni les volumes de données modernes.

La géométrie du perceptron permet de comprendre sa force et sa limite. Il apprend une frontière de décision à partir de caractéristiques mesurées. Lorsque les catégories peuvent être séparées par une frontière assez simple, l’ajustement est efficace. Lorsque la relation exige plusieurs transformations successives, une seule unité ne suffit pas. L’enjeu futur sera donc d’empiler des couches tout en trouvant une méthode fiable pour attribuer l’erreur à chacune d’elles.

Imagine un tri de fruits fondé sur la couleur et la masse. Le système déplace progressivement une frontière entre deux catégories. S’il existe une séparation assez simple, il peut l’apprendre. Si les catégories s’entremêlent ou dépendent d’un contexte plus riche, une seule unité ne suffit pas.

Les limites des premiers perceptrons alimentent ensuite une déception plus large. Elles ne montrent pas que tout réseau est inutile. Elles montrent qu’une architecture limitée ne peut représenter certaines relations. L’histoire de l’IA est pleine de généralisations hâtives, positives comme négatives, tirées d’un outil encore immature.

La leçon pédagogique reste valide : apprendre signifie ajuster un comportement selon des exemples et un signal d’erreur. Cela ne signifie pas automatiquement découvrir la vérité. Si les exemples sont biaisés ou si le signal récompense le mauvais objectif, le système apprend fidèlement le mauvais raccourci.

ELIZA et le pouvoir trompeur de la conversation

En janvier 1966, Joseph Weizenbaum publie dans Communications of the ACM « ELIZA—a computer program for the study of natural language communication between man and machine » (source 16). ELIZA montre qu’un programme relativement simple peut provoquer un fort sentiment de dialogue. En reformulant des phrases et en renvoyant des questions, le système imite certains échanges sans construire une compréhension profonde de la personne.

Le contraste entre la mécanique du programme et la réaction de ses utilisateurs devient un résultat historique en soi. ELIZA ne démontre pas qu’une machine comprend une histoire personnelle ; il démontre qu’une structure linguistique bien choisie suffit parfois à déclencher chez l’humain une attribution d’écoute, d’intention et d’empathie. Les assistants modernes sont beaucoup plus riches, mais cette disposition psychologique n’a pas disparu.

Cette leçon impose deux évaluations séparées. La première mesure la qualité de l’échange : clarté, continuité et adaptation du ton. La seconde mesure la valeur de ce qui est affirmé : exactitude, provenance, limites et effet sur la décision. Une conversation peut être excellente selon le premier axe et dangereusement faible selon le second.

Cet effet révèle une propriété humaine autant qu’une propriété technique. Nous sommes entraînés à chercher une intention derrière le langage. Une phrase grammaticalement juste et émotionnellement adaptée suffit souvent pour que nous imaginions un interlocuteur intérieur. Les modèles modernes rendent cette projection beaucoup plus puissante, sans supprimer le risque de confusion.

ELIZA enseigne une règle encore essentielle : la qualité ressentie d’une interaction ne constitue pas une preuve suffisante de fiabilité. Un système peut apaiser, persuader ou impressionner tout en étant factuellement vide. Il faut donc évaluer séparément la fluidité, l’exactitude, la robustesse et l’effet sur l’utilisateur.

Les premiers robots : l’intelligence rencontre le monde physique

Entre 1966 et 1972, le centre d’intelligence artificielle de SRI développe Shakey. SRI le présente comme le premier robot mobile capable de percevoir et de raisonner sur son environnement ; il accomplit des tâches de planification, de recherche d’itinéraire et de réarrangement d’objets simples (source 17). Avec Shakey, perception, représentation symbolique, planification et mouvement sont réunis dans une même boucle expérimentale.

Le monde de Shakey reste volontairement simplifié. Cette réduction n’est pas une faiblesse honteuse : elle permet aux chercheurs d’isoler les problèmes. Le robot doit relier un signal perceptif à une représentation interne, choisir une suite d’actions, puis constater si le résultat correspond à son plan. Chaque étape peut échouer pour une raison différente.

Shakey révèle ainsi une différence fondamentale entre résoudre un problème sur papier et agir. Une action consomme du temps, rencontre des obstacles et peut modifier définitivement l’environnement. La planification doit intégrer l’exécution, tandis que la perception doit être répétée après le mouvement. Cette boucle annonce les exigences de la robotique autonome contemporaine.

Cette rencontre avec le monde fait apparaître le problème de l’ancrage. Un symbole comme porte est facile à écrire dans une base de connaissances. Reconnaître une porte dans des lumières variées, comprendre si elle est ouverte, puis agir sur elle exige une chaîne de compétences. Le réel ne fournit pas d’étiquettes propres.

La robotique montre aussi que l’intelligence dépend d’une boucle. Le système perçoit, décide, agit, puis observe les conséquences. Une erreur textuelle peut être corrigée après lecture. Une erreur physique peut blesser, endommager ou devenir irréversible. La sécurité doit donc être conçue en fonction du milieu d’action.

1. Percevoir un environnement incomplet et changeant.
2. Maintenir une représentation utile de la situation.
3. Planifier malgré l’incertitude.
4. Agir avec des contraintes mécaniques.
5. Détecter l’échec et revenir vers un état sûr.

Systèmes experts : capturer un savoir professionnel

Les systèmes experts cherchent à reproduire des décisions spécialisées à l’aide de règles et de faits. Des ingénieurs interrogent des professionnels, transforment leur savoir en base de connaissances, puis construisent un moteur d’inférence. Dans un domaine étroit, cette méthode peut produire des recommandations cohérentes et explicables, à condition que le savoir pertinent puisse être formalisé et maintenu.

Les travaux médicaux de Edward H. Shortliffe et Bruce G. Buchanan fournissent un exemple majeur. Leur article de 1975, « A model of inexact reasoning in medicine », étudie un raisonnement qui ne peut pas être réduit à des certitudes parfaites (source 18). Il s’inscrit dans le programme de recherche associé à MYCIN, conçu pour conseiller sur des problèmes de thérapie antimicrobienne, et non pour remplacer sans contrôle un médecin dans la pratique clinique.

L’expression raisonnement inexact désigne ici une difficulté réelle : les observations peuvent être incomplètes et les règles médicales comporter des degrés de confiance. Le système doit donc combiner des éléments sans prétendre transformer l’incertitude en vérité. Cette recherche anticipe une question toujours actuelle : comment présenter une recommandation, son niveau de confiance et les raisons qui la soutiennent ?

MYCIN est souvent cité pour la qualité de ses recommandations dans un domaine délimité, mais son intérêt historique tient aussi à son architecture : séparer une base de connaissances d’un mécanisme de raisonnement rend la règle inspectable et modifiable. En contrepartie, l’ajout, la validation et la mise à jour des règles exigent un travail humain considérable.

Leur difficulté majeure porte sur l’acquisition des connaissances. Un expert ne sait pas toujours exprimer tout ce qu’il remarque. Son jugement dépend parfois de signaux faibles, d’une expérience accumulée ou d’exceptions rares. Transformer cette compétence en règles demande un travail long, et le système vieillit lorsque le domaine change.

Ils posent néanmoins une question moderne : qui porte la responsabilité quand une recommandation automatisée devient une décision ? La règle peut venir d’un expert, son encodage d’un ingénieur et son usage d’une organisation. Une bonne gouvernance doit rendre cette chaîne visible.

Les hivers de l’IA : quand les promesses dépassent les résultats

On appelle hivers de l’IA les périodes où l’enthousiasme, les financements et les attentes chutent. Les causes se combinent : capacités de calcul insuffisantes, données rares, systèmes fragiles, coûts élevés et promesses publiques trop ambitieuses. Un domaine peut progresser scientifiquement tout en perdant sa crédibilité institutionnelle.

Au Royaume-Uni, le rapport de James Lighthill devient un repère de ce scepticisme. Son étude générale, rédigée en juillet 1972 puis publiée dans l’ensemble connu comme Lighthill Report en 1973, est commandée pour éclairer le Science Research Council. Lighthill reconnaît des progrès dans certains domaines, mais constate aussi que les attentes ont souvent été déçues (source 19).

Il serait pourtant faux de transformer ce rapport en cause unique d’un hiver mondial. Le recul du soutien dépend de contextes nationaux, d’évaluations techniques, de résultats industriels et de décisions budgétaires différentes. Le rapport a surtout une valeur historique et symbolique : il montre le moment où l’écart entre promesse générale et résultats démontrés devient politiquement coûteux.

Cette histoire rappelle qu’un cycle d’investissement ne mesure pas parfaitement la valeur scientifique d’une idée. Des méthodes peuvent survivre dans des communautés réduites, mûrir loin des projecteurs et redevenir centrales lorsque le calcul, les données ou l’ingénierie rendent enfin leur déploiement possible.

Ces hivers ne sont pas de simples pauses. Ils filtrent les idées, ferment des laboratoires, dispersent des compétences et modifient le vocabulaire. Des chercheurs continuent parfois sous d’autres noms. Plus tard, des techniques reviennent lorsque les conditions matérielles ou méthodologiques ont changé.

La leçon n’est pas que toute ambition est suspecte. Elle est qu’un calendrier spectaculaire ne remplace pas une preuve. Une démonstration en laboratoire, un produit utile et une transformation générale de la société sont trois niveaux distincts. Les confondre prépare une désillusion.

Fait historique : la rétropropagation popularise l’apprentissage multicouche en 1986

Le 9 octobre 1986, David Rumelhart, Geoffrey Hinton et Ronald Williams publient dans Nature un article qui popularise l’usage de la rétropropagation pour apprendre des représentations internes (source 4). La méthode possède des antécédents ; l’article de 1986 ne surgit donc pas dans un vide historique. Son rôle décisif est de montrer clairement comment mesurer l’erreur en sortie puis transmettre un signal de correction à travers les couches d’un réseau.

On peut comparer cette méthode à un orchestre qui rejoue un passage. Le chef entend le résultat global, puis indique comment chaque pupitre doit ajuster sa contribution. Dans un réseau, l’ajustement est mathématique : chaque paramètre reçoit une part de responsabilité dans l’erreur, selon sa contribution au calcul.

La rétropropagation ne résout pas à elle seule tous les problèmes. Elle a besoin d’une architecture, de données, d’une fonction de perte et d’une procédure d’optimisation. Elle rend toutefois possible l’apprentissage de transformations successives, où les couches intermédiaires construisent des caractéristiques utiles sans qu’un humain les définisse toutes.

Ce point marque une rupture avec l’ingénierie manuelle des caractéristiques. Le système peut apprendre des représentations adaptées à la tâche. Mais ces représentations distribuées deviennent difficiles à interpréter : un concept n’habite pas nécessairement un neurone isolé, il peut émerger d’un motif réparti dans le réseau.

La méthode deviendra beaucoup plus puissante avec davantage de calcul, de données et des améliorations d’architecture. L’histoire correcte n’est donc pas celle d’une invention unique qui aurait créé l’IA moderne en un jour, mais celle d’un mécanisme devenu décisif lorsqu’un écosystème entier a mûri.

Deep Blue : la force d’une machine spécialisée

En mai 1997, Deep Blue d’IBM devient le premier système informatique à battre un champion du monde d’échecs en titre dans un match disputé selon les règles de tournoi. Le match en six parties l’oppose à Garry Kasparov (source 20). L’événement montre qu’une machine peut dépasser le meilleur humain dans une activité longtemps associée à l’intelligence, sans devenir pour autant une intelligence générale.

IBM décrit un système spécialisé reposant sur trente-deux processeurs et capable d’évaluer environ deux cents millions de positions d’échecs par seconde (source 20). Ces chiffres n’expliquent pas seuls la victoire : ils prennent sens avec une fonction d’évaluation, une recherche organisée et des connaissances échiquéennes. Ils montrent toutefois combien une stratégie de calcul massif peut produire une compétence surhumaine dans un espace bien défini.

Deep Blue constitue donc une leçon de méthode. Une tâche peut être culturellement associée à l’intuition et pourtant céder à une combinaison d’algorithmes, de matériel et d’expertise humaine encodée. La réussite est réelle ; sa portée doit rester précise. Le système ne transporte pas automatiquement son excellence des échecs vers la médecine, la conversation ou la conduite d’un robot.

L’événement oblige à revoir une intuition. Une tâche peut exiger une immense compétence humaine et pourtant être automatisée par une méthode très différente de la pensée humaine. La machine n’a pas besoin de ressentir la pression d’un match ou de comprendre la beauté d’une position pour choisir un coup redoutable.

Cette distinction entre résultat et mécanisme évite deux erreurs. La première consiste à diminuer l’exploit parce que la machine ne joue pas comme nous. La seconde consiste à lui attribuer une compréhension générale parce qu’elle excelle sur l’échiquier. Une capacité supérieure dans un domaine reste une capacité située.

La révolution statistique : apprendre dans les données

À mesure que les données numériques et la puissance de calcul augmentent, l’approche statistique gagne du terrain. Plutôt que de décrire chaque règle, on estime des régularités à partir d’exemples. La traduction, la reconnaissance de la parole et la vision progressent lorsque les systèmes apprennent à partir de corpus plus riches.

Le mot statistique ne signifie pas approximatif au sens de négligent. Selon la méthode, un système peut estimer des probabilités, optimiser un critère ou exploiter des régularités mesurées sans représenter explicitement chaque règle. Ces approches conviennent au langage et aux images, où plusieurs interprétations peuvent être plausibles et où les règles rigides cassent facilement.

Mais une corrélation apprise n’est pas une cause comprise. Si des données associent un objet à un arrière-plan particulier, le modèle peut utiliser l’arrière-plan comme raccourci. Il réussit alors le test habituel et échoue dès que le contexte change. La qualité d’une évaluation dépend donc de sa capacité à révéler les raccourcis.

• Les données définissent ce que le modèle peut observer.
• L’objectif d’entraînement définit ce qu’il cherche à optimiser.
• L’architecture définit les transformations possibles.
• Le test définit ce que les concepteurs considèrent comme une réussite.
• Le déploiement révèle des situations absentes du laboratoire.

Fait historique : ImageNet et AlexNet accélèrent la vision en 2012

En 2012, AlexNet marque la reconnaissance d’images à grande échelle. Le réseau est entraîné sur 1,3 million d’images réparties en 1000 classes. Il compte 60 millions de paramètres et atteint une erreur top-5 de 18,9 % dans le cadre rapporté par l’article de NeurIPS (source 5).

Le repère top-5 signifie que la bonne classe doit apparaître parmi les cinq propositions les mieux notées. Cette mesure convient à un ensemble où certaines images peuvent être ambiguës. Elle rappelle qu’une métrique n’est pas la réalité entière : elle traduit une convention d’évaluation précise.

AlexNet combine plusieurs ingrédients qui deviennent emblématiques : réseau profond, calcul parallèle, grandes données étiquetées et techniques d’entraînement adaptées. Aucun ingrédient isolé ne raconte toute l’histoire. Leur rencontre rend possible un saut visible de performance.

La réussite transforme la vision industrielle. Des équipes adoptent les réseaux profonds pour classer, détecter et segmenter des images. Mais le problème ne disparaît pas : une classe correcte ne garantit pas que le système a regardé le bon indice, ni qu’il restera fiable face à une image inhabituelle.

Cette étape révèle aussi le pouvoir des jeux de données. Étiqueter le monde, c’est imposer des catégories, des frontières et des choix culturels. Les données ne sont pas une matière naturelle et neutre ; elles résultent d’un processus de sélection, de nettoyage, de droit et de travail humain.

Fait historique : AlphaGo transforme le jeu de go en 2016

L’article de Nature consacré à AlphaGo paraît le 27 janvier 2016 (source 6). Le système combine réseaux neuronaux et recherche pour choisir des coups dans le jeu de go. Ce domaine était réputé difficile en raison de l’immensité des possibilités et de la subtilité de l’évaluation des positions.

AlphaGo ne se contente pas d’examiner mécaniquement toutes les suites. Des réseaux guident la recherche vers des coups prometteurs et évaluent les situations. La combinaison d’une intuition apprise et d’une exploration calculée devient une recette puissante pour les décisions séquentielles.

L’événement frappe parce que certaines décisions paraissent étranges aux experts avant de révéler leur valeur. Il montre qu’un système peut découvrir des stratégies qui ne ressemblent pas aux habitudes humaines. Cela élargit le champ de la créativité instrumentale : produire une nouveauté utile sans expérience consciente connue.

Là encore, la portée doit être qualifiée. AlphaGo maîtrise un environnement aux règles nettes, avec un objectif clair et un retour disponible. La santé, l’éducation ou le droit contiennent des objectifs multiples, des valeurs en conflit et des conséquences humaines qui ne se réduisent pas à gagner une partie.

Fait historique : le Transformer réorganise le langage en 2017

Le travail intitulé Attention Is All You Need est soumis le 12 juin 2017. Il présente une architecture fondée sur l’attention, sans récurrence ni convolutions dans son cœur de traitement des séquences (source 7). Le Transformer permet de mettre directement en relation des éléments éloignés d’un texte.

L’attention peut être imaginée comme une table de travail où chaque mot cherche les autres mots utiles pour préciser son rôle. Dans une phrase, un pronom peut regarder vers un nom placé plus tôt. Le modèle apprend quelles relations comptent selon le contexte.

L’absence de récurrence facilite le traitement parallèle pendant l’entraînement. Cela ne signifie pas que l’ordre disparaît : le système reçoit des informations de position et apprend des relations structurées. L’architecture devient une base générale pour le texte, puis pour les images, le son et les combinaisons multimodales.

Un Transformer produit des représentations contextuelles. Le même mot peut prendre un sens différent selon ses voisins. Cette souplesse explique une partie de la qualité linguistique moderne. Elle n’implique pas que le modèle possède une définition stable et vécue de chaque concept.

Le Transformer devient une infrastructure intellectuelle autant qu’une architecture. Il rend possible l’entraînement de modèles de grande taille sur de vastes corpus, puis leur adaptation à de nombreuses tâches. Cette généralité déplace l’industrie vers des modèles de fondation réutilisables.

Fait historique : GPT-3 étend l’apprentissage en contexte en 2020

GPT-3 est soumis le 28 mai 2020. Il compte 175 milliards de paramètres et montre des capacités dites few-shot : le modèle peut parfois accomplir une tâche à partir de quelques exemples placés dans la consigne, sans nouvel entraînement spécialisé (source 8).

Le mécanisme de base reste la prédiction de la suite du texte. En répétant cette tâche sur un corpus immense, le réseau apprend des régularités de langue, des formats, des associations de connaissances et des procédures implicites. Une opération simple à définir peut donc faire émerger un répertoire de comportements très large.

Le mot émergence ne doit pas devenir magique. Il désigne une capacité qui devient visible à une certaine échelle ou dans certaines conditions, pas une explication complète. Les auteurs de GPT-3 soulignent eux-mêmes des limites, notamment dans la fiabilité, les biais et la cohérence selon les tâches.

L’apprentissage en contexte change l’interface. L’utilisateur programme en langage ordinaire en donnant une instruction, un rôle, des exemples et des contraintes. Cette facilité démocratise l’usage, mais rend aussi les erreurs plus difficiles à anticiper : une petite variation de formulation peut produire un résultat différent.

IA générative et multimodale : produire, relier, transformer

L’IA générative produit un nouvel objet à partir d’un modèle appris : texte, image, son, vidéo, code ou structure. Elle ne récupère pas nécessairement un élément intact dans une base. Elle calcule une sortie probable selon la demande et son contexte, ce qui autorise la variation comme l’invention d’erreurs plausibles.

Un modèle multimodal traite plusieurs formes d’information. GPT-4 est présenté comme multimodal texte-image dans son rapport technique (source 9). Cela permet, par exemple, de décrire une figure, comparer un document visuel et une consigne, ou raisonner sur une interface. Le rapport précise aussi que le système reste moins capable que l’humain dans de nombreux scénarios réels.

La multimodalité rapproche l’IA du contexte concret, mais ne garantit pas un sens commun stable. Une image contient des relations spatiales, des détails minuscules et des conventions culturelles. Le modèle peut reconnaître l’ensemble tout en manquant un indice décisif. L’évaluation doit donc porter sur la tâche complète.

La génération devient particulièrement utile lorsqu’elle reste dans une boucle de vérification. Un brouillon peut accélérer le travail ; une source doit confirmer le fait. Une proposition de code peut aider ; des tests doivent vérifier son comportement. Une image peut explorer une idée ; une personne doit contrôler ses implications et ses droits.

1. Générer plusieurs hypothèses plutôt qu’une réponse présentée comme certaine.
2. Demander les éléments vérifiables séparément des interprétations.
3. Utiliser des outils externes pour calculer, rechercher ou tester.
4. Conserver la décision humaine pour les conséquences importantes.
5. Tracer les versions, les données et les corrections quand l’usage est sensible.

État documenté en 2026 : progrès rapides et frontières résistantes

L’expression « état documenté en 2026 » désigne la synthèse disponible au moment de la rédaction, non une photographie dont toutes les mesures auraient été collectées en 2026. Le Stanford AI Index publié en 2025 analyse notamment des résultats de 2024. Il rapporte qu’en 2024, par rapport à 2023, les scores ont progressé de 18,8 points de pourcentage sur MMMU, de 48,9 points de pourcentage sur GPQA et de 67,3 points de pourcentage sur SWE-bench. Ces gains signalent une amélioration rapide sur des évaluations difficiles, pas une maîtrise universelle (source 11).

Le même rapport indique que 78 % des organisations interrogées déclaraient utiliser l’IA en 2024 (source 11). L’adoption n’implique pas que chaque déploiement crée de la valeur, ni que chaque organisation emploie le même type de système. Elle montre que l’IA est devenue une composante ordinaire de nombreuses stratégies et opérations.

Le coût d’inférence pour un système atteignant un niveau comparable à GPT-3.5 a été divisé par plus de 280 entre novembre 2022 et octobre 2024 selon l’AI Index 2025 (source 11). Cette baisse élargit l’accès et multiplie les usages possibles. Elle peut aussi augmenter le volume total de calcul si la demande croît plus vite que l’efficacité.

Le rapport souligne enfin que le raisonnement complexe reste difficile. Une moyenne élevée peut cacher des échecs sur une chaîne longue, une consigne ambiguë ou un cas rare. Les modèles savent souvent expliquer une méthode sans l’appliquer de façon constante. La forme convaincante d’une réponse ne doit donc pas réduire le niveau de contrôle.

Le rapport AI100 de Stanford publié en 2021 insiste sur une lecture sociotechnique de l’IA : les effets dépendent des institutions, des usages et des personnes, pas seulement des algorithmes (source 10). Cette idée reste structurante. Une même capacité peut soutenir une aide médicale, une surveillance intrusive ou un outil éducatif selon son insertion.

L’état documenté en 2026 est donc double. Les systèmes progressent, se diffusent et deviennent moins coûteux à utiliser pour certaines tâches. En même temps, leur fiabilité varie, leur raisonnement demeure fragile et leurs effets sociaux dépendent de décisions qui ne sont pas techniques seulement.

Limite : raisonner n’est pas seulement produire une suite plausible

Un modèle de langage peut résoudre des problèmes complexes, puis échouer sur une variante proche. Il peut suivre plusieurs étapes et perdre une contrainte au milieu. Cette instabilité vient en partie de son mode de génération : il produit une continuation conditionnée par le contexte, sans disposer nécessairement d’un mécanisme interne garantissant chaque conclusion.

Le raisonnement devient plus fiable lorsque le système peut décomposer, appeler un calculateur, consulter une source, exécuter un test et revenir sur une erreur. On passe alors d’un modèle isolé à un système composé. La qualité dépend de l’orchestration autant que du modèle.

Même un système outillé peut échouer. Il peut choisir le mauvais outil, mal interpréter un résultat ou poursuivre un objectif mal défini. La présence d’une chaîne d’étapes ne prouve pas que la chaîne est correcte. Il faut des critères d’arrêt, des tests indépendants et une gestion explicite de l’incertitude.

Pour une décision importante, la question utile n’est pas : l’IA est-elle intelligente ? Il faut demander : quelle erreur est possible, comment sera-t-elle détectée, qui peut l’arrêter, et que se passe-t-il si personne ne la voit ? Cette formulation transforme un débat abstrait en contrôle concret.

1. Vérifier les données d’entrée.
2. Séparer génération et validation.
3. Tester les cas limites et les situations rares.
4. Comparer avec une méthode de référence.
5. Prévoir une escalade vers une personne compétente.
6. Journaliser la décision lorsque la traçabilité est nécessaire.

Limite : les données portent le monde et ses déséquilibres

Un modèle apprend à partir de traces produites par des personnes, des institutions et des instruments. Ces traces contiennent des connaissances, mais aussi des absences, des stéréotypes, des erreurs et des rapports de pouvoir. Nettoyer les données ne suffit pas toujours, car le choix même de ce qui mérite d’être collecté influence le modèle.

La provenance devient essentielle. Qui a créé la donnée ? Dans quel contexte ? Avec quel droit ? Une information correcte pour un usage peut devenir trompeuse dans un autre. Un dossier médical, une conversation privée et une image publique ne portent pas les mêmes attentes de consentement.

Les modèles génératifs ajoutent un problème : ils peuvent produire un contenu ressemblant à une source sans indiquer clairement son origine. La recherche assistée doit donc relier les affirmations à des documents accessibles, et non demander au lecteur de croire une mémoire statistique opaque.

Limite : énergie, infrastructures et concentration industrielle

L’entraînement et l’usage de grands modèles mobilisent des centres de données, des puces, des réseaux, de l’électricité et du refroidissement. L’impact dépend du matériel, du lieu, du moment, du modèle et du volume d’usage. Sans mesure comparable, un chiffre spectaculaire isolé informe peu et peut tromper.

L’efficacité progresse : meilleurs algorithmes, matériel spécialisé, compression et modèles plus petits. Mais un service moins coûteux peut être utilisé beaucoup plus souvent. C’est pourquoi il faut regarder l’impact total, pas seulement l’efficacité d’une requête.

La concentration industrielle vient de plusieurs barrières : calcul avancé, données, capital, talents et accès aux canaux de distribution. Quelques acteurs peuvent alors orienter les normes techniques, les prix et les usages. L’ouverture de modèles et la concurrence atténuent certains risques, sans supprimer les coûts d’infrastructure.

• Mesurer l’énergie et les ressources sur le cycle d’usage réel.
• Choisir le plus petit modèle qui accomplit correctement la tâche.
• Éviter de générer quand une recherche ou une règle simple suffit.
• Documenter les dépendances envers les fournisseurs.
• Prévoir la portabilité des données et des procédures.
• Évaluer les effets de concentration sur l’autonomie et la concurrence.

La question écologique et industrielle ne conduit pas à refuser toute IA. Elle impose une proportion. Un calcul utile pour une découverte scientifique n’a pas la même justification qu’une génération décorative répétée sans nécessité. Le jugement porte sur la valeur, les alternatives et le coût complet.

Tendance observable : santé et sciences deviennent des domaines de collaboration

Dans la santé, l’IA peut aider à repérer des motifs dans des images, structurer des notes, soutenir la recherche documentaire ou proposer des hypothèses. Le Stanford AI Index 2025 documente l’intégration croissante de dispositifs médicaux utilisant l’IA, tout en distinguant adoption et preuve d’utilité dans chaque contexte (source 11). Sa place raisonnable reste celle d’un instrument inséré dans une responsabilité clinique : une sortie statistique ne remplace ni l’examen, ni le contexte du patient, ni l’obligation de soin.

Une bonne évaluation médicale doit examiner plus que la performance moyenne. Les sous-groupes, les appareils, les lieux et les évolutions du protocole peuvent modifier le résultat. Un système excellent dans un hôpital peut se dégrader ailleurs. Le suivi après déploiement est donc aussi important que le test initial.

Dans les sciences, les modèles peuvent accélérer l’exploration d’hypothèses, l’analyse de données et la conception d’expériences. Leur force réside dans la recherche de régularités au sein d’espaces trop vastes pour une inspection humaine directe. Mais une proposition doit encore rencontrer une preuve expérimentale.

La collaboration devient féconde quand les rôles sont clairs. La machine explore et calcule ; le chercheur formule, critique, choisit les mesures et interprète. Cette division n’est pas fixe. Elle évolue avec les outils, mais la responsabilité de relier un résultat à la réalité ne disparaît pas.

• Usage à faible risque : organiser une documentation déjà vérifiée.
• Usage à risque modéré : proposer des hypothèses soumises à validation.
• Usage à risque élevé : recommander une décision clinique ou expérimentale coûteuse.
• Exigence commune : tracer les données, le modèle, la version et la validation.

Tendance observable : l’éducation oscille entre tuteur et raccourci

Un système génératif peut expliquer un concept de plusieurs façons, créer des exercices, ajuster le niveau et donner un retour immédiat. Pour un élève, cette disponibilité peut réduire la peur de poser une question. Pour un enseignant, elle peut aider à préparer des variations et repérer des difficultés fréquentes.

Le même outil peut court-circuiter l’apprentissage s’il fournit directement une réponse que l’élève devait construire. Comprendre exige un effort de rappel, d’essai et de correction. Une solution parfaite copiée en quelques secondes laisse parfois moins de trace qu’une erreur analysée.

Le bon usage ressemble à une échelle d’indices. L’IA commence par demander ce que l’élève comprend, propose une petite piste, puis augmente l’aide seulement si nécessaire. Elle doit inviter à expliquer avec ses propres mots et à vérifier sur des sources.

L’école doit aussi enseigner la nature de l’outil. Savoir formuler une consigne ne suffit pas. Il faut apprendre à détecter une invention, distinguer une source primaire d’un résumé, protéger ses données et reconnaître quand une tâche doit rester personnelle. Cette exigence rejoint l’approche de l’UNESCO, qui relie les possibilités d’apprentissage personnalisé aux droits humains, à l’inclusion et aux risques éthiques (source 13).

1. Demander une question avant une réponse.
2. Exiger une justification adaptée au niveau de l’élève.
3. Faire produire un exemple nouveau.
4. Comparer la réponse avec le cours ou une source fiable.
5. Terminer par un exercice sans assistance.

Tendance observable : le travail se recompose par tâches

L’IA transforme rarement un métier entier d’un seul bloc. Elle automatise, accélère ou modifie des tâches : rechercher, résumer, classer, rédiger un premier jet, produire du code ou contrôler un document. Le métier se recompose autour de ce qui reste difficile, relationnel, responsable ou spécifique au contexte.

Le gain apparent peut masquer un déplacement du travail. Si le système produit davantage de brouillons, une personne doit peut-être vérifier davantage de sorties. Si l’outil réduit le temps de rédaction mais multiplie les erreurs subtiles, le contrôle devient le nouveau goulot d’étranglement.

Les effets varient selon l’organisation. L’AI Index 2025 synthétise des travaux montrant des gains de productivité dans plusieurs contextes et, souvent, une réduction de certains écarts de compétence ; ces résultats ne garantissent pas le même effet dans chaque métier (source 11). Un outil donné à des salariés sans formation ni droit de contestation peut accroître la surveillance et la pression. Le même outil, conçu avec eux, peut réduire des tâches répétitives et rendre du temps à l’expertise.

La compétence centrale devient le jugement assisté. Elle demande de connaître assez le domaine pour contrôler la machine, mais aussi de concevoir une procédure où l’erreur est visible. Une personne ne doit pas être réduite à approuver machinalement une sortie trop rapide ou trop opaque.

La formation professionnelle doit donc porter sur le métier, la vérification et l’organisation du travail. Une simple initiation aux consignes produit des utilisateurs impressionnés. Une formation mature enseigne les limites, les critères de qualité, les données interdites et les voies de recours.

Sécurité et gouvernance : transformer des principes en pratiques

La sécurité de l’IA couvre plusieurs niveaux : erreurs ordinaires, discrimination, fuite de données, manipulation, usages cybermalveillants, perte de contrôle opérationnel et risques liés à des capacités avancées. Regrouper tous ces sujets sous une seule peur empêche de choisir les bonnes protections. Chaque risque possède ses acteurs, ses chemins et ses conséquences.

Le NIST AI Risk Management Framework est volontaire et a été publié le 26 janvier 2023. Il vise à intégrer la fiabilité dans la conception, le déploiement, l’usage et l’évaluation des systèmes d’IA (source 12). Son intérêt est pratique : gouverner, cartographier, mesurer et gérer deviennent des activités continues, pas une certification ponctuelle.

La recommandation de l’UNESCO sur l’éthique de l’intelligence artificielle a été adoptée par 193 États en novembre 2021 (source 13). Elle place l’IA dans un cadre de droits humains, de dignité, d’environnement, de diversité et de responsabilité. Un principe international n’exécute pas lui-même un contrôle, mais il donne une direction commune aux politiques.

Le Rapport international sur la sécurité de l’IA 2026 est dirigé par Yoshua Bengio et rédigé par plus de 100 experts. Son panel consultatif international a été nommé par plus de 30 pays et organisations intergouvernementales (source 14). Le rapport souligne que des incertitudes subsistent sur l’efficacité réelle de certains garde-fous pour les systèmes avancés. L’incertitude documentée doit conduire à la prudence, pas à l’affirmation spectaculaire.

Une gouvernance sérieuse commence avant l’achat. Elle définit l’usage, les personnes touchées, les données permises, les critères d’échec et l’alternative sans IA. Elle continue pendant le déploiement avec des tests, une surveillance, des incidents documentés et la possibilité d’arrêter le système.

1. Nommer un responsable pour chaque usage.
2. Cartographier les personnes et droits affectés.
3. Tester la performance et les échecs dans le contexte réel.
4. Limiter les données et les accès au nécessaire.
5. Prévoir une contestation compréhensible.
6. Surveiller les dérives après déploiement.
7. Suspendre l’usage lorsque le risque dépasse le bénéfice.

La sécurité ne doit pas devenir un argument de concentration où seuls les acteurs les plus puissants pourraient décider. Des normes publiques, une recherche indépendante, des audits crédibles et une capacité démocratique de contrôle sont nécessaires. La technique doit rester discutable par la société qu’elle transforme.

Vers 2040 : ce que nous savons et ce que nous imaginons

Tout passage vers 2040 quitte l’état documenté pour entrer dans la prospective. Les scénarios suivants ne sont ni des promesses ni des prédictions. Ils explorent des conséquences possibles selon l’évolution des capacités, des institutions, de l’énergie, de la concurrence et des choix collectifs.

Une tendance observable peut soutenir plusieurs futurs opposés. Des modèles moins coûteux peuvent démocratiser l’accès, ou renforcer une dépendance à quelques plateformes. Une meilleure automatisation peut libérer du temps, ou intensifier le travail. La direction sociale dépend des règles de partage, de contrôle et de propriété.

Scénario prospectif 2040 : l’augmentation civique

Hypothèse : les capacités continuent de progresser, mais les institutions investissent aussi dans l’éducation, l’infrastructure publique, l’interopérabilité et la protection sociale. Les outils deviennent des assistants largement disponibles. Ils expliquent, traduisent, simulent et aident à naviguer dans les services sans prendre silencieusement les décisions souveraines.

Dans ce scénario, les professionnels gardent un pouvoir réel sur les procédures. Les médecins contrôlent les recommandations, les enseignants définissent les objectifs, les chercheurs vérifient les hypothèses et les citoyens peuvent contester une décision automatisée. L’IA augmente la capacité d’agir parce que la société a organisé le contrôle.

Le bénéfice principal n’est pas une intelligence abstraite plus grande. C’est une meilleure distribution de l’expertise. Une petite structure peut accéder à des capacités autrefois réservées aux grandes organisations. La réussite dépend toutefois d’un accès à la formation, aux données et aux outils de vérification.

Le risque propre à ce scénario est la confiance excessive. Même des systèmes publics et bien conçus peuvent créer une dépendance cognitive. La société doit préserver des compétences humaines de secours, des évaluations contradictoires et le droit d’accomplir certaines démarches sans médiation algorithmique.

Scénario prospectif 2040 : l’automatisation concentrée

Hypothèse : les modèles avancés restent contrôlés par un petit nombre d’acteurs disposant du calcul, des données et des canaux de distribution. Les organisations adoptent rapidement les outils pour réduire les coûts et standardiser les décisions. La productivité progresse dans certains secteurs, mais le pouvoir de négociation se déplace.

Le travail se polarise. Certaines personnes conçoivent, possèdent ou supervisent les systèmes ; d’autres suivent des procédures dictées par eux. L’évaluation automatique devient omniprésente et difficile à contester. Les gains existent, mais leur partage dépend de contrats et d’institutions affaiblis.

L’information devient abondante et personnalisée, tandis que l’origine des contenus devient moins visible. Les plateformes peuvent orienter ce qui est lisible, crédible ou rentable. La concurrence formelle subsiste, mais les dépendances techniques rendent le changement de fournisseur coûteux.

Ce scénario n’exige pas une machine consciente ou toute-puissante. Il peut émerger de capacités imparfaites déployées à grande échelle, simplement parce qu’elles sont assez utiles pour réorganiser les marchés. Le risque politique vient autant de la concentration que de l’intelligence du modèle.

Scénario prospectif 2040 : l’écosystème sous contrôle

Hypothèse : plusieurs incidents et limites ralentissent l’automatisation générale. Les systèmes restent puissants mais sont employés dans des domaines délimités, avec des exigences élevées de preuve et de responsabilité. Des modèles spécialisés, plus petits et contrôlables, coexistent avec quelques systèmes généraux fortement encadrés.

Les organisations apprennent à distinguer les tâches qui bénéficient de la génération de celles qui exigent une règle, une base de données ou une personne. L’IA devient moins spectaculaire et plus intégrée. Sa valeur vient de procédures robustes plutôt que d’un dialogue qui semble tout savoir.

Dans ce scénario, la progression scientifique continue, mais la société refuse certaines applications : surveillance totale, décision automatique sans recours, délégation d’armes ou notation opaque des personnes. Le ralentissement apparent produit une confiance plus durable.

Le risque est un excès de rigidité. Des règles mal conçues peuvent protéger les acteurs établis, bloquer des innovations utiles ou déplacer la recherche vers des lieux moins contrôlés. La gouvernance doit rester adaptable, fondée sur des preuves et proportionnée aux conséquences.

Comparer les scénarios sans choisir une prophétie

Ces scénarios peuvent coexister. La santé d’un pays peut suivre l’augmentation civique, son marché du travail l’automatisation concentrée et son administration un modèle sous contrôle. Ils servent à repérer des choix présents : propriété des infrastructures, qualité de la formation, droit au recours, capacité d’audit et partage des gains.

Une bonne prospective ne demande pas seulement quel futur paraît probable. Elle demande quel futur nous voulons rendre possible, quels signaux annoncent une dérive et quelles décisions restent réversibles. Plus l’incertitude est grande, plus la capacité d’adaptation compte.

• Signal d’augmentation civique : outils publics vérifiables et formation largement accessible.
• Signal de concentration : dépendance croissante à une infrastructure difficile à quitter.
• Signal de contrôle mature : audits liés au risque et recours réellement utilisables.
• Signal d’alerte commun : décisions importantes confiées à un système sans responsable identifiable.

Une boussole de décision pour l’IA

Face à un nouvel usage, commence par le besoin. Quel problème humain cherche-t-on à résoudre ? Si une procédure simple, une meilleure organisation ou une base de données suffit, l’IA générative peut ajouter de l’incertitude sans valeur. La nouveauté technique n’est pas un objectif.

Examine ensuite la conséquence d’une erreur. Une suggestion de titre et une décision de soin n’exigent pas le même niveau de preuve. La gouvernance doit être proportionnée au dommage possible, à la difficulté de détecter l’erreur et à la capacité de revenir en arrière.

Demande quelles données entrent dans le système et où elles vont. Les informations personnelles, professionnelles ou confidentielles ne doivent pas être copiées par habitude. La minimisation protège à la fois les personnes et l’organisation.

Vérifie la qualité avec un test conçu avant le déploiement. Les exemples faciles rassurent mais révèlent peu. Il faut inclure des cas rares, des formulations ambiguës, des données manquantes et des situations où le système doit reconnaître son ignorance.

Établis enfin une responsabilité. Une personne ou une fonction doit pouvoir expliquer l’usage, recevoir un signalement, corriger la procédure et arrêter le système. Un comité sans pouvoir ou une phrase générale sur l’éthique ne suffit pas.

1. Utilité : le système résout-il un problème réel mieux qu’une alternative simple ?
2. Preuve : les tests correspondent-ils au contexte d’usage ?
3. Données : la provenance, le droit et la qualité sont-ils connus ?
4. Contrôle : qui peut vérifier, contester et arrêter ?
5. Proportion : le coût matériel et social est-il justifié ?
6. Réversibilité : peut-on revenir en arrière sans perdre l’activité ou les droits ?

Cette boussole ne répond pas automatiquement. Elle force une conversation structurée entre ingénieurs, professionnels, direction, personnes concernées et autorités. L’IA devient alors un objet de décision collective plutôt qu’une fatalité présentée comme purement technique.

Conclusion : connaître l’histoire pour garder le cap

L’histoire de l’IA n’est pas une marche droite vers une machine qui remplacerait l’humain. Elle alterne formalisation, enthousiasme, limites, nouveaux outils et réinterprétations. Les symboles, les réseaux, les statistiques et la recherche ne s’annulent pas ; ils forment un répertoire de méthodes.

Les jalons documentés montrent une accélération réelle : abstraction neuronale en 1943, question comportementale de Turing en 1950, programme de Dartmouth, rétropropagation, vision profonde, AlphaGo, Transformer, GPT-3 et multimodalité. Aucun de ces repères ne suffit isolément à expliquer le présent.

En 2026, les systèmes sont puissants, répandus et parfois remarquablement utiles. Ils restent fragiles dans le raisonnement complexe, dépendants des données et d’une infrastructure concentrée. Leur langage fluide peut masquer l’incertitude. La vérification n’est donc pas un supplément ; elle fait partie de l’outil.

Pour 2040, la question décisive ne sera peut-être pas de savoir si l’IA est devenue plus intelligente que nous selon une mesure unique. Elle sera de savoir quelles capacités nous avons choisi de développer, qui les contrôle, qui en bénéficie, qui peut contester et quelles compétences humaines nous avons préservées.

La connaissance protège mieux que la fascination ou la peur. Elle permet d’admirer une avancée sans lui prêter une âme, de reconnaître un risque sans inventer une apocalypse et d’organiser un progrès qui demeure au service de la dignité humaine.

Glossaire progressif

• Algorithme : suite définie d’opérations permettant de transformer une entrée en sortie.
• Architecture : organisation des composants et des connexions d’un modèle.
• Attention : mécanisme qui pondère les relations entre éléments d’un contexte.
• Donnée : observation, mesure, texte, image ou signal utilisé par un système.
• Entraînement : processus d’ajustement des paramètres à partir d’exemples et d’un objectif.

• Fonction de perte : mesure mathématique de l’écart que l’entraînement cherche à réduire.
• Inférence : utilisation d’un modèle entraîné pour produire une sortie.
• Modèle : structure paramétrée qui transforme des données selon ce qu’elle a appris.
• Multimodal : capable de traiter ou produire plusieurs formes d’information.
• Paramètre : valeur interne ajustée pendant l’entraînement.

• Perceptron : unité d’apprentissage qui combine des entrées pondérées pour décider d’une sortie.
• Réseau neuronal : ensemble de couches d’unités reliées dont les paramètres sont appris.
• Rétropropagation : méthode qui transmet un signal d’erreur vers les couches précédentes.
• Symbole : représentation explicite d’un objet, d’une propriété ou d’une relation.
• Transformer : architecture fondée sur l’attention pour traiter des séquences et d’autres modalités.

• Biais : erreur ou déséquilibre systématique provenant des données, du modèle ou de l’usage.
• Garde-fou : mesure technique ou organisationnelle destinée à limiter un comportement dangereux.
• Hallucination : sortie plausible mais non fondée ou incorrecte produite par un modèle génératif.
• Modèle de fondation : modèle général entraîné à grande échelle puis adapté à divers usages.
• Système sociotechnique : ensemble formé par la technologie, les personnes, les règles et les institutions.

Sources