Intelligence artificielle : les concepts clés à connaître pour tout comprendre

Intelligence artificielle : les concepts clés qu'on confond tout le temps

« Un réseau de neurones, c'est comme un cerveau ? » Cette question, on me la pose à chaque atelier que j'anime auprès de dirigeants de PME. Et à chaque fois, je vois la même chose se produire dans la salle : les gens hochent la tête, mais personne n'a vraiment compris. Le problème n'est pas leur intelligence. Le problème, c'est qu'on leur a vendu une bouillie de termes — LLM, deep learning, prompting, IA générative — comme s'il s'agissait du même sujet.

Ça n'a rien à voir. Et tant qu'on mélange les concepts fondamentaux (comment une machine apprend) avec les compétences d'usage (comment on s'en sert au quotidien), on ne comprendra jamais rien à ce qui se passe vraiment.

Alors voilà comment je propose de ranger tout ça. Pas un glossaire. Une carte.

Concepts fondamentaux contre compétences : la distinction qui change tout

Je perds un temps fou en réunion parce que ce malentendu revient sans cesse. Un directeur marketing me dit « on maîtrise l'IA, on utilise ChatGPT tous les jours ». Sauf que savoir écrire un prompt correct n'a strictement rien à voir avec comprendre comment un modèle génère du texte. Les deux sont utiles. Mais ils ne se substituent pas.

Qu'est-ce qui est un concept, et qu'est-ce qui n'en est pas un ?

Un concept, c'est un mécanisme. Quelque chose qui existe indépendamment de vous, de vos outils, de votre secteur. L'apprentissage par renforcement est un concept. La tokenisation en est un. Le surapprentissage aussi.

Une compétence, c'est une pratique. Elle dépend de votre métier, de vos outils, de votre cadre légal. Rédiger un prompt efficace, c'est une compétence. Savoir quelles données vous avez le droit de coller dans un outil tiers, c'est une compétence — et une obligation, d'ailleurs.

Pourquoi cette distinction compte ? Parce que vous pouvez parfaitement bien utiliser un outil sans rien comprendre aux concepts qui le font tourner, et c'est très bien : vous n'avez pas besoin de savoir comment fonctionne un moteur pour conduire une voiture. Mais vous avez besoin de savoir qu'un moteur peut caler. Comprendre les concepts vous dit quand la machine va se tromper, et pourquoi.

Comment fonctionne l'apprentissage d'une IA ?

Trois régimes. Pas deux, pas cinq. Trois. Et la plupart des articles que je lis en oublient un ou les confondent joyeusement.

L'apprentissage supervisé

On montre à la machine des exemples étiquetés. Des milliers de photos de chats marquées « chat », des milliers de mails marqués « spam ». Le modèle cherche la règle qui, appliquée à ces exemples, donne la bonne réponse. C'est le régime le plus utilisé en entreprise, parce qu'il est le plus contrôlable : vous savez ce que vous lui avez appris.

Le revers de la médaille ? Il faut étiqueter. Et étiqueter, c'est long et cher. J'ai vu une PME du BTP y consacrer quatre mois à temps partiel pour un unique cas d'usage — détecter des fissures sur des photos de chantier. Ça a fonctionné, mais ça a coûté bien plus que prévu.

L'apprentissage non supervisé

Là, aucune étiquette. On balance les données, et le modèle trouve des regroupements tout seul. Utile pour de la segmentation client, de la détection d'anomalies, de la compression. C'est puissant, mais le résultat est souvent difficile à interpréter : le modèle vous dit « ces 200 clients se ressemblent », il ne vous dit pas pourquoi.

L'apprentissage par renforcement

Un agent agit, reçoit une récompense ou une pénalité, ajuste sa stratégie. C'est ce qui fait jouer une machine aux échecs ou piloter un bras robotisé. Le problème, c'est que définir correctement la récompense est un cauchemar. Une récompense mal posée, et la machine optimise exactement ce que vous ne vouliez pas.

• Supervisé : « voici la bonne réponse, apprends-la »
• Non supervisé : « débrouille-toi pour trouver des structures »
• Par renforcement : « essaie, je te dirai si c'était bien »

La plupart des grands modèles de langage utilisent les trois, en couches successives. Ce n'est pas un choix exclusif.

Hallucination, surapprentissage, biais : les trois pathologies à connaître

Personne ne m'a jamais demandé « comment fonctionne la rétropropagation du gradient ». En revanche, on me demande constamment pourquoi l'IA « raconte n'importe quoi avec un aplomb incroyable ». Voilà les trois concepts opérationnels qui répondent à cette question.

Une hallucination, c'est quoi exactement ?

Un modèle de langage prédit le mot suivant le plus probable. C'est tout. Il ne consulte pas une base de faits, il ne « sait » rien au sens où vous et moi savons des choses. Quand il invente une référence bibliographique qui n'existe pas, il ne ment pas : il produit la suite de tokens la plus plausible statistiquement.

Franchement, c'est le concept le plus mal compris du grand public. Les gens croient que le modèle « cherche » et « se trompe ». Non. Il génère. Et une génération plausible peut être factuellement fausse.

C'est précisément pour cette raison qu'existe le RAG (Retrieval-Augmented Generation) : on va chercher des documents réels dans une base, on les injecte dans le contexte, et on demande au modèle de répondre à partir de ces documents. Le modèle ne devient pas fiable. On le contraint.

Le surapprentissage, ou quand la machine apprend trop bien

Imaginez un étudiant qui apprend par cœur les annales de l'examen précédent. Il obtient 20/20 sur ces annales. Puis on lui donne un sujet nouveau, et il s'effondre. C'est exactement le surapprentissage (overfitting) : le modèle a mémorisé le bruit des données d'entraînement au lieu d'en saisir la règle générale.

Détecter ça ne se fait pas au feeling. On sépare les données : une partie pour entraîner, une autre pour tester. Si les performances s'écroulent sur le jeu de test, vous avez un problème. Ce n'est pas une opinion, c'est une procédure standard.

Les biais algorithmiques

Un modèle apprend sur des données qui viennent du monde réel. Le monde réel est biaisé. Donc le modèle l'est aussi. Si vous entraînez un système de tri de CV sur dix ans d'embauches passées d'une entreprise qui recrutait majoritairement des hommes dans certains postes, il reproduira ce déséquilibre — et le fera avec une apparence d'objectivité mathématique qui rend le biais encore plus difficile à contester.

Le biais n'est pas un défaut technique qu'on corrige une fois pour toutes. C'est un problème de données, donc un problème de gouvernance.

Les 4 types d'intelligence artificielle (et pourquoi seuls deux existent vraiment)

Cette grille vient de la recherche en IA, elle est utile — à condition de ne pas la confondre avec une feuille de route technologique. Voici les quatre niveaux, du plus basique au plus théorique.

Type	Capacité	Existe aujourd'hui ?
IA réactive	Réagit à une situation, aucune mémoire	Oui — un moteur de jeu d'échecs, un filtre anti-spam simple
IA à mémoire limitée	Utilise un historique récent pour décider	Oui — c'est là que vivent tous les outils grand public actuels
Théorie de l'esprit	Comprendrait que son interlocuteur a des intentions propres	Non — objet de recherche seulement
Conscience de soi	Aurait une représentation de sa propre existence	Non — spéculatif

Le raccourci que je vois partout dans la presse, c'est de présenter les modèles actuels comme étant à un stade avancé de cette échelle. C'est faux. Tout ce avec quoi vous interagissez aujourd'hui relève du deuxième niveau. Le troisième n'existe pas, même dans les laboratoires les plus avancés. Quant au quatrième, il relève de la discussion philosophique.

Et si on parle plutôt des 3 types d'IA ?

Une autre classification circule, plus ancienne et plus pratique : IA faible, IA générale, superintelligence. L'IA faible est spécialisée (reconnaître des visages, traduire). L'IA générale aurait la polyvalence d'un humain — elle n'existe pas. La superintelligence dépasserait l'humain partout — c'est de la science-fiction pour l'instant.

Pourquoi je préfère parler de ces grilles plutôt que d'énumérer des outils ? Parce que les noms d'outils changent tous les six mois, et le mécanisme sous-jacent, non.

Le cadre réglementaire : ce que l'AI Act et le RGPD vous imposent vraiment

Voilà le point que tous les articles sur les « concepts clés » laissent étrangement de côté — alors que c'est le seul qui vous expose à des sanctions.

L'AI Act européen ne classe pas les systèmes par technologie, mais par niveau de risque. Un système de recommandation de films et un système de scoring d'accès à un crédit sont tous les deux de l'IA. Ils ne relèvent pas du même régime. Les systèmes jugés à risque inacceptable sont interdits. Les systèmes à haut risque imposent des obligations lourdes : documentation, supervision humaine, évaluation de conformité. La grande majorité des usages courants tombe dans la catégorie de risque limité, avec surtout des obligations de transparence — par exemple, signaler qu'on parle à une machine.

Le RGPD, lui, s'applique dès qu'il y a des données personnelles. Et c'est là que le bât blesse dans les entreprises que je vois : on colle des données clients dans un outil tiers sans se poser la question. Ce n'est pas un problème technique, c'est un problème juridique qui se règle avant de déployer, pas après.

• Risque inacceptable : usage interdit
• Risque élevé : obligations documentaires et supervision humaine obligatoire
• Risque limité : transparence vis-à-vis des utilisateurs
• Risque minimal : pas d'obligation spécifique

Mon conseil, et je l'assume : avant de choisir un outil, demandez-vous dans quelle catégorie il tombe. La réponse détermine tout le reste.

Comment fonctionne concrètement l'IA générative ?

Trois étapes, et une seule idée à retenir.

La tokenisation

Le texte que vous tapez est découpé en unités appelées tokens — des morceaux de mots, parfois des mots entiers, parfois des syllabes. Un modèle ne voit jamais des lettres ni des phrases comme vous. Il voit ces unités, converties en nombres. Tout ce qui suit découle de là.

La prédiction du token suivant

Le modèle calcule une probabilité pour chaque token possible, en choisit un, et recommence. C'est mécanique. C'est aussi pour ça qu'un résultat identique demandé deux fois peut varier légèrement : le processus n'est pas entièrement déterministe.

L'ancrage par les documents (RAG)

Puisqu'un modèle ne consulte pas de faits, on lui fournit des extraits de documents réels dans sa fenêtre de contexte, et on lui demande de s'appuyer dessus. C'est ce qui sépare un assistant qui brode d'un assistant qui cite ses sources internes. La différence en termes de fiabilité perçue n'est pas marginale : sur les cas d'usage documentaires que j'ai suivis, c'est le facteur qui fait basculer un projet d'un rejet à une adoption réelle.

Le concept derrière tout ça tient en une phrase : un modèle de langage ne restitue pas de la connaissance, il produit de la vraisemblance. Une fois qu'on a compris ça, on arrête de lui demander des vérités et on commence à lui demander des formes.

Ce que je retiens, et ce que je vous conseille d'oublier

Oubliez les listes de dix termes techniques. Elles ne vous serviront à rien dans six mois. Ce qui reste, c'est la distinction entre les deux niveaux : d'un côté les mécanismes — les trois régimes d'apprentissage, l'hallucination, le surapprentissage, le biais, la tokenisation, le RAG — et de l'autre les pratiques, qui dépendent de votre métier et de votre cadre légal.

Quand quelqu'un vous dit « l'IA comprend », vous saurez qu'il confond. Quand on vous vend un système « objectif parce qu'algorithmique », vous demanderez sur quelles données il a été entraîné. Quand on vous promet une IA « générale », vous saurez qu'elle n'existe pas.

Ce n'est pas de la culture générale. C'est ce qui vous permet de poser la bonne question au bon moment — avant la signature, pas après le déploiement.