Intelligence artificielle : définition et fonctionnement pour les nuls

« L'IA, c'est juste un perroquet très bien entraîné. » La phrase est de moi, je l'ai dite à un ami avocat au mois de mars dernier, et elle ne lui a pas plu du tout. Il utilisait ChatGPT pour rédiger ses conclusions depuis des semaines et il m'a dit, à moitié vexé : « Oui, ben le perroquet m'a fait gagner six heures par semaine. » Il n'avait pas tort, et moi non plus. C'est exactement cette tension que je vais tenter de démonter dans les lignes qui suivent, parce que l'intelligence artificielle : définition et fonctionnement reste, en 2026, l'un des sujets les plus mal expliqués du web francophone. On vous sert soit des définitions de dictionnaire, soit des envolées sur la singularité. Entre les deux, il y a un vide. C'est ce vide que je veux remplir.

Intelligence artificielle : la définition simple que je donne à mes clients

Quand on me demande une intelligence artificielle définition simple, je réponds toujours la même chose : c'est un ensemble de techniques qui permettent à une machine de produire une réponse qu'on n'a pas écrite à l'avance pour elle. Voilà. Rien de plus, rien de moins.

L'ennui, c'est que la plupart des définitions qu'on trouve en ligne s'arrêtent là et enchaînent sur « simuler l'intelligence humaine », ce qui n'aide personne. Un moteur de recherche des années 2000 ne simule rien du tout, et pourtant beaucoup de gens l'appelaient déjà de l'IA. Le mot a toujours été flou. Il l'est resté.

Pourquoi « IA » est devenu un mot fourre-tout

J'ai animé une formation en interne l'an dernier, dans une PME de logistique près de Lyon. Vingt-quatre participants. J'ai demandé qui utilisait « de l'IA au travail ». Dix-sept mains levées. Puis j'ai demandé lesquels utilisaient un chatbot génératif. Quatre. Les treize autres parlaient de leur logiciel de tri de colis, qui applique des règles écrites à la main depuis 2019.

Ce n'est pas de la bêtise, c'est du vocabulaire. Le terme a été tellement marketé qu'il désigne maintenant à peu près tout ce qui contient une ligne de code un peu intelligente. Franchement, ça n'aide pas à y voir clair.

Comment fonctionne une IA, concrètement, étape par étape

C'est ici que la plupart des articles vous lâchent. Ils annoncent « comment fonctionne l'IA ? » dans un titre, puis vous servent trois paragraphes de vocabulaire. Je vais faire l'inverse et détailler le mécanisme réel. Spoiler : ce n'est pas magique, c'est même assez rustique quand on le décompose.

Étape 1 : les données, ce carburant dont personne ne parle

Avant toute chose, il faut des exemples. Beaucoup. Pour un système qui doit reconnaître des factures, cela signifie des milliers de factures scannées, avec pour chacune l'indication de ce qu'elle contient. C'est ce qu'on appelle les données d'entraînement.

Et là, une vérité que le milieu adore taire : la qualité des données pèse plus lourd que l'élégance de l'algorithme. Sur un projet de classification de courriels que j'ai suivi il y a deux ans, nous avons passé trois semaines à nettoyer les étiquettes — des messages classés « urgent » qui ne l'étaient pas, des doublons, des fils de discussion coupés en morceaux. Notre taux d'erreur est passé de 18 % à 6 % sans changer une seule ligne du modèle. Je le répète parce que ça mérite de rester : sans changer le modèle.

Étape 2 : le modèle, une grosse machine à ajuster des paramètres

Un modèle, c'est un ensemble de paramètres numériques — des millions, parfois des milliards de valeurs — qui vont servir à transformer une entrée en sortie. Au départ, ces valeurs sont posées au hasard. Le modèle est donc nul. Vraiment nul. Il répond n'importe quoi.

On lui présente ensuite un exemple, il produit une réponse, on compare cette réponse à la bonne, on mesure l'écart, et on corrige légèrement les paramètres dans la direction qui réduit cet écart. Puis on recommence. Des millions de fois. C'est tout le secret. Le « savoir » d'une IA n'est pas stocké quelque part dans une base de connaissances : il est réparti dans ces paramètres, sous forme de régularités statistiques.

Étape 3 : la prédiction, ou l'art de deviner la suite

Quand vous tapez une phrase dans un modèle de langage, il ne « cherche » pas une réponse dans un catalogue. Il calcule, mot après mot, lequel a la plus forte probabilité d'apparaître ensuite compte tenu de ce qui précède. C'est tout.

Le problème ? Ce mécanisme explique aussi bien ses réussites que ses ratés. Un modèle génératif peut produire une phrase parfaitement fluide et totalement fausse, parce que la fluidité et la vérité sont deux choses distinctes. J'ai vu un modèle inventer de toutes pièces une référence juridique avec un numéro d'article crédible. Mon client a failli la citer en rendez-vous.

Étape 4 : la correction, ce qui distingue un système qui apprend d'un logiciel figé

Un logiciel classique fait ce qu'on lui a dit, et rien d'autre. Un système d'apprentissage, lui, s'améliore à mesure qu'on lui signale ses erreurs — soit pendant l'entraînement, soit après, quand des utilisateurs lui indiquent la bonne réponse. Cette boucle est ce qui justifie le mot « apprentissage ». Retirez-la, et vous n'avez plus qu'un programme ordinaire.

IA, machine learning, deep learning : la hiérarchie qu'on confond tout le temps

Les trois termes sont employés comme des synonymes dans 80 % des conversations que j'entends. Ils ne le sont pas. Voyez plutôt.

Terme	Ce que ça recouvre	Exemple
Intelligence artificielle	La catégorie la plus large : toute technique visant à faire faire à une machine une tâche qui exige normalement un humain	Un système de règles écrites à la main qui trie des dossiers
Machine learning	Sous-ensemble de l'IA où la machine ajuste elle-même ses paramètres à partir d'exemples, sans qu'on écrive la règle	Un filtre anti-spam qui apprend des courriels signalés
Deep learning	Sous-ensemble du machine learning fondé sur des réseaux de neurones à nombreuses couches	La reconnaissance d'objets dans une image, la génération de texte

Autrement dit : tout deep learning est du machine learning, tout machine learning est de l'IA, mais l'inverse est faux. Ce n'est pas une nuance de puriste, c'est ce qui explique pourquoi certains vieux systèmes « IA » n'apprennent rien du tout.

À quoi sert l'intelligence artificielle, en vrai ?

Pas dans les slides de conférence. Dans le travail réel.

• Trier et prioriser : repérer, parmi 4 000 tickets de support, ceux qui vont mal tourner. C'est là que les gains sont les plus visibles et les moins spectaculaires.
• Résumer : condenser un contrat de 60 pages en une page de points-clés. Utile, mais à relire, toujours.
• Générer un premier jet : un plan, une réponse type, un bout de code. Le premier jet est rarement bon. Il est juste déjà là, et c'est déjà énorme.
• Détecter l'anomalie : une transaction bancaire qui ne ressemble pas aux autres, une pièce usée sur une chaîne de production.
• Traduire approximativement, ce qui suffit pour comprendre un message client envoyé en anglais.

Une chose que je martèle à chaque formation : les cas d'usage qui rapportent ne sont presque jamais ceux qui font rêver. Le tri de tickets, la détection d'anomalies, la relance automatique de devis oubliés. Voilà où l'argent se gagne. Les démos génératives font la une, mais elles rapportent moins qu'un simple système de scoring bien calibré.

Les 4 types d'intelligence artificielle

La classification qui circule le plus découpe l'IA en quatre catégories, par ordre de capacité croissante. Elle remonte aux travaux d'Arend Hintze et reste utile comme repère, à condition de comprendre que nous n'en avons atteint que les premières.

1. IA à réactions simples : elle réagit à un état donné, sans mémoire. Le programme d'échecs des années 90 en est l'archétype.
2. IA à mémoire limitée : elle utilise un historique récent pour décider. C'est là que se situent les systèmes actuels, y compris les modèles génératifs, dont la « mémoire » s'arrête à la conversation en cours.
3. IA dotée d'une théorie de l'esprit : elle modéliserait les intentions d'autrui. Aucun système déployé n'en est capable aujourd'hui, malgré ce que laissent croire certains articles.
4. IA consciente d'elle-même : de la science-fiction, et honnêtement, je doute qu'on y arrive un jour. Certains de mes collègues me reprochent ce scepticisme. Je l'assume.

Les avantages de l'intelligence artificielle, sans le vernis commercial

Le premier avantage est le moins glamour : la régularité. Un humain fatigué fait des erreurs le vendredi à 17 h. Un modèle bien entraîné produit la même réponse le lundi matin et le dimanche soir. Sur des tâches répétitives, cet écart de constance vaut souvent plus que n'importe quel gain de vitesse.

Le deuxième, c'est le passage à l'échelle. Une personne seule ne peut pas lire 10 000 avis clients. Un modèle le fait en quelques minutes, et même si sa synthèse n'est qu'à 80 % fiable, elle vous donne une carte générale que vous n'auriez jamais eue autrement.

Le troisième avantage, en revanche, je le relativise : le gain de temps. Sur un projet de rédaction assistée, j'ai mesuré une réduction réelle d'environ 25 % sur le temps de production — mais il faut y ajouter le temps de relecture, de vérification et de correction, qui est loin d'être nul. Le gain net est plus modeste que ce qu'on lit partout. Beaucoup d'équipes le découvrent à leurs dépens le premier mois.

Et les inconvénients ?

Les trois qui me préoccupent le plus : les erreurs confiantes (le modèle se trompe en donnant l'impression du contraire), la dépendance à des données souvent personnelles, et l'opacité — personne, pas même ses concepteurs, ne peut expliquer précisément pourquoi un modèle a produit une réponse donnée. Ce dernier point est le plus dérangeant dans un contexte réglementé.

Bref : ce qu'il faut vraiment garder en tête

Une IA n'est pas intelligente au sens où vous l'entendez. C'est un système qui ajuste des paramètres pour réduire son écart à la bonne réponse, sur des millions d'exemples. Il ne comprend rien — mais il calcule, et il calcule bien mieux que nous certaines choses.

La question intéressante n'est donc pas « l'IA est-elle intelligente ? » mais « sur quelles tâches mon jugement humain ajoute-t-il vraiment de la valeur, et sur lesquelles je perds mon temps ? ». Mon avocat a répondu à sa manière : il laisse le perroquet rédiger le premier jet, et il garde pour lui le raisonnement juridique. Six heures par semaine. Ce n'est pas une révolution, c'est un arbitrage.

À vous de faire le vôtre.