L’intelligence artificielle : de quoi parle-t-on et par où commencer ?
La question n’est plus de comprendre que l’IA est partout, elle est là, présente, dès qu’on ouvre un outil, un moteur de recherche, un logiciel que cela soit pour écrire, analyser, créer, développer, ou simplement surfer sur le web… Elle s’est progressivement installée dans nos usages et nos habitudes de travail, parfois de manière souhaitée, mais aussi parfois sans que nous en ayons réellement conscience. Quoiqu’il en soit elle fait partie de notre paysage informatique quotidien.
Avec elle, tout un flot de questions, et de positions divergentes émergent que ce soit dans la littérature, sur les plateformes, les réseaux sociaux, autour de la machine à café… qu’en est il des promesses, des inquiétudes, des perspectives qui se dessinent, de ce qui se joue ? … Posons simplement quelques repères pour comprendre de quoi nous parlons, ce que ces systèmes permettent réellement, ce qu’ils changent dans nos usages, et permettre à chacun de décider de la place qu’il souhaite lui accorder, de la manière de l’encadrer, de la questionner, ou parfois même de ne pas l’utiliser.
L’IA ne commence pas avec ChatGPT
Lorsque nous parlons aujourd’hui d’intelligence artificielle, les premiers noms qui viennent souvent à l’esprit sont ChatGPT, Claude, Gemini ou Copilot. À tel point que nous finissons parfois par employer le nom d’un service comme s’il désignait l’intelligence artificielle elle-même. Pourtant, l’IA ne commence ni avec ChatGPT, ni avec Claude, ni avec les outils conversationnels que nous utilisons aujourd’hui.
Ces services représentent seulement une étape récente d’une histoire beaucoup plus longue. Avant de pouvoir dialoguer avec une machine en langage naturel, nous avons utilisé des systèmes à base de règles et des algorithmes capables d’organiser et d’automatiser des traitements. Puis sont venues les techniques d’apprentissage automatique, les réseaux de neurones et, plus récemment, l’IA générative, capable de produire du texte, des images, du son ou du code. Les IA conversationnelles ajoutent encore une autre dimension : elles nous permettent d’interagir avec ces systèmes directement dans notre propre langage.
| Repère | Ce que le système fait | Exemple d’utilisation |
|---|---|---|
| Système à base de règles | Applique des conditions définies à l’avance : si telle situation se présente, alors telle action est exécutée. | Refuser l’envoi d’un formulaire lorsqu’un champ obligatoire est vide. |
| Algorithme classique | Suit une suite d’opérations déterminées pour traiter des données ou résoudre un problème. | Calculer un itinéraire, trier une liste ou déterminer le montant d’une remise. |
| Apprentissage automatique | Apprend à repérer des régularités à partir de données plutôt que de s’appuyer uniquement sur des règles écrites une par une. | Classer un message comme indésirable à partir d’exemples précédemment analysés. |
| Réseaux de neurones | S’appuient sur des architectures capables d’apprendre des relations complexes au sein de grandes quantités de données. | Reconnaître des objets dans une image ou transcrire une voix en texte. |
| IA générative | Produit un nouveau contenu à partir d’une demande, d’un contexte ou de données fournies. | Générer un texte, une image, du son, une vidéo ou du code. |
| IA conversationnelle | Permet d’interagir avec un système en langage naturel et de poursuivre l’échange en tenant compte du contexte. | Demander une explication, préciser la réponse, la corriger puis poursuivre le dialogue. |
Il ne s’agit pas ici d’entrer dans les mathématiques ni de retracer toute l’histoire de l’intelligence artificielle. Ces quelques repères servent surtout à éviter de placer sous une même étiquette des mécanismes très différents. Toute automatisation n’est pas de l’intelligence artificielle, et toute intelligence artificielle n’est pas une IA conversationnelle. Ces approches ne se remplacent d’ailleurs pas nécessairement : elles coexistent encore et peuvent être combinées au sein d’un même outil ou d’une même application.
C’est notamment ce qui permet de distinguer un traitement algorithmique classique d’un recours réel à l’IA, une question que nous avons développée dans IA ou algorithme : choisir le bon outil avant d’intégrer l’intelligence artificielle.
C’est aussi ce qui permet de replacer les outils actuels dans une continuité. Comme nous l’avions déjà observé dans « Le développement web face à l’IA : rupture ou continuité ? », l’informatique n’a cessé de déplacer progressivement une partie du travail vers des couches d’assistance, d’automatisation et d’abstraction.
Ce qui change aujourd’hui de manière beaucoup plus visible, c’est que cette assistance nous répond désormais dans notre propre langage.
Pourquoi avons-nous aujourd’hui l’impression d’une rupture ?
Pendant longtemps, nous avons interagi avec les machines à travers des interfaces pensées à l’avance : menus, boutons, formulaires, commandes, champs de recherche. Même lorsque les outils devenaient plus simples à utiliser, il fallait encore apprendre leur logique, comprendre où cliquer, quelle option choisir ou quelle syntaxe employer. C’était à nous de nous adapter à la manière dont la machine attendait d’être sollicitée.
Avec les IA conversationnelles, cette relation semble s’inverser. Nous formulons une intention avec nos propres mots, parfois de manière approximative, et le système tente de l’interpréter pour produire une réponse adaptée à notre demande. Nous pouvons préciser, corriger, revenir en arrière, demander une autre formulation ou poursuivre l’échange. Comme nous l’avions déjà évoqué dans « Le développement web face à l’IA : rupture ou continuité ? », nous sommes progressivement passés de l’interface à l’intention.
C’est probablement là que naît une grande partie de notre impression de rupture. La machine ne se contente plus de nous présenter un résultat ou d’exécuter une commande clairement définie : elle nous répond. Elle reprend nos formulations, tient compte du contexte de l’échange et produit une réponse qui peut sembler construite spécialement pour nous. Cette proximité avec les mécanismes ordinaires de la conversation change profondément notre perception de l’outil.
Mais une question apparaît presque immédiatement : une machine qui nous répond nous comprend-elle pour autant ? La fluidité d’un échange, la pertinence apparente d’une réponse ou la capacité à conserver un contexte ne suffisent pas nécessairement à démontrer une compréhension comparable à la nôtre. C’est précisément cette frontière entre dialogue, apprentissage et impression de compréhension que nous avons explorée dans « Comprendre les IA conversationnelles : dialogue, apprentissage et illusion de compréhension ».
Derrière « l’IA », qui fait réellement quoi ?
Lorsque nous disons que nous « utilisons une IA », nous mélangeons souvent plusieurs choses. Nous pouvons parler de l’entreprise qui développe les modèles, du modèle qui produit la réponse, du service qui permet d’y accéder, du logiciel dans lequel il est intégré, ou encore de l’application qui s’appuie dessus pour répondre à un besoin précis. Derrière une même impression de dialogue se trouvent donc plusieurs éléments qui ne jouent pas le même rôle.
| Niveau | Rôle | Exemple dans l’écosystème OpenAI | Ce que nous manipulons |
|---|---|---|---|
| L’éditeur | Conçoit, entraîne ou met à disposition les modèles et les services associés | OpenAI | L’entreprise et son écosystème |
| Le modèle | Analyse les informations et produit les réponses | Modèles de langage et modèles multimodaux : texte, image, audio… | Le moteur qui traite la demande |
| Le service | Permet d’accéder au modèle | ChatGPT, API, outils de génération ou d’analyse selon les modalités disponibles | Une interface ou un point d’accès |
| L’outil | Intègre le service dans un environnement de travail | Assistant, éditeur, extension ou logiciel connecté au service | Une fonction intégrée à notre environnement de travail |
| L’application ou l’usage métier | Assemble ces briques pour répondre à un besoin concret | Application web connectée à l’API, assistance documentaire, analyse de données… | Le service final utilisé dans un contexte précis |
| Nous utilisons ici l’écosystème OpenAI comme fil conducteur simplement parce qu’il nous faut un exemple concret. Les mêmes distinctions peuvent être faites avec d’autres éditeurs, modèles et services. L’objectif n’est pas de désigner une solution de référence, mais de comprendre comment ces différentes couches s’articulent. | |||
Cette distinction permet notamment de comprendre pourquoi un même modèle peut être accessible de plusieurs manières : dans une interface conversationnelle, intégré à un logiciel, depuis une application grâce à une API, ou encore à travers un assistant ou un agent. À l’inverse, un service peut évoluer, changer de modèle ou en mobiliser plusieurs sans que cela soit nécessairement visible pour l’utilisateur.
C’est pourquoi il serait assez fragile de chercher ici à dresser la liste des « meilleures IA » ou des services qu’il faudrait absolument connaître. Les noms, les versions et les fonctionnalités évoluent rapidement. La manière dont ces différentes briques s’articulent est beaucoup plus durable que le catalogue des outils du moment.
C’était d’ailleurs l’un des points de départ de notre série « IA conversationnelles et développement web : dépasser les effets de mode » : derrière le terme « IA », nous regroupons facilement des technologies, des services et des usages très différents. Les distinguer permet déjà de prendre un peu de recul sur les outils que nous employons.
Lorsque nous commençons à parler d’assistants, d’agents, d’API ou de workflows, ces distinctions deviennent encore plus importantes. Plusieurs briques peuvent alors intervenir dans un même usage, chacune avec son rôle propre. C’est précisément ce que nous avons approfondi dans « IA conversationnelle, assistants, agents et workflows : comprendre les briques derrière les outils ».
Que peut-on réellement demander à une IA ?
Lorsque nous découvrons une IA conversationnelle, le premier réflexe consiste souvent à lui poser une question et à attendre une réponse. C’est logique, puisque l’interface elle-même nous y invite. Pourtant, répondre à une question ne représente qu’une partie de ce que permettent aujourd’hui les différentes formes d’intelligence artificielle.
Selon les modèles et les services utilisés, les possibilités sont très différentes. Nous pouvons notamment leur demander de :
- travailler avec du texte : expliquer une notion, reformuler, résumer, traduire, structurer des informations ou comparer plusieurs approches ;
- générer ou transformer des images : créer une illustration à partir d’une description, modifier un visuel existant, décliner une composition ou explorer différentes pistes graphiques ;
- travailler avec le son et la voix : transcrire un enregistrement, synthétiser une voix, analyser un contenu audio ou transformer certaines caractéristiques sonores ;
- produire ou modifier de la vidéo : générer des séquences, prolonger ou transformer des images animées, assister le montage ou créer des variations à partir d’un contenu existant ;
- écrire, analyser ou expliquer du code : proposer une fonction, rechercher une erreur, documenter un programme, comparer plusieurs solutions ou accompagner un développement ;
- analyser des données et des documents : extraire des informations, repérer des tendances, comparer des contenus ou aider à interpréter un ensemble de données ;
- rechercher et retrouver de l’information : interroger le Web ou une documentation, retrouver des contenus indexés, rapprocher des documents selon leur sens ou croiser plusieurs sources avant de produire une réponse ;
- combiner plusieurs de ces capacités : recevoir par exemple une image accompagnée d’une question, analyser un document contenant du texte et des graphiques, puis restituer le résultat sous une autre forme.
Cette liste ne cherche évidemment pas à être exhaustive. Les frontières entre ces usages évoluent rapidement et deviennent de moins en moins nettes : un même service peut désormais lire, écouter, regarder, rechercher, analyser, transformer et produire plusieurs types de contenus au cours d’un même échange.
Cette distinction est importante, car rechercher une information n’est pas la même chose que la générer. Selon l’outil utilisé, l’IA peut répondre à partir de ce qu’elle a appris lors de son entraînement, s’appuyer sur une recherche externe, interroger une base documentaire ou retrouver des contenus préalablement indexés. Pour l’utilisateur, le résultat peut sembler similaire ; derrière l’écran, les mécanismes sont pourtant très différents.
L’usage ne se limite pas pour autant à produire un texte, une image, une vidéo ou quelques lignes de code. Une IA peut également nous aider à questionner ce que nous sommes en train de faire. Nous pouvons lui soumettre une idée et lui demander d’en chercher les limites, confronter plusieurs hypothèses, faire apparaître des contradictions, envisager un autre point de vue ou identifier les questions que nous n’avons pas encore posées.
Elle peut aussi intervenir à différents moments d’un travail : préparer une première piste, analyser un document ou un ensemble de données, proposer des variantes, transformer un contenu d’un format vers un autre, ou automatiser certaines étapes lorsqu’elle est intégrée à un outil ou à une application. L’IA n’est donc pas seulement une machine à produire : elle peut participer à un processus de recherche, de création, d’analyse ou de transformation.
Cela ne signifie évidemment pas que les résultats obtenus sont justes par nature, ni qu’ils doivent remplacer notre propre jugement. Mais utilisées de cette manière, ces technologies peuvent devenir des supports pour apprendre, explorer, vérifier, confronter et parfois faire évoluer notre propre réflexion.
Reste alors une question très concrète lorsque nous utilisons une IA conversationnelle : comment formuler une demande pour que cet échange devienne réellement utile ?
Comment commencer à dialoguer avec elle ?
Face à une IA conversationnelle, nous pouvons être tentés d’écrire une question très courte et d’attendre qu’elle devine le reste. Cela fonctionne parfois, mais plus la demande est précise, plus il devient facile de comprendre ce que nous attendons réellement de l’échange.
Une première méthode peut tenir en quelques repères simples :
- expliquer le contexte dans lequel s’inscrit la demande ;
- préciser l’objectif que nous cherchons à atteindre ;
- indiquer les contraintes à respecter ;
- définir le résultat attendu : forme, niveau de détail, ton, format ou structure ;
- interroger, corriger et poursuivre l’échange plutôt que de considérer la première réponse comme définitive.
Il ne s’agit pas d’apprendre une formule magique ni de chercher le « prompt parfait ». L’intérêt est surtout de donner suffisamment d’éléments pour que l’échange puisse se construire progressivement, puis de reprendre la réponse, la préciser, la corriger ou la confronter si nécessaire.
C’est cette manière de travailler que nous développons plus largement dans « Dialoguer avec une IA : prompts, méthodes et construction d’un échange », où nous revenons sur la formulation des demandes, les reformulations, les validations progressives et la construction d’un véritable dialogue de travail.
Pourquoi faut-il rester aux commandes ?
Une IA peut produire une réponse fluide, cohérente et parfaitement plausible… tout en se trompant. Elle peut inventer une information, simplifier à l’excès, reproduire un biais ou donner beaucoup d’assurance à une réponse qui mériterait justement d’être vérifiée. La qualité de la formulation ne garantit donc pas la qualité du contenu.
Rester aux commandes, c’est d’abord conserver ce réflexe de vérification. Selon ce que nous lui confions, d’autres questions apparaissent aussi : quelles informations transmettons-nous ? Peuvent-elles être sensibles ou confidentielles ? Quels droits s’appliquent aux contenus utilisés ou produits ? Jusqu’où pouvons-nous automatiser une tâche sans perdre la compréhension de ce qui est réellement fait ?
La dépendance aux outils mérite également d’être observée. À force de déléguer certaines étapes, nous pouvons gagner du temps, mais aussi perdre progressivement des repères, des réflexes ou des compétences que nous mobilisions jusque-là nous-mêmes. Le risque n’est pas seulement d’obtenir une mauvaise réponse : c’est parfois de ne plus être capable d’identifier qu’elle l’est.
Il ne s’agit pas pour autant de considérer l’IA comme un outil dont il faudrait se méfier par principe. Il s’agit plutôt de conserver une distance suffisante pour savoir ce que nous lui confions, ce que nous vérifions, et ce que nous choisissons de garder sous notre propre responsabilité.
Cette question dépasse d’ailleurs largement l’intelligence artificielle. Nous l’avions déjà abordée dans « L’IA ne fait pas naître les questions de fond, elle donne une voix à celles que la technologie posait déjà » et, sous un autre angle, dans « Dessine-moi une appli » : derrière l’outil restent toujours des choix, une intention, une méthode et une responsabilité.
L’IA ne s’arrête pas à ce qui apparaît sur notre écran
Jusqu’ici, nous avons surtout regardé l’intelligence artificielle depuis ce que nous en percevons directement : une interface, une réponse, une image générée, un outil intégré à notre environnement de travail. Pourtant, ce qui se passe à l’écran ne représente qu’une partie de ce que ces technologies mettent en mouvement.
Dès lors qu’elles modifient notre manière de chercher une information, de produire un contenu, d’apprendre, de travailler ou parfois de prendre une décision, leurs effets dépassent nécessairement l’usage individuel. Ils touchent aussi l’organisation du travail, l’accès aux connaissances, la circulation des contenus, les modèles économiques, les infrastructures nécessaires à leur fonctionnement ou encore la manière dont certaines ressources sont concentrées entre quelques acteurs.
D’autres questions apparaissent alors. Quelle quantité de ressources matérielles et énergétiques faut-il mobiliser ? Que deviennent les contenus utilisés pour entraîner ou alimenter les modèles ? Comment évoluent les métiers et les compétences ? Que se passe-t-il lorsque l’accès à ces outils devient inégal ? Comment distinguer une information produite, transformée ou amplifiée par une IA ? Et quelles règles souhaitons-nous collectivement poser autour de leurs usages ?
Il serait tentant de regrouper toutes ces questions sous une même étiquette, celle des « dangers de l’IA ». Ce serait probablement trop simple. Les enjeux sont différents, parfois contradictoires, et ne conduisent pas tous aux mêmes conclusions. Certains concernent l’écologie, d’autres le droit, l’éducation, l’économie, l’information, l’accessibilité, la souveraineté technologique ou encore les usages publics et politiques.
L’objectif n’est donc pas ici de trancher ces débats, encore moins de décider à la place de chacun ce qu’il faudrait penser de l’intelligence artificielle. Il est plutôt de rappeler qu’une technologie aussi présente dans nos pratiques mérite aussi d’être observée depuis ce que son interface ne montre pas. Prendre du recul, ce n’est ni l’adopter sans réserve ni la rejeter par principe : c’est accepter d’en regarder plusieurs facettes avant de se faire sa propre idée.
Choisir son chemin
À ce stade, il n’est pas nécessaire de tout approfondir de la même manière. Selon ce que nous cherchons à comprendre, à expérimenter ou à construire, nous pouvons suivre des chemins différents. L’idée n’est pas de parcourir tous les contenus dans un ordre imposé, mais de disposer d’une carte pour savoir où aller ensuite.
| Niveau | Question | Fonction éditoriale |
|---|---|---|
| 1. Découvrir | De quoi parle-t-on ? | Poser les premiers repères, comprendre les grandes familles d’IA et commencer à expérimenter. |
| 2. Comprendre | Comment cela fonctionne-t-il ? | Approfondir les IA conversationnelles, leurs mécanismes, leurs limites et la manière de dialoguer avec elles. |
| 3. Réfléchir | Qu’est-ce que cela change ? | Prendre du recul sur les usages, les métiers et, progressivement, les dimensions sociales, écologiques, économiques ou politiques. |
| 4. Construire | Comment l’intégrer concrètement ? | Passer à la pratique avec les API, PHP, les passerelles, la sécurité, les formats structurés et l’intégration dans des applications réelles. |
Ces quatre niveaux ne constituent pas des étapes obligatoires. Nous pouvons vouloir découvrir sans développer, approfondir le fonctionnement des IA sans entrer immédiatement dans leurs implications sociales, ou au contraire partir directement des enjeux qui nous interrogent le plus.
Un développeur pourra rejoindre rapidement le niveau Construire, puis revenir ensuite vers Réfléchir lorsqu’une question de méthode, de dépendance ou de responsabilité apparaîtra. Une personne intéressée par les transformations du travail ou de l’information pourra commencer par les articles de recul avant de revenir, si elle le souhaite, aux mécanismes techniques.
C’est précisément la fonction de cet article : ne pas apporter une réponse unique à ce que nous devons faire de l’intelligence artificielle, mais donner suffisamment de repères pour que chacun puisse construire son propre parcours.
Au fil des publications, cette carte continuera d’évoluer. De nouveaux articles viendront approfondir chacune de ces directions et transformer progressivement ce point de départ en un parcours plus complet autour de l’intelligence artificielle.
Pour aller plus loin
Cet article constitue un point de départ. Certains sujets ont déjà été abordés plus en détail dans les différentes séries consacrées à l’intelligence artificielle ; d’autres feront l’objet de prochains articles, avec une approche plus pratique ou un angle différent.
Parmi les prochaines étapes envisagées :
- Découvrir l’interface d’une IA conversationnelle : dialoguer, échanger et utiliser les outils
- Utiliser l’IA comme un outil de travail sur sa propre base documentaire
- Comprendre les IA génératives d’image, de son et de vidéo — à venir
- Comprendre ce qu’est une API d’IA — à venir
- Connecter une application PHP à une IA — à venir
- Créer une passerelle sécurisée entre une application et un service d’IA — à venir
- Obtenir, structurer et vérifier les réponses d’une IA — à venir
D’autres contenus viendront également prolonger le niveau Réfléchir, en abordant progressivement les dimensions sociales, professionnelles, écologiques, économiques, juridiques ou politiques liées au développement de l’intelligence artificielle.
Au fil des publications, ces annonces seront remplacées par les articles correspondants. Cette page pourra ainsi évoluer avec le reste du corpus et devenir progressivement un véritable sommaire pour découvrir, comprendre, questionner et construire avec l’intelligence artificielle.
Conclusion
Comprendre l’intelligence artificielle ne consiste pas forcément à choisir immédiatement son camp. Nous manquons encore de recul pour savoir précisément où cette transformation nous conduira, mais nous en avons déjà suffisamment pour commencer à l’observer, l’expérimenter, la questionner et identifier ce qu’elle change réellement dans nos usages.
L’essentiel est peut-être là : ne pas subir l’outil, ne pas non plus le réduire à ses promesses ou à ses inquiétudes, mais apprendre progressivement à situer ce qu’il fait, ce qu’il transforme et la place que nous souhaitons lui accorder. Ce parcours ne donnera probablement pas une réponse commune à tout le monde. Il doit plutôt permettre à chacun de construire la sienne.
Pour commencer simplement, nous pouvons maintenant passer de ces premiers repères à l’expérimentation avec « Faire ses premiers pas avec une IA conversationnelle ». L’objectif sera volontairement pratique : ouvrir un premier échange, observer la manière dont l’IA réagit à nos demandes et apprendre à avancer progressivement sans chercher, dès le départ, à maîtriser toutes les méthodes de dialogue.
