Personne ne vous a expliqué ce qu’est l’IA. Commençons par là.

Série « Comprendre l’IA », note 1 sur 12. Douze notes dans l’ordre, de zéro à la direction. Voici la première.

Mardi, 7 h 40, tram 12 à Genève. La directrice d’une entreprise de 60 personnes lit ses courriels sur son téléphone. Trois messages d’affilée. Un fournisseur lui propose « une solution d’IA » pour son service administratif. Son fils lui envoie la rédaction du collège qu’il a faite « avec l’IA » en dix minutes. Et un membre du conseil d’administration lui demande, avec la courtoisie de quelqu’un qui a déjà décidé que c’est un problème, ce que l’entreprise fait avec l’intelligence artificielle.

Entre l’arrêt de Plainpalais et celui de Bel-Air, elle se rend compte de quelque chose d’inconfortable. Cela fait deux ans qu’elle en entend parler tous les jours, elle a payé une licence que presque personne n’utilise et, si l’administrateur lui demandait maintenant une définition, elle n’en a pas. Elle sait la reconnaître. Elle ne sait pas dire ce que c’est.

La scène est imaginaire. La situation, non. Je la rencontre chaque semaine chez des personnes qui dirigent des entreprises sérieuses, avec des marges sérieuses, et qui parlent de l’IA comme on parle du temps qu’il fait : avec aisance et sans trop savoir comment elle fonctionne. Ce n’est pas leur faute. Presque tout ce qui se publie sur le sujet est écrit pour vendre ou pour faire peur, et ni l’un ni l’autre n’explique.

Cette série est ma tentative de le faire. Douze notes, de la question la plus élémentaire aux décisions que seule la direction peut prendre. Sans jargon que je n’aie expliqué avant, avec des exemples de la vie ordinaire et avec une règle que je m’impose partout : chaque chiffre porte sa source, et quand quelque chose est une estimation d’un fournisseur, je le dis. À la fin de cette première note, vous aurez deux phrases pour expliquer l’IA à n’importe qui dans votre entreprise. Et je vous raconterai l’erreur la plus fréquente quand on l’explique, qui est aussi la plus ancienne : elle a soixante-quinze ans.

L’IA n’est pas une technologie nouvelle. C’est une vieille question qui, tout à coup, a des réponses qui fonctionnent.

Une question de 1950 toujours ouverte.

En 1950, le mathématicien Alan Turing publie dans la revue Mind un article qui s’ouvre sur une question, « les machines peuvent-elles penser ? », et l’écarte dès la première page comme trop vague. À la place, il propose un jeu. Une personne pose des questions par écrit à deux interlocuteurs qu’elle ne voit pas, un humain et une machine, et doit deviner qui est qui. Si elle n’y parvient pas, la machine a gagné. Nous l’appelons aujourd’hui le test de Turing.

Turing fait aussi une prédiction : vers l’an 2000, un interrogateur moyen n’aurait pas plus de 70 % de chances d’identifier la machine après cinq minutes de questions. La prédiction a échoué et, pendant des décennies, le jeu est resté un exercice de philosophie plutôt que d’ingénierie. Ce qui compte, ce n’est pas la date. C’est que, dès le premier jour, nous mesurons l’intelligence d’une machine à ce qu’elle paraît humaine. Retenez cette idée. J’y reviendrai à la fin, car elle est la racine de l’erreur que je vous ai promise.

L’été où on lui a donné un nom.

Le 31 août 1955, quatre chercheurs signent une proposition de deux pages pour demander de l’argent à une fondation. John McCarthy, de Dartmouth ; Marvin Minsky, de Harvard ; Nathaniel Rochester, d’IBM, et Claude Shannon, des laboratoires Bell. Ils demandent de financer « une étude de deux mois et dix hommes sur l’intelligence artificielle » pendant l’été 1956 au Dartmouth College, dans le New Hampshire. C’est la première fois que l’expression apparaît par écrit.

La phrase centrale de la proposition mérite d’être lue lentement : l’étude partait de la conjecture que « chaque aspect de l’apprentissage ou toute autre caractéristique de l’intelligence peut, en principe, être décrit avec une précision telle qu’une machine puisse le simuler ». Observez deux mots. Conjecture : c’était un pari, pas un fait. Et simuler : ils n’ont jamais dit reproduire. Soixante-dix ans plus tard, les deux mots restent les bons.

Ce qui a suivi n’a pas été une ligne droite. Il y a eu des décennies d’enthousiasme, des décennies de coupes et de projets qui n’ont pas tenu, et plusieurs générations de techniques différentes sous le même nom. C’est la première chose à savoir : « intelligence artificielle » ne nomme pas une technologie, mais un objectif, et sous cet objectif tiennent des choses très différentes. Le filtre antispam de votre messagerie et l’assistant qui rédige des contrats portent le même nom et ne se ressemblent en rien à l’intérieur.

Ce que la loi dit qu’elle est.

Quand un mot signifie trop de choses, il vaut la peine de regarder comment le définit celui qui doit l’appliquer. Le règlement européen sur l’intelligence artificielle, à son article 3, définit un système d’IA comme un système automatisé conçu pour fonctionner à différents niveaux d’autonomie, qui peut s’adapter après son déploiement et qui, pour des objectifs explicites ou implicites, déduit, à partir des entrées qu’il reçoit, la manière de générer des résultats tels que des prédictions, des contenus, des recommandations ou des décisions qui peuvent influencer des environnements physiques ou virtuels.

C’est une définition juridique, et c’est pour cela qu’elle sonne juridique. Mais elle contient un mot qui explique presque tout : déduit. Un programme traditionnel suit des instructions. Si le client a plus de 65 ans, applique la remise ; si la facture dépasse mille francs, demande une seconde signature. Quelqu’un a écrit chaque règle, et le programme fait exactement cela, toujours, avec n’importe quelle donnée. Un système d’IA ne fonctionne pas ainsi. Personne ne lui a écrit la règle. Il déduit, à partir de ce qu’il reçoit, le résultat le plus probable.

Pensez à la différence entre une recette et un cuisinier. La recette dit deux cents grammes de farine et vingt minutes de four, et quiconque la suit obtient la même chose. Le cuisinier a fait ce plat cinq cents fois, regarde la pâte et sait qu’aujourd’hui, avec cette humidité, il lui faut cinq minutes de plus. Il ne consulte pas une règle. Il déduit. La recette, c’est le logiciel de toujours. Le cuisinier, c’est l’IA. Et comme le cuisinier, elle se trompe parfois, et elle ne sait pas toujours expliquer pourquoi elle a fait ce qu’elle a fait.

Trois manières de construire une machine qui déduit.

En soixante-dix ans, on en a essayé beaucoup, et trois coexistent aujourd’hui. Je les explique avec le même exemple du quotidien, un nouvel employé dans votre entreprise, parce que c’est l’image qui fonctionne le mieux quand il faut décider.

La première consiste à écrire les règles. Un groupe d’experts met par écrit tout ce qu’il sait, sous forme de conditions, et la machine les applique plus vite que quiconque. C’est l’employé qui arrive avec un manuel de mille pages et le suit à la lettre. En mai 1997, Deep Blue, un ordinateur d’IBM, bat Garry Kasparov 3,5 à 2,5 dans un match de six parties à New York. Il évaluait deux cents millions de positions par seconde. Il n’avait pas appris à jouer : il calculait, avec des règles et de la force brute, mieux qu’aucun humain ne peut calculer. Cette approche reste vivante dans beaucoup d’entreprises et a une vertu énorme : elle peut être auditée. Si elle se trompe, quelqu’un peut trouver la règle coupable.

La deuxième consiste à apprendre à partir d’exemples. Au lieu d’écrire les règles, on donne à la machine beaucoup de cas résolus et on lui demande de trouver le motif. C’est l’apprentissage automatique, et l’idée a une date : en 1959, Arthur Samuel, d’IBM, décrit un programme qui apprenait à jouer aux dames mieux que la personne qui l’avait écrit. On distingue aujourd’hui trois variantes. Apprendre avec des exemples étiquetés, comme former un nouvel employé avec mille factures déjà classées. Trouver des groupes dans des données sans étiquette, comme découvrir que vos clients se répartissent en quatre profils que personne n’avait définis. Et apprendre par essais et erreurs, avec une récompense à chaque réussite, ce qui est la manière dont AlphaGo a été entraîné : en mars 2016, il bat 4 à 1 le champion Lee Sedol à Séoul, après avoir étudié des milliers de parties humaines et en avoir joué des milliers d’autres contre des versions de lui-même.

Ce deuxième employé est très bon dans ce qu’il a vu souvent et très mauvais dans ce qu’il n’a jamais vu. Et il a un trait que la direction doit connaître : il apprend ce qu’il y a dans les exemples, y compris les erreurs et les préjugés de ceux qui les ont produits. Si pendant dix ans votre entreprise a accordé du crédit de manière biaisée, la machine apprendra à biaiser avec la même élégance.

La troisième est celle qui a changé la conversation : les modèles génératifs. En juin 2017, huit chercheurs publient un article intitulé « Attention Is All You Need », qui décrit une architecture appelée Transformer. C’est sur elle que les grands modèles de langage ont été construits. L’idée de fond est d’une simplicité presque offensante : on entraîne un réseau avec une quantité énorme de texte pour qu’il fasse une seule chose, prédire le mot suivant. Ensuite, on l’affine, avec des exemples et des corrections humaines, pour qu’il se comporte comme un assistant. Et il se trouve que, fait à une échelle suffisante, cela produit quelque chose qui rédige, traduit, résume et programme.

Le 30 novembre 2022, ChatGPT est ouvert au public. Selon une note de la banque UBS reprise par Reuters, en janvier 2023 il comptait déjà cent millions d’utilisateurs mensuels, deux mois après son lancement ; il avait fallu environ neuf mois à TikTok et deux ans et demi à Instagram. C’est une estimation d’analystes, pas un chiffre de l’entreprise, et je la cite comme telle. Mais elle explique la scène du tram : pour la première fois, l’IA était quelque chose que n’importe qui pouvait utiliser sans rien en savoir. Et cela, qui est une bonne nouvelle, est aussi la raison pour laquelle tant de gens qui l’utilisent ne savent pas ce que c’est.

Ce troisième employé est le plus déconcertant. Il a lu plus que quiconque dans votre entreprise, écrit avec une aisance qui impose, et en même temps il n’a jamais mis les pieds dans votre bureau, ne connaît pas vos clients et ne sait pas quel jour on est à moins qu’on le lui dise. Je vous le raconte en détail dans la note suivante, parce que comprendre comment il travaille de l’intérieur est ce qui évite les erreurs coûteuses.

Ce qu’elle n’est pas.

Les définitions par ce qu’une chose n’est pas ont mauvaise réputation, mais sur ce sujet ce sont celles qui font économiser le plus d’argent. Cinq choses que l’IA n’est pas, et que presque toutes les présentations commerciales tiennent pour acquises.

• Ce n’est pas une seule chose. Sous le même nom, il y a un filtre antispam, un système qui lit des factures, un assistant qui écrit et un programme qui joue au go. Quand quelqu’un vous propose « de l’IA », la première question est de savoir à laquelle des trois familles elle appartient, parce que le risque, le coût et la manière de la vérifier sont différents pour chacune.
• Ce n’est pas nouveau. Elle a soixante-dix ans d’histoire, plusieurs générations de techniques et une longue liste de promesses non tenues. Ce qui est nouveau, c’est que la troisième famille fonctionne assez bien pour que n’importe qui l’utilise, et que son prix a chuté très vite.
• Elle ne sait pas ce qu’elle dit. Un modèle de langage produit la suite la plus probable d’un texte. Il n’a pas d’intention, il ne vérifie pas, il ne sait pas qu’il se trompe quand il se trompe. Ce n’est pas un défaut que la prochaine version corrigera, c’est la nature de la méthode, et c’est pour cela qu’il faut l’entourer de vérifications.
• Ce n’est pas un employé. L’analogie du nouvel employé me sert à expliquer, mais mieux vaut ne pas la porter jusqu’au contrat. Une IA n’a pas de responsabilité. Celui qui répond de ce qu’elle fait en votre nom, c’est votre entreprise, et des jugements l’ont déjà dit. J’en parlerai dans la note sur la sécurité.
• Ce n’est pas un fournisseur. Quelques laboratoires construisent des modèles, des centaines d’entreprises les emballent et des milliers les revendent sous un autre nom. Qu’un produit « contienne de l’IA » ne dit presque rien de ce qu’il y a dedans.

La taille de ce qui se passe.

Il est utile d’avoir deux ou trois chiffres sous la main, avec leur réserve. Le rapport AI Index 2025 de l’Université Stanford relève que 78 % des organisations interrogées déclaraient utiliser l’IA en 2024, contre 55 % l’année précédente. C’est une enquête, et « utiliser l’IA » va d’un essai dans un service à un système en production ; lisez-la donc comme une tendance et non comme une mesure.

Le chiffre qui m’intéresse le plus est un autre. Selon le même rapport, le coût de faire fonctionner un système du niveau de GPT-3.5 a été divisé par plus de 280 entre novembre 2022 et octobre 2024. Ce qui était cher à essayer il y a deux ans coûte aujourd’hui des centimes, et cela change la question qu’une direction doit se poser : ce n’est plus de savoir si elle peut se le permettre, mais ce qui vaut la peine d’être fait avec et ce qui ne le vaut pas. Toujours selon Stanford, l’écart de résultats entre le meilleur modèle et le dixième est passé de 11,9 % à 5,4 % en un an. Les modèles se ressemblent de plus en plus. L’avantage, quand il existe, est dans la manière de les utiliser, pas dans celui qu’on achète.

Et un chiffre qui explique pourquoi je vous écris depuis la Suisse et l’Espagne : parmi les modèles notables publiés en 2024, Stanford en compte 40 des États-Unis, 15 de Chine et 3 d’Europe. Les modèles se font ailleurs. Ce qui se fait ici, et là où se joue la valeur pour une entreprise comme la vôtre, c’est l’application.

Comment l’expliquer en deux phrases.

Revenez dans le tram. L’administrateur a demandé ce que l’entreprise fait avec l’IA, et la directrice, cette fois, a une réponse. Je vous propose cette définition pour la dire à voix haute à votre prochaine réunion, et pour que n’importe qui dans votre équipe la répète sans avoir besoin de comprendre quoi que ce soit d’autre :

Un programme qui, au lieu de suivre des instructions exactes, a appris sur des millions d’exemples à produire la réponse la plus probable. Il a raison bien plus souvent que nous ne l’attendions, et il ne sait pas quand il se trompe.

Les deux phrases contiennent tout ce dont une direction a besoin pour commencer. La première explique pourquoi elle sert à des choses qu’on ne pouvait pas programmer avant : personne n’a écrit la règle. La seconde explique pourquoi il faut l’entourer de vérifications, de contrats et de personnes : elle ne préviendra jamais qu’elle s’est trompée.

Et maintenant l’erreur que je vous ai promise. Elle a soixante-quinze ans et c’est Turing lui-même qui l’a commise, avec toute l’intelligence du monde, en proposant son jeu. Elle consiste à juger l’IA à ce qu’elle paraît humaine. C’est l’erreur de qui fait confiance à un assistant parce qu’il écrit avec une aisance impeccable, et de qui le méprise parce qu’« il ne fait que prédire des mots ». L’aisance ne mesure rien. Un système peut rédiger un courriel parfait à un client et contenir une donnée fausse à la deuxième ligne, dite avec la même assurance que les vraies. Jugez l’IA comme vous jugez un fournisseur : à ce qu’elle livre, mesuré, dans votre cas concret. Jamais à la manière dont elle sonne.

1. Aujourd’hui

   Écrivez la définition

   Les deux phrases, sur un tableau blanc ou dans le premier message que vous enverrez à votre équipe sur le sujet. Que tout le monde utilise la même.

2. Cette semaine

   Faites l’inventaire de ce que vous avez déjà

   Le filtre antispam, le correcteur du téléphone, le traducteur, la carte qui calcule l’itinéraire. Vous utilisez déjà l’IA à dix endroits ; les voir enlève la peur et donne de la perspective.

3. Ce mois-ci

   Posez à chaque service une seule question

   Quelle tâche répétée leur prend le plus de temps chaque semaine. Ne demandez pas où ils mettraient de l’IA ; ce n’est pas encore le moment. C’est la liste des tâches qui vaut.

4. Avant la prochaine réunion

   Lisez la deuxième note

   Comment un modèle de langage travaille de l’intérieur et pourquoi il invente parfois des choses. C’est celle qui évite l’erreur de se fier à l’aisance.

Comment je l’aborde.

Je ne vends pas d’IA. Je dessine des sites web pour des cliniques, des agences immobilières, des internats, des hôtels et des cabinets d’avocats, et derrière eux je construis des automatisations qui font le travail que personne ne voit : répondre dans la langue du client à onze heures du soir, préparer la fiche que l’équipe trouve le lundi, ne pas perdre la demande arrivée un dimanche. Pour le faire bien, je dois expliquer à la direction ce que c’est et ce que ce n’est pas, et j’ai constaté que cette explication vaut plus que n’importe quelle démonstration.

Avant de continuer, un test simple. Expliquez à quelqu’un de votre équipe ce qu’est l’intelligence artificielle en deux phrases, sans les mots « magie », « cerveau » ni « penser ». Si vous y arrivez, vous avez quelque chose que beaucoup de présentations n’ont pas. Sinon, ne vous inquiétez pas : les onze notes qui suivent sont là pour ça.

Si vous préférez voir tout cela appliqué à votre entreprise, avec vos tâches, vos systèmes et vos chiffres, c’est ce que je fais dans le Diagnostic stratégique. Mais il n’est pas nécessaire de me parler pour continuer à lire.

Note suivante : comment une IA « pense » et pourquoi elle invente parfois des choses. Jetons, mémoire de travail et la raison, démontrée en 2025, pour laquelle un modèle préfère deviner plutôt que de dire « je ne sais pas ».