C'EST QUOI L'IA ?

Tout, ou presque, commence avec un article. En 1950, le mathématicien britannique Alan Turing, déjà célèbre pour avoir contribué à casser les codes de la machine Enigma pendant la Seconde Guerre mondiale, publie dans la revue Mind un texte au titre sobre : Computing Machinery and Intelligence. Sa question de départ, « une machine peut-elle penser ? », lui semble elle-même mal posée : les mots « penser » et « machine » sont trop flous pour qu'on puisse y répondre sérieusement.

Turing propose alors une pirouette devenue célèbre : plutôt que de trancher philosophiquement la question, autant la remplacer par un test concret. Dans ce qu'il appelle le « jeu de l'imitation » — que la postérité rebaptisera le test de Turing — un interrogateur humain converse à l'aveugle, par écrit, avec un autre humain et avec une machine. S'il est incapable de dire de manière fiable lequel des deux est l'ordinateur, on considère que la machine a réussi le test.

L'anecdote la plus révélatrice, peut-être, est que Turing n'a pas écrit ce texte comme un traité aride de logique — contrairement à ses articles mathématiques plus techniques. Selon un proche, il en rédigeait certains passages avec un plaisir visible, presque en s'amusant (The Essential Turing). L'article n'était pas tant pensé comme une contribution philosophique rigoureuse que comme un texte de conviction : Turing voulait convaincre ses contemporains qu'il fallait prendre au sérieux l'idée qu'une machine puisse un jour manifester un comportement qu'on qualifierait, chez un humain, d'intelligent. Il aura fallu encore six ans pour que cette idée reçoive un nom.

On imagine souvent une conférence de renommée, grandiose, la conférence de Darmouth fut en réalité plus un workshop entre pairs.

L'été 1956, sur le campus tranquille du Dartmouth College, dans le New Hampshire, une vingtaine de chercheurs se réunissent pour un atelier de travail qui doit durer huit semaines. L'événement est organisé par quatre hommes : John McCarthy, jeune professeur assistant de mathématiques à Dartmouth, Marvin Minsky, alors jeune chercheur à Harvard, Nathaniel Rochester, directeur de recherche chez IBM, et Claude Shannon, le père de la théorie de l'information, alors aux laboratoires Bell. Parmi les participants figurent aussi Allen Newell et Herbert Simon, qui viennent présenter leur programme Logic Theorist, capable de démontrer des théorèmes de logique formelle — une première.

C'est dans la proposition de financement rédigée l'année précédente par les quatre organisateurs qu'apparaît, pour la première fois, l'expression « intelligence artificielle ». Le terme n'est pas anodin : jusque-là, on parlait plutôt de « cybernétique » ou de « théorie des automates ». McCarthy choisit volontairement une étiquette neuve pour marquer une rupture et fédérer un champ de recherche encore éclaté.

L'ambiance de ce fameux été reste mal documentée — deux participants, Ray Solomonoff et Trenchard More, auront la bonne idée de tenir un journal quotidien, ce qui en fait aujourd'hui la source la plus précise sur le déroulement réel de la rencontre. On sait en revanche que l'optimisme y était total : les chercheurs pensaient sincèrement qu'en quelques décennies, voire moins, l'essentiel des problèmes de l'intelligence machine serait résolu. Arthur Samuel, l'un des participants, développera d'ailleurs cette même année un programme de jeu de dames capable de s'améliorer en jouant contre lui-même — et inventera en 1959 le terme « machine learning », apprentissage automatique.

Cette confiance va porter la recherche pendant près de vingt ans, avec des financements généreux, notamment via la DARPA, l'agence de recherche du Pentagone. Mais les promesses des pionniers de Dartmouth — une machine véritablement intelligente sous vingt ans — vont se heurter à un mur légèrement imprévu.

On appelle « hiver de l'IA » une période où les financements se tarissent et où l'enthousiasme retombe brutalement, après des années de promesses non tenues. L'histoire de l'IA en connaît deux, et dans les deux cas, la cause profonde est la même : on demandait à des machines de raisonner sur le monde réel sans disposer ni des données, ni de la puissance de calcul nécessaires pour le faire.

Un premier signal d'alerte apparaît dès 1966, avec un rapport américain (ALPAC) qui constate que la traduction automatique — un sujet massivement financé depuis le début de la Guerre froide dans l'espoir de traduire instantanément le russe — ne fonctionne tout simplement pas de façon satisfaisante. Quelques coupes budgétaires suivent.

Le vrai coup de froid vient en 1973, avec un rapport commandé par les autorités scientifiques britanniques au mathématicien James Lighthill, qui n'avait lui-même jamais travaillé en IA. Son diagnostic est sévère : les chercheurs auraient largement survendu leurs résultats. Lighthill met le doigt sur un problème resté d'actualité sous un autre nom aujourd'hui : celui de « l'explosion combinatoire ». Un programme capable de résoudre un problème miniature en laboratoire — un jeu, un puzzle logique simplifié — voit son besoin en calcul croître de façon exponentielle dès qu'on tente de l'appliquer à un problème de taille réelle. Or les ordinateurs de l'époque, avec leurs quelques kilooctets de mémoire et leurs processeurs capables d'à peine quelques dizaines de milliers d'opérations par seconde, ne pouvaient tout simplement pas suivre. Il n'existait par ailleurs aucune base de données numérisée à grande échelle sur laquelle un programme aurait pu apprendre — l'essentiel des connaissances devait être codé à la main, ligne par ligne, par des chercheurs.

Le rapport Lighthill s'ajoute à un autre coup dur : dès 1969, l'ouvrage Perceptrons, écrit par Marvin Minsky lui-même avec Seymour Papert, avait démontré les limites mathématiques des premiers réseaux de neurones — les fameux perceptrons ne pouvaient même pas apprendre une fonction logique aussi simple que le OU exclusif. Il faudra attendre le milieu des années 1980, avec la redécouverte de l'algorithme de rétropropagation, pour dépasser ce verrou théorique. Mais même ce nouvel outil restera longtemps inutilisable en pratique : entraîner un réseau de neurones à plusieurs couches demandait des ressources de calcul qui n'existeraient tout simplement pas avant les années 2010. Résultat : à partir de 1974, la DARPA coupe l'essentiel des financements de recherche fondamentale, le gouvernement britannique fait de même, et l'IA entre dans un premier hiver qui durera jusqu'au début des années 1980.

Entre les deux hivers de l'IA, il y a tout de même eu un âge d'or bien réel, porté par une famille de programmes qu'on appelait les « systèmes experts ». L'idée est simple : au lieu de viser une intelligence générale, on encode dans un logiciel les règles de décision d'un spécialiste humain dans un domaine très précis, sous la forme de règles du type « si telle condition, alors telle conclusion ». Le programme ne comprend rien au sens propre, mais il applique méthodiquement des centaines, parfois des milliers de règles. Les systèmes experts seront les premières IA qui rapporte de l'argent (à l'image de R1), sortant temporairement de leur hiver.

Les systèmes experts (voir plus bas) relancent brièvement la machine dans les années 1980, avec un marché du matériel spécialisé — les « machines Lisp » — qui pèse plusieurs centaines de millions de dollars par an au milieu de la décennie. Mais le modèle économique s'effondre presque du jour au lendemain en 1987 : des stations de travail généralistes, moins chères, produites par des entreprises comme Sun Microsystems, rattrapent puis dépassent les performances des machines spécialisées. Le marché du matériel dédié à l'IA disparaît en quelques mois, entraînant dans sa chute de nombreuses entreprises du secteur.

Mais le vrai problème, plus structurel encore que la faillite d'un segment de marché, tient à une question d'infrastructure — celle du calcul, et celle des données — dont on mesure mal, aujourd'hui, à quel point elle était limitante.

Côté calcul, d'abord : un ordinateur personnel du début des années 1980 fonctionnait avec quelques dizaines ou centaines de kilooctets de mémoire vive. Pour donner un ordre de grandeur qui parle à tout le monde : l'ordinateur de bord qui a guidé Apollo 11 jusqu'à la Lune en 1969 ne disposait que de 4 Ko de RAM, et le tout premier IBM PC, sorti en 1981, n'en avait guère que huit fois plus. Le stockage, lui, coûtait une fortune : en 1980, un disque dur de 5 mégaoctets valait environ 1 500 dollars, soit 300 dollars par mégaoctet — un tarif qui tombera à moins d'un millième de centime le mégaoctet dès 2008. Autrement dit, il aurait été financièrement absurde, et techniquement impossible, d'envisager de stocker et de traiter les volumes de textes ou d'images qu'exige aujourd'hui l'entraînement d'un système d'IA.

Côté données, ensuite, la situation n'était pas meilleure : il n'existait tout simplement pas d'internet public dans lequel puiser. ARPANET, l'ancêtre militaire et universitaire du web, ne reliait qu'une poignée de centaines d'ordinateurs au début des années 1980, et n'en comptera guère plus de 100 000 — uniquement des laboratoires de recherche — à la toute fin de la décennie. Le World Wide Web lui-même n'est inventé qu'en 1989-1991, au CERN, et ne se démocratisera vraiment qu'à partir du milieu des années 1990, avec l'apparition des premiers navigateurs grand public. Pendant tout le second hiver de l'IA, il n'existait donc, sur aucun réseau accessible, ni corpus de textes numérisés à grande échelle, ni base de données massive dans laquelle un programme aurait pu puiser pour apprendre par lui-même.

Cette double contrainte — pas de machines assez puissantes, pas de données à leur donner à digérer — explique pourquoi les systèmes de l'époque, à commencer par les systèmes experts évoqués plus loin, ne pouvaient fonctionner qu'en encodant à la main, règle par règle, le savoir d'un spécialiste humain : il n'existait, techniquement, aucune autre option.

Avant l'explosion de l'IA générative, il y a eu une décennie charnière, portée par deux promesses jumelles : la voiture autonome et la vision par ordinateur.

Tout part d'un échec spectaculaire. En 2004, la DARPA organise son premier « Grand Challenge » : une course de véhicules autonomes à travers 240 kilomètres de désert californien, entre Barstow et Primm, dans le Nevada. Le résultat est cinglant. Aucun véhicule ne termine le parcours : le meilleur concurrent, une caravane de buggies et de 4x4 bardés de capteurs digne d'un film post-apocalyptique, parcourt à peine 12 kilomètres avant de rester bloqué sur un talus. La presse de l'époque parle d'un fiasco retentissant. Mais dès l'édition suivante, en 2005, plusieurs véhicules bouclent intégralement le circuit — dont Stanley, le véhicule de l'équipe de Stanford dirigée par Sebastian Thrun. Cet épisode va essaimer dans toute l'industrie : Thrun ira fonder le projet de voiture autonome de Google, devenu depuis Waymo, tandis que d'anciens participants de Carnegie Mellon lanceront Cruise et Zoox.

En parallèle, un second déclic se produit en 2012, dans un domaine a priori très différent : la reconnaissance d'images. Chaque année, le concours ImageNet évalue les meilleurs algorithmes de classification d'images sur une base de plus d'un million de photos réparties en mille catégories. Les progrès y sont, jusque-là, lents et progressifs. En 2012, une équipe de l'université de Toronto — Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton — soumet un réseau de neurones baptisé AlexNet, entraîné sur des cartes graphiques (GPU) plutôt que sur des processeurs classiques. Le résultat surprend toute la communauté : un taux d'erreur de 15,3 %, contre 26,2 % pour le deuxième du classement — un bond de près de 11 points que personne n'avait vu venir. En quelques mois, Google, Facebook, Microsoft et Baidu se lancent dans des investissements massifs en deep learning. Trois ans plus tard, en 2015, un réseau encore plus profond (ResNet) descendra sous les 4 % d'erreur, un niveau désormais inférieur à celui d'un humain sur cette tâche précise.

C'est cette conjonction — des voitures qui roulent seules, une machine qui « voit » mieux qu'un humain sur certaines tâches — qui alimente, entre 2015 et 2022, une vague d'espoirs considérable. On promet alors des flottes de robotaxis généralisées d'ici quelques années, la fin programmée du permis de conduire, une automatisation totale du transport. La réalité, sept ans plus tard, est plus nuancée : la vision par ordinateur s'est bel et bien généralisée — reconnaissance faciale des smartphones, imagerie médicale assistée, contrôle qualité industriel — mais la voiture pleinement autonome reste, en 2022 comme aujourd'hui, cantonnée à quelques villes pilotes plutôt que généralisée aux routes de campagne ou aux conditions météo difficiles. Un peu comme les promesses de Dartmouth en leur temps, l'ampleur du changement a été réelle, mais plus lente et plus partielle que ce que l'enthousiasme de l'époque laissait présager.

Ce que la vision par ordinateur n'était pas parvenue à faire — rendre l'IA tangible pour le grand public — l'IA générative va l'accomplir en quelques semaines. Le 30 novembre 2022, OpenAI met en ligne ChatGPT, presque comme une démonstration technique discrète. Le service atteint un million d'utilisateurs en cinq jours, puis 100 millions d'utilisateurs actifs mensuels dès janvier 2023 — un rythme d'adoption qu'aucun produit grand public n'avait connu jusque-là, devançant largement des services comme Instagram ou Netflix pour atteindre ce seuil. ChatGPT franchira ensuite le cap du milliard d'utilisateurs mensuels en un peu plus de trois ans, battant le précédent record détenu par Google Maps, qui avait mis près de cinq ans à l'atteindre.

Ce succès s'accompagne d'une vague parallèle dans la génération d'images : Midjourney, DALL-E puis Stable Diffusion popularisent, à partir de 2022 également, la possibilité de produire une image à partir d'une simple description en langage naturel. Pour la première fois, une personne sans aucune compétence technique peut littéralement « discuter » avec une IA ou lui demander une illustration — une expérience bien plus immédiate que celle d'un algorithme de recommandation invisible ou d'une caméra de smartphone qui détecte un visage.

C'est précisément cette visibilité qui installe, dans les années qui suivent, un amalgame que beaucoup d'observateurs du secteur pointent du doigt : dans l'esprit du grand public — et parfois même de certains professionnels —, « intelligence artificielle » et « IA générative » deviennent des synonymes. Or l'IA générative, aussi impressionnante soit-elle, n'est qu'une branche d'un champ bien plus vaste qui inclut, entre autres, les systèmes de recommandation, la vision par ordinateur évoquée plus haut, les algorithmes prédictifs utilisés en finance ou en logistique, ou encore les systèmes experts d'hier. Cette confusion n'est pas neutre : elle alimente à la fois un excès d'optimisme — l'idée que l'IA générative serait une solution magique et universelle — et des craintes disproportionnées, l'une nourrissant l'autre.

Quel que soit le jugement qu'on porte sur cet amalgame, la transformation qu'il accompagne, elle, est bien tangible — à l'échelle des individus comme des entreprises.

Du côté des pratiques individuelles, l'exemple le plus parlant est peut-être celui de Stack Overflow, la plus grande communauté d'entraide pour développeurs au monde depuis 2008. Dès les premiers mois suivant le lancement de ChatGPT, son trafic recule de plus de 10 % par mois ; des études académiques ultérieures évoqueront un déclin qui s'est encore accentué avec le temps. Le réflexe qui consistait à poser une question de programmation sur un forum public, pour le bénéfice de milliers d'autres développeurs qui tomberaient un jour sur la même réponse, a largement cédé la place à une conversation privée et instantanée avec un assistant IA. C'est tout un modèle de production collective de la connaissance qui se trouve rebattu par ce changement d'habitude, en quelques mois à peine.

Du côté des entreprises, l'adoption progresse vite mais reste inégale : en Europe, environ un cinquième des entreprises de dix salariés ou plus déclarent utiliser une technologie d'IA en 2025, ce taux dépassant la moitié chez les plus grandes structures. Un phénomène nouveau illustre bien la vitesse du changement : le « Bring Your Own AI », où des salariés utilisent leurs propres outils d'IA générative au travail sans attendre une politique interne officielle — un usage informel qui concernerait une majorité de salariés dans le monde selon plusieurs enquêtes récentes.

De la question philosophique posée par Turing en 1950 à un milliard de personnes conversant chaque mois avec une IA en 2026, le fil qui traverse cette histoire est finalement assez constant : des vagues d'espoir portées par de vraies avancées techniques, suivies de retours de bâton quand la réalité — le manque de données, de puissance de calcul, ou simplement de robustesse — rattrape les promesses. Rien ne garantit que la vague actuelle échappe à ce cycle. Mais à la différence des hivers précédents, elle a déjà, et pour la première fois, changé les habitudes de plusieurs centaines de millions de personnes en quelques années à peine — ce qui, historiquement, ne s'était jamais produit à cette échelle ni à cette vitesse.