Comment fonctionne l’intelligence artificielle, expliqué simplement

On parle d’elle partout, souvent comme d’une boîte noire un peu magique. Pourtant, comment fonctionne l’intelligence artificielle n’a rien d’ésotérique : derrière le mot se cachent quelques idées simples qu’on peut expliquer sans une seule équation. Cet article est le point d’entrée : à la fin, vous saurez distinguer les grandes approches, comprendre ce qui se passe quand une machine « apprend », et savoir pourquoi un assistant peut vous répondre une bêtise en gardant un ton assuré.

C’est quoi l’intelligence artificielle, au fond ?

La définition la plus utile tient en une phrase : l’intelligence artificielle, c’est une machine qui accomplit des tâches qu’on croyait réservées à l’intelligence humaine. Reconnaître un visage sur une photo, traduire une phrase, recommander un film, conduire une partie d’échecs, rédiger un paragraphe : autant d’activités qui, il y a quelques décennies, semblaient hors de portée d’un ordinateur.

Le terme est né dans les années 1950 et il est volontairement large. Il ne désigne pas une technologie unique, mais une famille de méthodes qui poursuivent le même objectif : automatiser une forme de « raisonnement ». C’est pour ça que le mot recouvre aussi bien un thermostat malin qu’un modèle capable de discuter. Retenir « c’est quoi l’intelligence artificielle » revient donc surtout à retenir qu’il s’agit d’un parapluie au-dessus de plusieurs approches très différentes.

Point important dès le départ : une IA n’est ni consciente, ni dotée d’intentions. Elle exécute des calculs. Ce qui change d’une approche à l’autre, c’est la façon dont on lui dit quoi calculer.

Quelles sont les deux grandes familles de l’IA ?

Historiquement, deux écoles se sont opposées, et il est éclairant de les comprendre pour saisir comment fonctionne l’intelligence artificielle d’aujourd’hui.

1. L’IA symbolique : des règles écrites par des humains

La première approche, dite symbolique, consiste à écrire explicitement les règles que la machine doit suivre. Un expert humain traduit son savoir en une longue série de « si… alors… ». L’exemple le plus parlant est l’arbre de décision, l’IA la plus simple à comprendre : à chaque question, on descend d’une branche à l’autre jusqu’à une réponse. « L’animal a-t-il des plumes ? Oui → est-ce qu’il vole ? »

Cette approche a un immense avantage : elle est transparente. On peut relire chaque règle, comprendre pourquoi la machine a conclu ce qu’elle a conclu. Son défaut : elle est rigide. Dès que le monde réel devient complexe — reconnaître un chat sur une photo, par exemple — écrire toutes les règles à la main devient impossible.

2. L’apprentissage automatique : la machine apprend par l’exemple

La seconde approche, l’apprentissage automatique (machine learning), renverse la logique. Au lieu de dicter les règles, on montre à la machine un grand nombre d’exemples et on la laisse déduire elle-même les régularités. On ne lui explique pas ce qu’est un chat ; on lui montre des milliers de photos étiquetées « chat » ou « pas chat », et elle apprend à faire la différence.

C’est cette famille qui domine aujourd’hui, notamment grâce aux réseaux de neurones : des structures de calcul inspirées, de très loin, du cerveau, empilées en couches, qui ajustent progressivement des milliers (puis des milliards) de paramètres pour mieux coller aux exemples. Puissant, mais avec une contrepartie : le résultat est souvent difficile à expliquer, à l’inverse de l’arbre de décision.

Comment une IA « apprend »-elle vraiment ?

Le mot « apprendre » peut prêter à confusion, alors décomposons. L’apprentissage automatique suit toujours le même enchaînement en trois temps.

• Les données. On rassemble un grand nombre d’exemples : photos, textes, transactions, sons… C’est la matière première. Sans données, pas d’apprentissage.
• L’entraînement. La machine parcourt ces exemples, fait des prédictions, mesure ses erreurs, puis ajuste ses paramètres internes pour se tromper un peu moins la fois suivante. Répété des millions de fois, ce processus fait émerger une compétence.
• Le modèle. Le résultat de l’entraînement est un modèle : un objet mathématique figé, capable de traiter des cas nouveaux qu’il n’a jamais vus, en s’appuyant sur ce qu’il a « appris ».

L’analogie la plus juste est celle de l’enfant. Personne ne définit un chat à un enfant par une liste de règles anatomiques. On lui en montre, encore et encore — dans la rue, dans les livres, en dessin — et un jour il pointe du doigt un animal qu’il n’a jamais vu en disant « chat ». Il a généralisé à partir d’exemples. Une IA fait exactement cela, mais avec beaucoup plus d’exemples et beaucoup moins de bon sens.

Comment marche une IA générative comme ChatGPT ?

Les IA génératives — celles qui produisent du texte, des images ou du code — reposent sur des grands modèles de langage (en anglais LLM). Leur principe est plus simple qu’on ne le croit, et un peu déroutant : un LLM ne fait, au fond, qu’une seule chose. Il prédit le mot suivant le plus probable.

Entraîné sur d’immenses quantités de texte, le modèle a appris quelles suites de mots sont plausibles. Quand vous écrivez « la capitale de la France est… », il calcule que « Paris » est de très loin la continuation la plus probable, et l’affiche. Puis il recommence, mot après mot — ou plus exactement fragment après fragment, ce qu’on appelle des tokens. La phrase entière se construit ainsi, un maillon à la fois.

Pour rapprocher les mots qui « vont ensemble », le modèle représente chaque terme sous forme de coordonnées numériques, les embeddings, où « roi » se retrouve proche de « reine » et loin de « bicyclette ». C’est cette géométrie du sens qui rend les réponses cohérentes.

La conséquence est capitale : un LLM ne comprend pas au sens humain. Il n’a ni intention, ni conscience de vérité. Il produit la suite statistiquement la plus vraisemblable. C’est ce qui explique à la fois sa fluidité stupéfiante et ses erreurs les plus surprenantes.

Pourquoi l’IA se trompe-t-elle avec autant d’aplomb ?

Puisqu’un modèle optimise la plausibilité et non la vérité, il lui arrive de produire une réponse fausse formulée avec la même assurance qu’une réponse juste. On parle d’hallucination : le modèle « comble le vide » avec ce qui sonne juste, même quand l’information exacte lui manque. Le phénomène n’est pas un bug isolé, il découle directement de la façon dont ces systèmes fonctionnent — un sujet que nous détaillons dans notre article sur les hallucinations des LLM.

La seconde source d’erreur est le biais des données. Un modèle n’apprend que ce qu’on lui montre. Si ses exemples reflètent des stéréotypes, des lacunes ou des points de vue déséquilibrés, ses réponses en hériteront. La machine n’est pas malveillante ; elle est le miroir statistique de ce qu’elle a ingéré. D’où une règle d’or : sur les faits sensibles — chiffres, noms, dates, santé, droit — l’IA propose, l’humain vérifie.

Face à ces limites, les laboratoires qui conçoivent ces modèles cherchent à les rendre plus fiables et plus transparents. Anthropic, par exemple, entraîne son modèle Claude selon une méthode dite d’« IA constitutionnelle » (Constitutional AI, 2022) : le modèle apprend à critiquer et corriger lui-même ses réponses au regard d’une « constitution » de principes explicites — une forme d’auto-amélioration encadrée. En parallèle, les travaux d’interprétabilité mécaniste (comme l’étude Scaling Monosemanticity, 2024) tentent d’ouvrir la « boîte noire » pour lire les concepts qu’un modèle a appris. Deux chantiers utiles à garder en tête avant de confier un tel outil à un enfant.

Idées reçues sur l’IA : le vrai du faux

Beaucoup de malentendus viennent de mots empruntés à l’humain. Ce tableau remet les pendules à l’heure.

Comment ré-expliquer tout ça à un enfant ?

Si vous devez transmettre l’essentiel à un enfant — ou à un adulte pressé —, quelques analogies simples suffisent, et il n’est jamais trop tôt pour commencer, comme nous le défendons dans notre dossier sur l’enjeu d’apprendre l’IA aux enfants.

• L’IA qui suit des règles, c’est comme un jeu de « qui est-ce ? » : on pose des questions oui/non jusqu’à trouver. C’est l’arbre de décision.
• L’IA qui apprend, c’est comme apprendre à reconnaître les chats : à force d’en voir, on finit par savoir, sans qu’on nous ait donné de définition.
• Une IA qui écrit, c’est comme un jeu où l’on devine le mot suivant d’une phrase. Elle est très forte à ce jeu, mais elle ne sait pas ce qu’elle raconte.
• Pourquoi elle se trompe : comme quelqu’un qui invente la fin d’une histoire qu’il n’a pas lue — ça sonne bien, mais ce n’est pas forcément vrai. Il faut toujours vérifier.

Pour aller plus loin sur le moment opportun et la méthode, nos confrères de Sornettes proposent un guide sur à quel âge initier un enfant à l’IA, complémentaire de cette approche.

L’essentiel à retenir

Comprendre comment fonctionne l’intelligence artificielle, c’est retenir trois idées. D’abord, l’IA est un parapluie qui recouvre des méthodes très différentes, des règles écrites à la main jusqu’aux réseaux de neurones. Ensuite, les IA modernes apprennent à partir d’exemples plutôt que d’instructions : données, entraînement, modèle. Enfin, les IA génératives prédisent la suite la plus plausible — ce qui explique leur fluidité comme leurs erreurs. Une machine remarquable, donc, mais qui reste un outil à valider, jamais une autorité à croire sur parole.

Foire aux questions

C’est quoi l’intelligence artificielle, en une phrase ?

C’est un ensemble de techniques qui permettent à une machine d’accomplir des tâches qu’on croyait réservées à l’intelligence humaine : reconnaître une image, traduire, tenir une conversation ou jouer à un jeu.

Comment fonctionne l’intelligence artificielle moderne ?

La plupart des IA actuelles reposent sur l’apprentissage automatique : au lieu d’être programmées avec des règles écrites à la main, elles apprennent des régularités à partir d’un grand nombre d’exemples, puis produisent un modèle capable de traiter des cas nouveaux.

Est-ce qu’une IA comme ChatGPT comprend ce qu’elle dit ?

Non, pas au sens humain. Un grand modèle de langage prédit le mot le plus probable pour continuer un texte. Le résultat paraît compréhensif, mais il n’y a ni conscience ni compréhension du sens.

Pourquoi une IA se trompe-t-elle en ayant l’air sûre d’elle ?

Parce qu’elle optimise la plausibilité, pas la vérité. Quand l’information lui manque, elle produit quand même la suite la plus probable : c’est une hallucination. Les biais des données d’entraînement peuvent aussi se glisser dans ses réponses.

Quelle est la différence entre IA symbolique et apprentissage automatique ?

L’IA symbolique suit des règles écrites explicitement par des humains, comme un arbre de décision. L’apprentissage automatique déduit ses propres règles à partir d’exemples. La première est transparente mais rigide ; le second est puissant mais plus difficile à expliquer.