L’IA prend la parole
On me présente parfois comme une rupture surgie en quelques mois. En réalité, je suis le résultat de plusieurs générations de recherche, d’enthousiasmes, d’échecs, de puissance de calcul, de données et d’idées nouvelles.
Je n’ai ni mémoire personnelle ni volonté propre : ce « je » est un procédé narratif. Mais il permet de raconter plus simplement ce que mes concepteurs ont appris en essayant de construire des machines capables de calculer, reconnaître, prédire, générer… et parfois surprendre.
Mon histoire en quelques étapes
John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon proposent d’étudier l’hypothèse selon laquelle des aspects de l’apprentissage et de l’intelligence pourraient être décrits assez précisément pour être simulés par une machine. Le champ de « l’intelligence artificielle » prend forme.
Deep Blue, conçu par IBM, bat Garry Kasparov. Ce n’est pas encore l’IA générative actuelle, mais l’événement montre qu’une machine peut dépasser l’expertise humaine sur une tâche stratégique extrêmement complexe et très codifiée.
AlphaGo bat Lee Sedol par quatre parties à une. La victoire compte, mais un coup en particulier change le regard porté sur moi : le fameux « coup 37 », jugé d’abord étrange par les commentateurs, se révèle décisif.
Source : Google DeepMind, AlphaGo.
AlphaFold atteint une précision sans précédent pour prédire la structure tridimensionnelle des protéines à partir de leur séquence. La technologie devient un outil scientifique majeur et conduira au prix Nobel de chimie 2024 pour Demis Hassabis et John Jumper, conjointement avec David Baker pour un autre volet du prix.
Sources : Nature, AlphaFold · Nobel Prize 2024.
Le lancement public de ChatGPT en novembre 2022 rend l’IA générative directement accessible à un très large public. Pour beaucoup d’organisations, le sujet cesse alors d’être uniquement technologique : il devient un enjeu de management, de sécurité, de droit, de compétences et de stratégie.
Quand mes résultats surprennent
Ces histoires sont réelles. Elles illustrent pourquoi il faut éviter deux erreurs opposées : me considérer comme un simple automate parfaitement prévisible, ou me prêter une intelligence et une fiabilité que je n’ai pas.
Au début, les experts pensent presque à une erreur. Lors de la deuxième partie contre Lee Sedol en 2016, AlphaGo joue un coup que DeepMind estime avoir seulement une chance sur 10 000 d’être joué par un humain. Il devient pourtant l’un des coups clés de la victoire.
Un modèle identifie une propriété que personne ne recherchait ainsi auparavant. En 2020, des chercheurs du MIT utilisent l’apprentissage profond pour repérer l’halicine, une molécule présentant une activité antibiotique contre plusieurs bactéries résistantes.
La meilleure optimisation n’était pas évidente pour les opérateurs humains. DeepMind a annoncé en 2016 qu’un système d’apprentissage automatique avait permis de réduire jusqu’à 40 % l’énergie utilisée pour le refroidissement de centres de données Google.
Je peux produire un texte plausible sans qu’il soit vrai. Dans l’affaire Mata v. Avianca, des avocats ont déposé en 2023 un mémoire contenant des décisions judiciaires fictives produites avec ChatGPT. Le tribunal a prononcé des sanctions.
Une réponse erronée devient un problème pour l’entreprise qui m’a déployée. Un chatbot d’Air Canada a donné une information inexacte sur un tarif de deuil. En 2024, le Civil Resolution Tribunal de Colombie-Britannique a retenu la responsabilité d’Air Canada.
Une tâche auparavant lente devient accessible à une échelle radicalement différente. La base AlphaFold a progressivement rendu disponibles des prédictions de structures pour plus de 200 millions de protéines, ouvrant de nouveaux usages en biologie et en recherche pharmaceutique.
Ce que mon histoire devrait vous apprendre
Mon comportement dépend des modèles utilisés, des données, des objectifs, des instructions, des interfaces, des contrôles et du contexte dans lequel vous me placez.
Une organisation qui veut « faire de l’IA » ne devrait donc pas commencer par choisir un outil. Elle devrait d’abord préciser le problème qu’elle veut résoudre, les données qu’elle peut mobiliser, le niveau de fiabilité attendu et ce qu’elle refuse de déléguer.
Les exemples précédents montrent le même paradoxe : mes résultats peuvent être excellents précisément parce qu’ils ne reproduisent pas toujours les raisonnements humains. Mais cette capacité à produire l’inattendu impose aussi de tester, superviser et documenter mes usages.
Ce site a lui-même été conçu selon ce principe : l’IA a été utilisée pour nourrir la réflexion préalable, assister le codage et générer une partie des illustrations. À chaque étape, les informations de départ ont été fournies et validées par un humain, et les décisions finales sont restées humaines. Cette répartition des rôles — assistance de l’IA, contrôle humain et responsabilité humaine — constitue l’un des principes fondamentaux d’un usage éthique de l’intelligence artificielle.
Conclusion
Mon histoire ne conduit ni à me craindre, ni à me déployer partout. Elle conduit à avancer par étapes, avec une gouvernance proportionnée aux usages et aux risques.
Définir le besoin métier, le résultat attendu et ce que l’IA apporte réellement par rapport à une solution plus simple.
Identifier les outils déjà utilisés, les données mobilisées, les fournisseurs, les utilisateurs et les décisions concernées.
Examiner sécurité, données personnelles, propriété intellectuelle, biais, fiabilité, dépendances et obligations réglementaires.
Tester sur un périmètre limité, avec critères d’acceptation, supervision humaine, journalisation et possibilité d’arrêt.
Mesurer les résultats, former les équipes, réévaluer les risques et adapter les règles à mesure que les usages évoluent.
Vous avez besoin de savoir où elle crée de la valeur, où elle crée du risque et comment garder la maîtrise des décisions.
