Comment fonctionne réellement l'intelligence artificielle et pourquoi elle importe maintenant

L'Organisation de coopération et de développement économiques (OCDE), dont les gouvernements membres coordonnent la politique sur la technologie, définit un système d'IA comme « un système basé sur une machine qui, pour des objectifs explicites ou implicites, déduit, à partir de l'entrée qu'il reçoit, comment générer des résultats tels que des prédictions, du contenu, des recommandations ou des décisions qui peuvent influencer des environnements physiques ou virtuels ». Le Conseil de l'OCDE a révisé cette formulation en 2023 pour la maintenir techniquement précise à mesure que les outils d'IA générative se propagaient, selon la propre explication de la définition par l'organisation.

Des règles écrites à l'apprentissage à partir des données

Les logiciels plus anciens suivaient des instructions que les programmeurs écrivaient ligne par ligne : si X se produit, fais Y. L'apprentissage automatique, l'approche derrière la plupart de l'IA actuelle, fournit plutôt à un algorithme de grandes quantités d'exemples et le laisse trouver les motifs lui-même, selon l'explicateur technique d'IBM sur le sujet. Une fois entraîné, le système peut classer les nouvelles informations, prédire une valeur, signaler quelque chose d'inhabituel ou recommander une action sans qu'on lui donne la règle exacte pour chaque cas.

L'OCDE divise le fonctionnement d'un système d'IA en trois éléments. Les entrées sont les données, le code ou les règles alimentés dans le système pendant le développement ou l'utilisation. L'inférence est l'étape dans laquelle le système déduit une sortie à partir de ces entrées, ce qui peut se produire pendant qu'un modèle est construit ou après qu'il a été déployé. Les résultats sont les prédictions, le contenu, les recommandations ou les décisions que le système produit, qui peuvent ensuite affecter un environnement physique ou virtuel — par exemple, la direction d'une voiture, une liste de vidéos recommandées ou un paragraphe de texte généré.

Ce qu'un réseau de neurones fait à l'intérieur du système

La méthode d'apprentissage automatique la plus largement utilisée aujourd'hui est le réseau de neurones, une structure vaguement inspirée du cerveau, constituée de couches interconnectées de nœuds qui traitent les données ensemble, selon IBM. Contrairement à un programme traditionnel, un réseau de neurones ne reçoit pas à l'avance la règle reliant l'entrée à la sortie ; au lieu de cela, on lui montre de nombreuses paires d'entrées et de sorties et il s'ajuste, grâce à l'exposition répétée, pour découvrir ce qui les relie.

L'apprentissage profond fait référence aux réseaux de neurones avec de nombreuses couches — typiquement une couche d'entrée, au moins trois (et souvent des centaines de) couches cachées et une couche de sortie, selon l'explicateur d'IBM. Dans un système de reconnaissance d'images, les premières couches ont tendance à réagir à des caractéristiques simples telles que les bords ou les couleurs, tandis que les couches plus profondes les combinent en formes et, finalement, en objets reconnaissables. Cette structure en couches permet aux systèmes d'extraire automatiquement les caractéristiques pertinentes des données non étiquetées, ce qui fait partie de ce qui rend possibles les outils actuels d'IA générative.

La construction d'un grand modèle d'IA générative implique généralement trois étapes, selon IBM : une phase d'entraînement initial sur des ensembles de données massifs, souvent non étiquetés, qui peuvent nécessiter des milliers de processeurs spécialisés et coûter des millions de dollars ; une phase d'ajustement au cours de laquelle le modèle est adapté à des tâches spécifiques, parfois en utilisant des commentaires humains ; et une évaluation continue après le déploiement pour vérifier et affiner ses résultats.

Pourquoi cela importe : chiffres d'adoption et d'investissement

La portée de l'IA a augmenté rapidement selon plusieurs mesures suivies dans le Rapport d'Index IA 2025 de l'Institut d'IA centré sur l'humain de l'Université de Stanford. La part des organisations signalant toute utilisation d'IA est passée à 78 % en 2024, contre 55 % l'année précédente. L'IA générative en particulier a attiré 33,9 milliards de dollars d'investissement privé mondial en 2024, une augmentation de 18,7 % par rapport à 2023. Aux États-Unis, l'investissement privé en IA a atteint 109,1 milliards de dollars en 2024, dépassant de loin les 9,3 milliards de dollars de la Chine et les 4,5 milliards de dollars du Royaume-Uni, a indiqué le rapport.

Le rapport a également enregistré une augmentation des performances de référence de l'IA : sur trois tests introduits en 2023 pour mesurer les systèmes avancés — MMMU, GPQA et SWE-bench — les scores ont augmenté respectivement de 18,8, 48,9 et 67,3 points de pourcentage en un an. Dans les domaines réglementés, le nombre de dispositifs médicaux activés par l'IA autorisés par la Food and Drug Administration américaine est passé de six en 2015 à 223 en 2023, selon le même rapport.

Où se situe la concurrence

Le rapport de Stanford a également suivi les pays qui ont produit les modèles d'IA les plus remarquables en 2024 : les institutions basées aux États-Unis en ont produit 40, contre 15 de la Chine et trois d'Europe. En même temps, l'écart de performance entre les meilleurs modèles américains et chinois sur les grands benchmarks s'est réduit, passant de deux chiffres en 2023 à une quasi-parité en 2024, a indiqué le rapport.