L’intelligence artificielle : fonctionnement et enjeux

Machine learning, deep learning, LLM, disruptions économiques et éthiques

Introduction

Voici une contradiction qui mérite qu’on s’y arrête: l’intelligence artificielle est présentée tantôt comme la plus grande avancée technologique depuis l’électricité, tantôt comme une menace existentielle pour l’humanité, et pourtant, la plupart des gens qui en parlent ne savent pas exactement ce qu’elle est. Comment peut-on avoir une opinion sur quelque chose qu’on ne comprend pas vraiment?

La réalité est plus nuancée que les deux récits dominants. L’IA n’est ni une intelligence magique qui « pense » comme un humain, ni une boîte noire incompréhensible réservée aux ingénieurs de la Silicon Valley. C’est un ensemble de techniques mathématiques précises, construites sur des principes qu’il est tout à fait possible de comprendre sans être développeur ni chercheur.

Ce Fondamental a pour objectif de vous donner exactement cela: les bases réelles. Comprendre ce qu’est le machine learning, pourquoi le deep learning a tout changé, ce que sont concrètement les LLM comme GPT ou Claude, et enfin comment tout cela est en train de transformer l’économie mondiale, et pose des questions éthiques qui nous concernent tous.

Après cette lecture, vous serez capable de décoder seul les annonces, les débats et les actualités sur l’IA, sans vous laisser emporter par le bruit médiatique.

Marché mondial de l’IA, de 4,5 Mds$ en 2017 à plus de 800 Mds$ projetés en 2030.

Chronologie de l’IA, de la conférence de Dartmouth (1956) à l’IA générative (2022–2024).

Les bases à connaître: qu’est-ce que l’IA, vraiment?

Un terme qui recouvre des réalités très différentes

Le terme « intelligence artificielle » a été inventé en 1956 lors d’une conférence à Dartmouth, aux États-Unis, pour désigner un programme de recherche ambitieux: créer des machines capables d’imiter les fonctions cognitives humaines. Soixante-dix ans plus tard, ce terme englobe des réalités très hétérogènes, d’un algorithme qui recommande une vidéo à un système capable de diagnostiquer un cancer à partir d’une radiographie.

Pour s’y retrouver, il faut comprendre la hiérarchie qui structure ce domaine. Pensez à des poupées russes: l’IA est la grande poupée extérieure; à l’intérieur se trouve le machine learning; à l’intérieur encore, le deep learning; et au cœur de tout, les grands modèles de langage (LLM), qui sont la technologie derrière ChatGPT, Claude ou Gemini.

L’IA dite « classique »: quand on programme les règles

Avant les approches modernes, les systèmes d’IA fonctionnaient selon une logique simple: les ingénieurs écrivaient explicitement les règles. Pour un programme d’échecs des années 1980, les programmeurs définissaient manuellement des centaines de règles: « si le roi est en danger, déplacer la pièce X ». Pour un système de détection de fraude bancaire des années 1990, les équipes listaient les conditions suspectes: « si transaction > 10 000 $ et pays inhabituel, bloquer ».

Cette approche fonctionne bien pour des problèmes bien définis avec des règles stables. Mais elle atteint rapidement ses limites. Comment écrire les règles pour reconnaître un chat dans une photo? Ou pour comprendre le sens d’une phrase en fonction de son contexte? Ces tâches, triviales pour un enfant de trois ans, sont pratiquement impossibles à formaliser en règles explicites.

C’est précisément ce problème que le machine learning résout d’une façon radicalement différente.

Comment ça fonctionne concrètement

Le machine learning: apprendre depuis les données

L’idée centrale du machine learning (apprentissage automatique) est de laisser la machine trouver elle-même les régularités dans les données, plutôt que de les lui imposer. On ne programme plus les règles, on expose le système à des milliers, des millions, des milliards d’exemples, et il déduit ces structures cachées.

Prenons un exemple concret: construire un système qui distingue les e-mails légitimes des spams. Approche classique: écrire des règles explicites, si le message contient certains mots suspects, le bloquer. Problème: les spammeurs s’adaptent constamment. Approche machine learning: montrer au système 100 000 e-mails étiquetés (spam ou non-spam) et le laisser identifier lui-même les régularités, pas seulement les mots, mais aussi la structure, l’heure d’envoi, le comportement de l’expéditeur, et des centaines d’autres variables que même un humain expert n’aurait pas pensé à inclure.

Mathématiquement, un modèle de machine learning est une fonction qui prend des données en entrée et produit une prédiction en sortie. L’entraînement consiste à ajuster les paramètres de cette fonction pour minimiser les erreurs sur les exemples d’entraînement. On appelle ce processus l’optimisation, et l’algorithme le plus couramment utilisé est la descente de gradient, une technique qui consiste à chercher progressivement la combinaison de paramètres qui donne les meilleures prédictions, comme descendre une colline en cherchant toujours le chemin le plus pentu.

Le deep learning: quand les réseaux de neurones changent tout

Le machine learning existe depuis les années 1950, mais ses performances ont longtemps été limitées pour les tâches complexes, reconnaissance d’images, compréhension du langage, traduction automatique. Le tournant décisif est arrivé en 2012, avec une architecture particulière appelée réseau de neurones profond, ou deep learning.

Un réseau de neurones artificiel s’inspire, à distance, du fonctionnement du cerveau humain. Il est composé de couches de « neurones » artificiels, en réalité, de simples opérations mathématiques. Chaque couche reçoit des données, les transforme, et transmet le résultat à la couche suivante. Ce qui est « profond » (deep), c’est le nombre de couches: alors que les premiers réseaux en avaient 2 ou 3, les modèles modernes en ont des centaines.

Voici une analogie utile: imaginez un processus de fabrication en usine. La matière première (une image, par exemple) entre d’un côté. Chaque poste de travail (couche) extrait une information de plus en plus abstraite: la première couche détecte les bords et les contrastes, la deuxième les formes géométriques simples, la troisième les textures, la quatrième les objets partiels, et ainsi de suite jusqu’à la reconnaissance de l’objet complet. Ce n’est pas un programmeur humain qui a défini ces étapes, le réseau les a apprises seul à partir d’exemples.

En 2012, une équipe de l’Université de Toronto a présenté AlexNet, un réseau de neurones profond qui a réduit le taux d’erreur en reconnaissance d’images de 26 % à 15 % en un seul bond, là où des années de recherche n’avaient pas dépassé quelques points de pourcentage. C’est la date que les historiens des technologies citent comme le début de la révolution moderne de l’IA.

Les LLM: quand le langage devient calculable

Les grands modèles de langage (Large Language Models, ou LLM) sont une application particulière du deep learning, spécifiquement conçue pour traiter le langage naturel: c’est-à-dire les textes tels qu’ils sont écrits et parlés dans la vie réelle.

Leur fonctionnement repose sur une architecture inventée en 2017 par des chercheurs de Google, appelée Transformer. L’idée centrale est le mécanisme d’attention: le modèle apprend à pondérer l’importance de chaque mot en fonction de son contexte dans la phrase, et pas seulement du contexte immédiat, mais de l’ensemble du texte traité simultanément.

C’est ce qui permet à un LLM de résoudre les ambiguïtés du langage naturel. Prenez le mot « avocat »: dans « mon avocat a plaidé toute la journée », le modèle relie « avocat » aux mots « plaidé » et « journée » pour inférer qu’il s’agit d’un juriste. Dans « j’ai mangé un avocat au déjeuner », il relie « avocat » à « mangé » et « déjeuner » pour comprendre qu’il s’agit du fruit.

Un lecteur humain fait cela sans effort. Pour un système informatique, c’est le résultat d’un calcul d’attention sur l’ensemble du texte.

L’entraînement d’un LLM se fait en deux phases. D’abord, le pré-entraînement: le modèle ingère des quantités astronomiques de textes (des centaines de milliards de mots issus de livres, de sites web, d’articles scientifiques) et apprend à prédire le mot suivant dans une séquence. Cette tâche en apparence simple force le modèle à développer une compréhension implicite de la syntaxe, de la sémantique, de la logique et même d’une forme de raisonnement factuel. Ensuite, le fine-tuning par renforcement humain (RLHF): des évaluateurs humains notent les réponses du modèle, et ces évaluations servent à ajuster son comportement pour le rendre plus utile, précis et sûr.

L’explosion du nombre de paramètres des LLM, de 117 millions (GPT-1, 2018) à des milliers de milliards (2023–2025).

Un paramètre, c’est simplement un nombre. Mais dans un modèle d’IA, ces nombres jouent un rôle crucial. Imaginez un immense réseau de neurones comme une toile composée de milliards de connexions. Chaque connexion possède un petit curseur numérique: c’est le paramètre. Il indique l’importance de cette connexion, autrement dit, à quel point une information influence le résultat final.

Une autre image utile: pensez à une gigantesque table de mixage audio avec des milliards de boutons. Chaque bouton ajuste légèrement le son. Pris individuellement, un bouton ne change pas grand-chose. Mais ensemble, ils permettent de produire une musique très complexe. Les paramètres fonctionnent exactement comme ces boutons.

Pendant l’entraînement, le modèle ajuste ces paramètres encore et encore, sur des millions voire des milliards d’exemples. À chaque erreur, il modifie légèrement certains réglages pour s’améliorer. Progressivement, il apprend à capter des motifs, des structures, des relations dans le langage.

À la fin, tous ces nombres forment une sorte de mémoire diffuse. Le modèle ne stocke pas des faits comme dans une base de données. À la place, il encode des régularités statistiques: des façons dont les mots, les phrases et les idées s’organisent.

Par exemple, GPT-3 (2020) possède 175 milliards de paramètres. Cela ne signifie pas qu’il connaît 175 milliards d’informations distinctes. Cela signifie que sa capacité à comprendre et générer du texte repose sur 175 milliards de réglages, tous interconnectés. Quand vous posez une question, le modèle n’active pas des fiches de connaissances. Il fait circuler l’information à travers ce réseau immense, où chaque paramètre contribue un tout petit peu. C’est cette dynamique collective qui produit la réponse.

Ce que les LLM ne sont pas

Une confusion fréquente mérite d’être désamorcée: les LLM ne « comprennent » pas au sens humain du terme. Ils ne possèdent ni conscience, ni croyances, ni émotions. Ils ne « savent » pas qu’ils existent. Ce sont des machines de compression statistique extraordinairement sophistiquées: ils ont appris à reproduire les structures du langage humain avec une fidélité telle qu’ils donnent l’impression de comprendre, mais ce n’est pas de la compréhension au sens phénoménologique du terme.

Cette distinction n’est pas qu’académique. Elle explique pourquoi les LLM peuvent produire des affirmations factuellement fausses avec la même confiance qu’une vérité établie (c’est ce qu’on appelle les « hallucinations »), pourquoi ils n’ont pas de mémoire entre deux conversations distinctes, et pourquoi leurs performances dépendent étroitement de la qualité et de la diversité des données d’entraînement.

L’impact économique: une disruption structurelle

Des investissements sans précédent

L’IA générative est devenue en moins de trois ans l’objet du plus grand mouvement de capital de l’histoire technologique récente. En 2024, les quatre principaux acteurs technologiques mondiaux (Microsoft, Google (Alphabet), Amazon et Meta) ont collectivement investi plus de 220 milliards de dollars dans les infrastructures d’IA (data centers, puces, réseaux). C’est plus que le PIB annuel de nombreuses économies nationales.

Investissements dans les infrastructures IA, Microsoft, Google, Amazon, Meta (2023 vs 2024).

Derrière ces chiffres, une course à la puissance de calcul: entraîner les modèles les plus performants requiert des centaines de milliers de GPU (processeurs graphiques spécialisés), fabriqués quasi exclusivement par Nvidia, dont la capitalisation boursière a dépassé 3 000 milliards de dollars en 2024, la rejoignant au niveau de celle d’Apple ou Microsoft. Cette dépendance à un seul fournisseur de hardware est l’une des vulnérabilités structurelles de l’écosystème IA mondial.

Les secteurs face à la disruption

Le cabinet McKinsey a analysé l’impact potentiel de l’IA générative sur 63 économies représentant 80 % du PIB mondial. Ses conclusions sont structurantes: l’IA générative pourrait ajouter entre 2 600 et 4 400 milliards de dollars de valeur annuelle à l’économie mondiale, soit l’équivalent de l’économie du Royaume-Uni rajoutée chaque année. Mais cette valeur est inégalement répartie entre secteurs.

Gains de productivité estimés par secteur grâce à l’IA générative (McKinsey, 2023).

Les secteurs les plus exposés ne sont pas ceux qu’on aurait intuitivement prévus. Les travaux intellectuels à haute valeur ajoutée (droit, conseil, finance, médecine) sont les plus directement impactés, parce que l’IA excelle précisément dans les tâches de traitement et synthèse d’information à grande échelle. Un cabinet d’avocats peut automatiser la rédaction de contrats standards, une banque peut automatiser l’analyse de risques, un groupe pharmaceutique peut réduire de plusieurs années le temps de recherche sur de nouvelles molécules.

Ce que cela signifie concrètement: les gains de productivité identifiés par McKinsey dans les secteurs juridique et du conseil atteignent 45 %. Cela ne signifie pas que 45 % des avocats seront licenciés demain. Cela signifie que des équipes plus petites pourront produire le même volume de travail, ce qui, à terme, transforme la structure des métiers, des formations et des rémunérations dans ces secteurs.

L’impact sur l’emploi: ni apocalypse ni statu quo

La question de l’emploi est celle qui cristallise le plus de peur et de confusion. Commençons par les données réelles avant les scénarios.

L’analyse de McKinsey portant sur 800 métiers dans 63 économies distingue trois catégories de tâches: celles dont plus de 70 % du temps de travail est automatisable par l’IA actuelle (environ 5 % de tous les emplois mondiaux), celles partiellement automatisables (30 à 70 % du temps, concernant environ 60 % des emplois), et celles peu automatisables (moins de 30 % du temps).

Exposition des emplois à l’automatisation par l’IA, part du temps de travail mondial concernée (McKinsey, 2023).

Ce que ce graphique révèle: la quasi-totalité des emplois existants sera affectée partiellement, mais peu seront supprimés intégralement à court terme. Ce n’est pas une révolution instantanée, c’est une transformation graduelle mais profonde des contenus de poste. Un comptable passera moins de temps sur les tâches de saisie et de vérification, davantage sur le conseil stratégique. Un médecin passera moins de temps à analyser des imageries médicales, davantage à communiquer avec ses patients.

L’histoire économique montre que les révolutions technologiques détruisent certaines catégories d’emploi et en créent d’autres qui n’existaient pas. La révolution industrielle a supprimé le métier de tisserand à la main et créé celui d’opérateur de métier à tisser mécanique. L’informatisation des années 1980–1990 a supprimé une large partie des métiers de dactylographie et créé des millions d’emplois de développeurs et d’analystes. L’IA suit cette logique, mais à une vitesse et une amplitude potentiellement supérieures.

Les enjeux éthiques: les questions qui ne peuvent pas attendre

Le problème des biais algorithmiques

Un système d’IA apprend depuis des données produites par des humains. Si ces données reflètent des inégalités historiques ou des biais sociaux, le modèle les reproduira, parfois les amplifiera. Ce n’est pas une hypothèse théorique: ce sont des cas documentés.

En 2018, Amazon a abandonné un outil de recrutement alimenté par l’IA après avoir découvert qu’il systématiquement pénalisait les CV de femmes pour les postes d’ingénierie. Pourquoi? Parce qu’il avait été entraîné sur 10 ans d’embauches historiques d’Amazon, qui reflétaient la sous-représentation des femmes dans le secteur tech. Le système avait appris que « bon candidat = homme » non pas parce qu’un développeur malveillant l’avait programmé ainsi, mais parce que les données historiques encodaient cette inégalité.

De même, des systèmes d’IA utilisés pour la reconnaissance faciale ont démontré des taux d’erreur significativement plus élevés pour les personnes à peau foncée, jusqu’à 34 points de pourcentage d’écart selon une étude du MIT Media Lab publiée en 2018 (Joy Buolamwini et Timnit Gebru). La cause: des données d’entraînement sous-représentant ces populations.

Ce que cela signifie concrètement: dans les applications à enjeux élevés (recrutement, crédit, justice pénale, médecine) un système d’IA biaisé peut institutionnaliser et automatiser des discriminations qui étaient auparavant au moins visibles et contestables quand elles émanaient d’un humain.

La question de la transparence et de l’explicabilité

Les systèmes de deep learning sont, par construction, des « boîtes noires »: personne (pas même leurs créateurs) ne peut lire dans les poids d’un réseau de neurones pour comprendre précisément pourquoi il a produit telle réponse plutôt que telle autre. Ce phénomène est désigné par le terme XAI problem (Explainability of AI).

Cette opacité pose un problème éthique et juridique fondamental dans les contextes à enjeux. Si une IA refuse votre demande de crédit, vous avez le droit légal (dans l’Union européenne, le RGPD l’exige) d’obtenir une explication. Si une IA assiste un juge dans une décision de liberté conditionnelle, comment contester cette décision? Si un véhicule autonome cause un accident, comment déterminer la responsabilité?

La recherche en IA explicable (XAI) travaille activement sur ces questions, avec des outils comme LIME ou SHAP qui permettent d’identifier quels éléments d’une entrée ont le plus pesé dans une décision. Mais ces explications sont des approximations post-hoc, pas une compréhension directe du modèle. Le problème fondamental reste ouvert.

La concentration du pouvoir et la question de la gouvernance

Développer et opérer les modèles d’IA les plus performants requiert des ressources que très peu d’organisations au monde possèdent: des milliards de dollars d’infrastructure, des dizaines de milliers de GPU, des équipes de centaines de chercheurs de haut niveau. En pratique, fin 2024, moins d’une dizaine d’organisations dans le monde sont capables de développer des modèles d’IA frontière, et la quasi-totalité sont situées aux États-Unis ou en Chine.

Cette concentration soulève des questions de gouvernance sans précédent. Qui décide des valeurs que ces systèmes encodent? Qui contrôle leur déploiement? Qui est responsable de leurs erreurs? Des régions entières du monde utilisent des outils dont les règles de fonctionnement ont été définies unilatéralement par quelques entreprises privées.

En réponse, plusieurs initiatives réglementaires émergent. L’Union européenne a adopté en 2024 l’AI Act, première réglementation globale sur l’IA, qui classe les systèmes par niveau de risque et impose des obligations de transparence et d’audit. Le Sommet de la Sécurité IA de Bletchley (2023) et ses successeurs ont rassemblé plus de 28 pays pour tenter de coordonner une approche internationale. Ces efforts sont importants, mais la vitesse de développement technologique dépasse largement celle des processus réglementaires.

L’empreinte environnementale

Un aspect souvent oublié: l’IA est énergivore. Entraîner GPT-3 a consommé l’équivalent d’environ 1 300 MWh d’électricité, soit environ 550 tonnes de CO₂, l’équivalent de cent voitures en circulation pendant un an, ou, pour le mettre à l’échelle, autant qu’une petite ville américaine en une journée. L’entraînement de modèles plus récents comme GPT-4 est estimé à des ordres de grandeur supérieurs.

L’inférence (c’est-à-dire chaque utilisation du modèle pour répondre à une requête) consomme également de l’énergie: une requête ChatGPT consomme environ 10 fois plus d’électricité qu’une recherche Google standard. Avec des centaines de millions d’utilisateurs actifs quotidiens, l’empreinte énergétique totale de l’IA générative est déjà substantielle, et sa croissance suit la courbe d’adoption.

Des efforts significatifs sont en cours pour réduire cette empreinte: conception d’architectures plus efficaces (les modèles « distillés » de 2024 atteignent des performances proches des grands modèles avec une fraction de la puissance de calcul), utilisation d’énergies renouvelables pour les data centers, et optimisation des processus d’inférence. Mais cette tension entre performance et durabilité reste un enjeu structurel.

Ce qu’il faut retenir

• L’IA englobe des techniques très diverses: l’IA classique programme des règles explicites; le machine learning apprend depuis des données; le deep learning utilise des réseaux de neurones multicouches; les LLM sont la version spécialisée pour le langage.
• Un LLM n’est pas une « intelligence » au sens humain, c’est un système statistique extraordinairement sophistiqué qui prédit du texte en s’appuyant sur des structures apprises dans des centaines de milliards de mots.
• La révolution de 2012 (AlexNet) a été déclenchée par trois facteurs convergents: la disponibilité de grandes quantités de données, la puissance des GPU, et des avancées algorithmiques. Sans ces trois ingrédients simultanément, le deep learning n’aurait pas émergé.
• L’impact économique est structurel: les secteurs à forte composante de traitement de l’information (droit, finance, médecine, conseil) sont les plus directement exposés aux gains de productivité, et aux transformations de l’emploi.
• Les biais algorithmiques ne sont pas des bugs corrigeables facilement, ils sont le reflet des inégalités présentes dans les données d’entraînement, ce qui requiert une vigilance active à chaque étape de conception et de déploiement.
• La concentration du développement des modèles les plus performants dans un petit nombre d’organisations privées, principalement américaines et chinoises, crée un défi de gouvernance mondiale sans précédent.
• L’empreinte énergétique de l’IA est réelle et croissante, mais des efforts significatifs d’optimisation sont en cours.
• L’IA ne remplacera pas tous les emplois, elle transforme le contenu des métiers, supprimant certaines tâches, en amplifiant d’autres, et en créant des catégories d’emploi nouvelles qui n’existaient pas il y a dix ans.

Exemples concrets d’application

Pour un salarié

Un analyste financier peut automatiser avec l’IA la compilation de données de marché, la rédaction de notes standardisées et la première couche d’analyse de portefeuilles. Ce qui prenait deux jours se fait en deux heures.

Le temps libéré se déplace vers des tâches à plus haute valeur: interprétation contextuelle, relation client, décisions complexes. Comprendre les LLM permet de calibrer ses requêtes et d’identifier où le système hallucine, pour positionner sa valeur là où l’IA reste faible.

Pour un entrepreneur

Une fondatrice de startup dans la santé utilise l’IA pour analyser des données cliniques, accélérer la revue de littérature et générer des interfaces sans équipe de développement complète.

Trois risques concrets à naviguer: la confidentialité des données patients soumises à des LLM commerciaux (solution: modèles déployés localement), les biais sur des populations sous-représentées (solution: validation clinique rigoureuse), et la dépendance à des fournisseurs qui peuvent changer leurs conditions unilatéralement (solution: architecture multi-fournisseurs).

Pour un investisseur

Un gérant de capital-risque dans l’IA doit distinguer trois niveaux de la chaîne de valeur: l’infrastructure (GPU, data centers, barrières massives, marges élevées, cycles longs), les modèles de base (coûts prohibitifs, oligopole mondial, risque réglementaire élevé), et les applications verticales (accès via API, marché fragmenté, avantage concurrentiel par les données).

Les opportunités les plus accessibles se situent dans les applications verticales spécialisées, particulièrement celles assises sur des données propriétaires dans des marchés régionaux où les modèles globaux restent moins performants.

Conclusion

L’IA générative n’est pas une mode technologique: c’est une transformation de l’infrastructure de l’économie de l’information, comparable à ce qu’a été l’internet dans les années 1990 ou l’électrification dans les années 1920. Comme ces révolutions précédentes, elle ne remplacera pas les humains, elle redéfinira ce que font les humains, et dans quels contextes leur valeur ajoutée est irremplaçable.

Désormais, chaque fois qu’une annonce concernant l’IA fera la une (un nouveau modèle, une réglementation, une levée de fonds, un licenciement massif ou une application inédite) vous avez les bases pour la décoder. Voici les cinq questions à vous poser:

• De quel niveau de la hiérarchie s’agit-il? (Infrastructure, modèle de base, application)
• Quelles données ont servi à entraîner ce système, et quels biais potentiels cela implique-t-il?
• Quelles tâches automatise-t-il réellement, et quelles tâches humaines reste-t-il incapable de faire?
• Qui contrôle ce système, et qui est responsable de ses erreurs?
• Quel est l’intérêt économique derrière l’annonce, et qu’est-ce qu’elle ne dit pas?

Ces cinq questions ne répondront pas à tout. Mais elles vous permettront de ne plus jamais être spectateur passif d’un débat sur l’IA, quel que soit le pays, le secteur ou le contexte dans lequel vous l’abordez.