Intelligence artificielle

Un mot parapluie

Le terme recouvre des travaux très différents, des systèmes à règles des débuts de l'informatique aux réseaux de neurones actuels. On y range la reconnaissance d'images, la traduction automatique, la prévision de séries, la génération de texte et la robotique. Cette diversité explique pourquoi les annonces du secteur sont si difficiles à comparer : deux produits étiquetés intelligence artificielle peuvent n'avoir aucune technique en commun. Pour un dirigeant, la première question n'est donc pas de savoir si un outil fait de l'intelligence artificielle, mais quelle tâche précise il exécute et avec quelles données.

L'histoire du domaine alterne périodes d'enthousiasme et traversées du désert. Les approches symboliques, qui codent des règles à la main, butent sur la variabilité du langage et du monde réel. Les méthodes statistiques, puis l'apprentissage profond, prennent le relais en apprenant des régularités à partir d'exemples. Le renversement est important : on ne décrit plus le raisonnement, on fournit des cas et l'on ajuste des paramètres. Cela rend les systèmes plus souples, mais aussi plus dépendants de la qualité et de l'origine des données qui les ont formés.

Ce que le mot ne dit pas

Un modèle produit des sorties plausibles au regard de ses exemples, pas des vérités vérifiées. Il ne comprend pas le sens de ce qu'il écrit au sens où un humain le fait, il manipule des régularités statistiques. Il n'a ni intention, ni responsabilité, ni connaissance de l'usage qui sera fait de sa réponse. Ces précisions ne sont pas philosophiques : elles déterminent la manière de concevoir un contrôle. Un système qui peut se tromper avec assurance exige une vérification humaine sur les points sensibles, un journal des échanges et une procédure claire en cas d'erreur.

Le mot entretient aussi une confusion avec l'automatisation classique. Un script qui trie des factures selon des règles fixes n'est pas de l'intelligence artificielle, et il reste souvent plus fiable et moins coûteux qu'un modèle pour cette tâche. De même, un moteur de recherche qui classe des résultats n'est pas un agent. Distinguer l'automatisation déterministe de l'inférence statistique aide à choisir la bonne technologie, à estimer les coûts d'exploitation et à savoir quel niveau de contrôle est réellement nécessaire.

Ce qui change pour une PME

Pour une entreprise antillaise, l'essentiel se joue moins sur la technique que sur les données et les usages. Les gains apparaissent là où existe un volume de textes, de courriels, de comptes rendus ou de photos à traiter régulièrement, avec un critère de qualité mesurable. À l'inverse, un besoin ponctuel se satisfait souvent d'un outil du marché, sans développement. La question du lieu de traitement compte également : données clients, informations de santé et documents de marchés publics n'ont pas vocation à circuler sans cadre.

Trois précautions structurent un projet raisonnable. D'abord nommer le responsable du traitement et vérifier les conditions du fournisseur. Ensuite mesurer avant et après, sur un échantillon, avec des indicateurs choisis à l'avance. Enfin prévoir la reprise en main : qui relit, qui corrige, qui arrête l'outil si la qualité se dégrade. Ces points relèvent de l'organisation autant que de la technique, et ils pèsent davantage sur le résultat qu'un changement de modèle.