Un recruteur trie des centaines de candidatures à l'aide d'un outil qui classe les profils par similarité avec des parcours déjà recrutés. Un particulier demande à un assistant vocal de résumer un contrat de location avant de le signer. Ces deux situations, banales, soulèvent les mêmes interrogations : que fait réellement le système, sur quelles données s'appuie-t-il, et que se passe-t-il quand il se trompe.
Ce que recouvre l'expression « intelligence artificielle »
L'expression désigne un ensemble de techniques informatiques qui produisent des résultats sans que chaque étape ait été explicitement programmée. Les systèmes dits d'apprentissage automatique en constituent la branche la plus visible : ils ajustent leurs paramètres à partir d'exemples, plutôt que d'appliquer des règles écrites à la main.
Cette définition large explique une partie de la confusion courante. Un moteur de recommandation, un correcteur orthographique et un modèle de génération de texte relèvent tous de l'IA au sens technique, alors qu'ils n'ont ni les mêmes usages ni les mêmes limites. Le débat public mélange souvent ces catégories, ce qui rend les comparaisons hasardeuses.
Il faut également distinguer ce que le système produit de ce qu'il « comprend ». Un modèle de langage génère une suite de mots statistiquement plausible au regard de ses données d'entraînement. Il ne dispose ni d'intention ni de connaissance vérifiée du monde, ce qui n'empêche pas ses réponses d'être souvent pertinentes.
Les questions qui reviennent le plus souvent
La première porte sur la fiabilité. Les systèmes génératifs peuvent produire des affirmations fausses formulées avec assurance, parfois appelées « hallucinations ». Ce phénomène n'est pas un dysfonctionnement accidentel : il découle du fonctionnement probabiliste du modèle, qui cherche la réponse la plus vraisemblable et non la plus exacte.
La deuxième concerne les données personnelles. L'entraînement de modèles nécessite de grands volumes de textes, d'images ou de sons, dont l'origine et le statut juridique font débat. Plusieurs autorités de protection des données en Europe ont ouvert des examens sur ce point, et les règles applicables varient encore selon les pays.
La troisième touche à l'emploi. Les études disponibles montrent des effets contrastés selon les métiers : certaines tâches sont automatisées, d'autres sont transformées, et de nouvelles fonctions apparaissent. Les projections à long terme restent fragiles, car elles dépendent d'hypothèses sur l'adoption réelle des outils et sur l'organisation du travail.
Une quatrième question, moins médiatisée, porte sur la responsabilité. Quand un système recommande un crédit, pose un diagnostic d'aide ou modère un contenu, l'identification du responsable en cas d'erreur n'est pas toujours évidente. Le fournisseur de l'outil, l'organisation qui le déploie et l'utilisateur final occupent des positions différentes, que le droit encadre de manière encore partielle.
Ce que les systèmes ne savent pas faire
Les outils d'IA traitent bien les situations comparables à celles rencontrées pendant leur entraînement. Ils se montrent beaucoup moins solides face à des cas inédits, à des contextes ambigus ou à des demandes qui exigent de vérifier une information auprès d'une source extérieure. Un modèle peut ainsi réussir un exercice complexe et échouer sur une question simple formulée autrement.
La transparence constitue une autre limite. Il est généralement impossible de reconstituer précisément le raisonnement qui mène à une réponse donnée, ce qui complique l'audit et la contestation d'une décision automatisée. Des travaux portent sur des méthodes d'explication, mais elles restent partielles et parfois peu fidèles au calcul réel.
Enfin, l'usage de ces systèmes suppose un minimum de vérification humaine dans les domaines sensibles : santé, justice, recrutement, information. Cette exigence figure dans plusieurs textes réglementaires en préparation, dont le règlement européen sur l'intelligence artificielle, qui classe les applications selon le niveau de risque qu'elles présentent.
Les réponses aux questions sur l'IA dépendent donc largement du contexte d'usage. Un même modèle peut être utile pour reformuler un texte et inadapté pour trancher une question factuelle. La distinction entre ce que l'outil produit et la confiance qu'on lui accorde reste le point le plus délicat à établir, tant pour les utilisateurs que pour les organisations qui les déploient.
