Comprendre l'Intelligence Artificielle

Oublions un instant le mot « intelligence », qui laisse croire qu'une machine pense comme un humain — ce n'est pas le cas. Un système d'intelligence artificielle est un programme capable de repérer des régularités (des « motifs ») dans une grande quantité de données, puis de s'en servir pour accomplir une tâche : répondre à une question, reconnaître une image, traduire, générer un texte.

Analogie : un apprenti tailleur à Cotonou qui a observé pendant dix ans des centaines de clients essayer des vêtements devient capable de proposer un bon modèle à un nouveau client, sans avoir appris de formule mathématique — seulement à force d'avoir repéré des régularités. L'IA fonctionne sur un principe voisin : elle a été entraînée sur une quantité massive d'exemples, et elle en tire des régularités qu'elle réutilise face à une situation nouvelle. Comme l'apprenti tailleur, elle peut aussi se tromper face à un cas très différent de ce qu'elle a déjà vu.

À retenir : l'IA n'est ni magique ni pensante. C'est un système statistique entraîné sur des données, qui repère des motifs et les réutilise.

Quatre idées fausses très répandues à corriger d'emblée :

« L'IA comprend vraiment ce qu'elle dit » — Faux : elle prédit le mot ou le pixel le plus probable selon ce qu'elle a appris ; elle n'a pas de conscience.

« L'IA sait toujours si elle a raison » — Faux : elle peut donner une réponse fausse avec la même assurance qu'une réponse juste (voir le chapitre 3, les hallucinations).

« L'IA va remplacer tous les emplois » — Trop simple : elle transforme des tâches à l'intérieur des métiers plus qu'elle ne supprime des métiers entiers. Un comptable qui sait s'en servir devient plus efficace, il n'est pas automatiquement remplacé.

« Il faut coder pour utiliser l'IA » — Faux pour l'immense majorité des usages du quotidien : écrire, résumer, traduire, créer une image se fait aujourd'hui en langage naturel, sans une ligne de code.

Le Machine Learning (apprentissage automatique) : au lieu de programmer une règle précise pour chaque cas, on donne à la machine des milliers d'exemples réels et c'est elle qui déduit la règle. C'est la différence entre écrire soi-même une recette de cuisine et donner à quelqu'un mille plats déjà préparés pour qu'il devine la recette.

Le Deep Learning (apprentissage profond) : une sous-catégorie du Machine Learning basée sur des « réseaux de neurones artificiels » — des couches successives de calculs inspirées, de très loin, du cerveau humain. C'est cette technique qui a permis les progrès spectaculaires de ces dix dernières années : reconnaissance d'image, traduction automatique, assistants conversationnels.

Vous n'avez pas besoin de maîtriser ces techniques pour utiliser l'IA au quotidien, mais connaître ce vocabulaire évite d'être impressionné ou intimidé sans raison.

Depuis 2022-2023, l'IA générative a rendu ces technologies accessibles au grand public. Elle ne se contente pas de classer ou reconnaître : elle crée du contenu nouveau.

Texte : rédiger un email, résumer un document, traduire, corriger l'orthographe, répondre à une question. Image : générer une illustration à partir d'une description, retoucher une photo, changer un style. Audio : générer une voix off, transcrire un enregistrement vocal, composer un jingle. Vidéo : générer de courtes animations, sous-titrer automatiquement, monter un résumé vidéo.

Les assistants avec qui vous discutez (type ChatGPT, Claude, Gemini) reposent sur des modèles de langage (LLM, « Large Language Model »). Un modèle de langage est un système entraîné sur d'énormes quantités de texte, capable de prédire quel mot devrait suivre logiquement les mots précédents. En répétant cette prédiction mot après mot, en tenant compte du contexte de toute la conversation, il produit des réponses cohérentes.

Ce mécanisme explique une limite essentielle : un LLM ne vérifie pas un fait dans une base fiable avant de répondre, il prédit ce qui est statistiquement probable. C'est pour cela qu'il peut se tromper avec assurance.

L'IA excelle particulièrement pour : traiter et résumer de grandes quantités de texte rapidement ; reformuler, traduire, corriger un texte ; générer des premières versions (email, visuel, plan) à améliorer ensuite ; répondre à des questions générales et expliquer des concepts ; automatiser des tâches répétitives.

Règle d'or à ne jamais oublier : l'IA peut être très utile et quand même se tromper.

Les hallucinations : l'IA peut inventer une information fausse (date, nom, citation, chiffre) avec la même assurance qu'un fait vérifié.

Les biais : l'IA a été entraînée sur des données produites par des humains, qui contiennent déjà des préjugés (genre, région, culture) — elle peut les reproduire sans le signaler.

Les données obsolètes : un modèle a une date limite de connaissance. Une question sur une actualité très récente ou un prix actuel peut recevoir une réponse dépassée, sauf recherche internet en temps réel.

Exemple d'une réponse convaincante mais incorrecte : demander la référence exacte d'un article du Code du travail béninois peut produire un numéro d'article crédible... et pourtant inventé. Règle à retenir : plus une information est précise et vérifiable (chiffre, article de loi, date, citation), plus il faut la recouper avec une source fiable avant de s'en servir.