Qu'est-ce que l'intelligence artificielle (AI) ?

L'intelligence artificielle (AI) est une branche de l'informatique qui permet aux machines d'accomplir des tâches qui nécessitent normalement l'intelligence humaine, comme l'apprentissage, le raisonnement, la résolution de problèmes, la reconnaissance de modèles et la prise de décisions. Pour faire simple, l'AI est un logiciel qui apprend à partir de données et utilise cet apprentissage pour faire des prédictions, prendre des décisions ou générer du nouveau contenu sans être explicitement programmé pour chaque tâche.

Aujourd'hui, l'AI propulse tout, des filtres anti-spam aux moteurs de recommandation, en passant par les chatbots comme ChatGPT et les générateurs d'images. Elle s'appuie sur un éventail de techniques, notamment le machine learning et l' AI générative, et est passée des laboratoires de recherche aux produits que les gens utilisent au quotidien.

La chercheuse en informatique de Stanford, Fei-Fei Li, dans la Stanford Emerging Technology Review, place l'AI dans la même catégorie que les technologies les plus transformatrices de l'histoire moderne : « L'AI est une technologie fondamentale qui fait progresser d'autres domaines scientifiques et, à l'instar de l'électricité et d'Internet, a le potentiel de transformer le fonctionnement de la société. » Son adoption se généralise désormais dans tous les secteurs, de la santé aux services financiers, en passant par le commerce de détail et l'industrie manufacturière, et le rythme s'accélère.

Cette page présente le fonctionnement de l'AI, ses principaux types, des exemples concrets, les limites à surveiller et un bref historique du domaine.

Qu'est-ce que l'AI en termes simples ?

Voyez l'AI comme le fait d'enseigner à un ordinateur par l'exemple, plutôt que de lui écrire des instructions étape par étape. Montrez à un système des milliers de photos de chats et il apprendra à les reconnaître de lui-même, non pas parce que quelqu'un lui a dit que les chats ont des moustaches et des oreilles pointues, mais parce qu'il a vu assez d'exemples pour identifier le motif. L'AI ne « pense » pas comme vous et moi. Elle trouve des motifs dans les données et utilise ces motifs pour formuler la meilleure hypothèse possible. Cette distinction est importante : l'AI peut obtenir des résultats remarquables dans des domaines restreints, mais elle ne comprend rien au sens humain du terme.

La même approche de reconnaissance de motifs qui permet à un modèle de reconnaître des chats lui permet également de repérer des cellules cancéreuses dans une biopsie ou de signaler des transactions frauduleuses parmi des millions de transactions légitimes. Le mécanisme sous-jacent, à savoir la recherche de motifs dans les données, reste le même, même si l'application semble radicalement différente. Elle fait déjà partie de nos outils quotidiens : moteurs de recherche, assistants vocaux, applications de navigation, filtres anti-spam et recommandations sur les services de streaming.

Comment fonctionne l'AI ?

La plupart des AI modernes fonctionnent en apprenant des motifs à partir de grandes quantités de données, puis en appliquant ces motifs à de nouvelles situations. Plutôt qu'un développeur écrivant des règles (« si l'e-mail contient 'argent gratuit', le marquer comme spam »), on présente de nombreux exemples au système, qui détermine lui-même les règles.

Le processus de base se déroule comme suit :

1. Collecter les données. Le système est alimenté par de grandes quantités de textes, d'images, de chiffres, de fichiers audio ou vidéo pertinents, et les lacunes de ces données deviennent des lacunes dans le modèle.
2. Entraîner un modèle. Un algorithme étudie les données et ajuste ses poids et paramètres internes jusqu'à ce qu'il produise de manière fiable des résultats corrects. Cette étape, gourmande en ressources de calcul, peut durer des heures, des jours ou des semaines sur de nombreux GPU.
3. Tester et affiner. Le modèle est évalué sur un ensemble de test de réserve (held-out) sur lequel il n'a pas été entraîné, car il est bien moins coûteux de corriger les erreurs à ce stade qu'en production.
4. Faire des prédictions. Une fois entraîné, le modèle répond aux questions, classifie les entrées, génère du contenu ou déclenche des actions sur des données qu'il n'a jamais vues : c'est l'étape d'« inférence » avec laquelle les utilisateurs finaux interagissent réellement.
5. Apprendre et s'améliorer. De nombreux systèmes d'AI continuent de s'améliorer à mesure qu'ils sont exposés à davantage de données et de retours, y compris les signaux provenant de la façon dont les utilisateurs réagissent à leurs résultats.

L'entraînement de l'AI moderne est également une question d'échelle : les modèles de pointe (frontier models) s'entraînent sur des milliers de milliards de tokens de texte, fonctionnent sur des dizaines de milliers de GPU et coûtent des centaines de millions de dollars à concevoir. La plupart des organisations n'entraînent pas de modèles à partir de zéro. Au lieu de cela, elles ajustent (fine-tune) des modèles de fondation existants sur leurs propres données, ce qui est considérablement plus rapide et moins coûteux, tout en produisant des modèles adaptés à une tâche ou à un domaine spécifique.

La qualité d'un système d'AI dépend fortement des données dont il s'inspire : lorsque les données d'entraînement sont incomplètes, biaisées ou de mauvaise qualité, les résultats de l'AI le seront également. Vous pouvez en savoir plus sur ces briques de base dans nos aperçus des modèles de machine learning et des réseaux de neurones.

Quels sont les 4 types d'AI ?

Les chercheurs regroupent généralement l'AI en quatre catégories basées sur les capacités, une taxonomie habituellement attribuée au chercheur Arend Hintze de l'Université d'État du Michigan, qui l'a proposée en 2016 pour réfléchir à l'évolution possible de l'AI. Seules les deux premières catégories existent aujourd'hui dans le monde réel, tandis que les deux autres restent des questions ouvertes dans la recherche et la philosophie.

Cette taxonomie est utile car elle trace une frontière claire entre ce que l'AI peut réellement faire aujourd'hui et ce qu'elle ne peut faire qu'en théorie ou dans la fiction.

Presque tous les produits d'AI utilisés aujourd'hui, y compris les modèles de langage de grande taille les plus performants, entrent dans la catégorie de la mémoire limitée.

AI étroite vs AI générale vs superintelligence

Tous les systèmes d'AI utilisés aujourd'hui sont classés comme étroits. Le tableau ci-dessous différencie ces systèmes actuels des concepts théoriques d'AI générale et de superintelligence.

L'existence de l'AGI aujourd'hui dépend en grande partie de sa définition. Les modèles avancés peuvent raisonner dans plusieurs domaines et accomplir des tâches complexes, mais leurs erreurs persistantes et leur fiabilité inégale rendent cette classification contestée.

AI vs machine learning vs deep learning vs AI générative

Ces quatre termes sont souvent utilisés de manière interchangeable, mais ils désignent des choses différentes, et ces différences comptent lorsque les équipes choisissent des outils, définissent la portée des projets ou évaluent des fournisseurs.

Une bonne façon de les imaginer est de les voir comme des cercles concentriques : l'AI est la catégorie la plus large, le machine learning est un sous-ensemble de l'AI, le deep learning est un sous-ensemble du machine learning, et l'AI générative est une application du deep learning axée sur la création de nouveaux contenus. Le tableau ci-dessous détaille la signification de chaque terme et leurs différences. Pour une comparaison plus approfondie, consultez notre analyse comparative du machine learning et du deep learning.

Quels sont des exemples d'intelligence artificielle ?

L'AI fonctionne déjà discrètement au cœur de nos outils quotidiens, qu'il s'agisse de rédiger des e-mails, de signaler des fraudes en quelques millisecondes ou de prévoir les stocks des magasins. La trajectoire allant du prototype au produit intégré s'est considérablement accélérée, et les solutions proposées par Databricks couvrent bon nombre de ces catégories :

C'est cette omniprésence qui fait l'actualité. L'AI n'est plus concentrée dans quelques applications techniques ; elle s'est propagée dans presque toutes les catégories de travail où la reconnaissance de formes ou la génération de contenu crée de la valeur. Le modèle d'adoption tend à être le même partout : la première vague prend en charge des tâches simples et répétitives. Les vagues suivantes s'attaquent à des travaux exigeant davantage de discernement, à mesure que les capacités des modèles mûrissent et que les entreprises mettent en place les bases de données nécessaires pour les soutenir.

Quelles sont les principales branches de l'AI ?

L'AI est un terme générique qui couvre plusieurs domaines spécialisés. Chaque branche se concentre sur un type différent de tâche ou de capacité, bien que les frontières entre elles se soient estompées à mesure que le deep learning est devenu le moteur commun de la plupart de ces travaux.

• Machine learning : des systèmes qui apprennent des modèles à partir de données et s'améliorent avec l'expérience. C'est l'approche dominante au sein de l'AI aujourd'hui et le fondement sur lequel repose la plupart des autres branches.
• Deep learning : une forme plus avancée de machine learning qui utilise des réseaux de neurones multicouches pour traiter des entrées complexes comme les images, la parole et le langage. C'est la percée technologique qui a rendu possible la vague actuelle d'AI.
• Natural language processing (NLP) : la compréhension et la génération du langage humain. Le NLP alimente les chatbots, la traduction, les assistants vocaux et l'analyse des sentiments. Consultez notre aperçu du natural language processing pour en savoir plus.
• Computer vision : l'interprétation d'images et de vidéos. Utilisée dans la reconnaissance faciale, l'imagerie médicale, le contrôle qualité dans le secteur manufacturier et les systèmes de perception qui permettent aux voitures autonomes de voir la route. En savoir plus sur la computer vision.
• Robotique : l'association de l'AI à des machines physiques pour effectuer des tâches dans le monde réel : robots d'entrepôt, assistants chirurgicaux, véhicules autonomes, drones agricoles. L'intersection entre les logiciels d'AI et l'ingénierie mécanique.
• AI générative : des modèles qui créent de nouveaux contenus plutôt que de simplement analyser des données existantes. Le texte, les images, l'audio, la vidéo et le code sont tous concernés. La branche qui a explosé aux yeux du grand public en 2022 avec ChatGPT.
• Systèmes experts : une AI plus ancienne, basée sur des règles, qui imite la prise de décision d'un expert humain dans un domaine restreint. Largement supplantée par les approches de machine learning, mais encore utilisée là où des règles explicites et vérifiables sont requises.

En pratique, la plupart des systèmes d'AI modernes combinent plusieurs branches. Une voiture autonome utilise la computer vision pour percevoir le monde, le machine learning pour prédire le comportement des véhicules à proximité et la robotique pour actionner les commandes. Ces branches sont utiles comme carte mentale, mais les produits commercialisés se situent généralement à leur intersection.

Une brève histoire de l'AI

L'AI est un domaine de recherche depuis plus de 70 ans, les sauts de compétences majeurs s'étant concentrés au cours de la dernière décennie. La vague la plus récente a fait passer ce domaine du statut de curiosité académique à celui d'infrastructure du quotidien.

• 1950 — Proposition du test de Turing : Alan Turing publie « Computing Machinery and Intelligence », se demandant si les machines peuvent penser et proposant un test pour l'intelligence des machines qui sert encore de référence aujourd'hui.
• 1956 — L'AI trouve son nom : John McCarthy invente le terme « intelligence artificielle » lors de la conférence de Dartmouth, lançant officiellement ce domaine en tant que discipline.
• Années 1960-1970 — Optimisme initial et hivers de l'AI : les chercheurs conçoivent les premiers systèmes basés sur des règles et des programmes en langage naturel. Alors que les progrès stagnent face à des problèmes complexes, les financements se tarissent. Le premier des deux « hivers de l'AI » commence.
• 1997 — Deep Blue bat Kasparov : l'ordinateur de jeu d'échecs d'IBM bat le champion du monde Garry Kasparov dans un match en six parties. C'est la première fois qu'une machine bat un champion du monde en titre aux échecs, marquant une étape historique pour l'AI auprès du grand public.
• 2012 — Percée du deep learning : un réseau de neurones appelé AlexNet réalise un bond de géant dans la précision de la reconnaissance d'images lors du concours ImageNet, déclenchant l'essor moderne de l'AI et convainquant le secteur que le deep learning était la voie à suivre.
• 2017 — Introduction des Transformers : des chercheurs de Google publient « Attention Is All You Need », présentant l'architecture transformer qui ouvre la voie aux grands modèles de langage (LLM) d'aujourd'hui.
• 2022 — Lancement de ChatGPT : l'AI générative se démocratise lorsque OpenAI met ChatGPT à la disposition du public. Il atteint 100 millions d'utilisateurs en deux mois, soit l'adoption technologique grand public la plus rapide jamais enregistrée à l'époque.
• De 2023 à aujourd'hui — L'AI en entreprise passe à l'échelle : les organisations passent de la phase d'expérimentation à l'AI en production et aux agents d'AI dans l'ensemble de leurs fonctions, du service client au développement de logiciels en passant par les opérations internes.

Ce qui frappe au cours des trois dernières années, c'est le rythme. Depuis 2022, les capacités de l'AI ont progressé plus rapidement que ce que prévoyaient la plupart des experts, et le délai entre une percée de la recherche et la mise sur le marché d'un produit s'est réduit, passant de plusieurs années à quelques mois. L'évolution de la prochaine décennie dépendra moins des capacités brutes des modèles que de la manière dont les entreprises transformeront ces capacités en systèmes fiables et gouvernés.

Quelles sont les limites et les risques de l'AI ?

AI is powerful but imperfect. The following risks commonly appear in production and generally fall into three categories: technical limitations, operational challenges, and broader societal impacts.

Hallucinations and inaccurate outputs

Generative AI can produce confident-sounding answers that are factually wrong. The industry term is “hallucination.” A chatbot may invent a citation, misquote a source or fabricate facts that look plausible on the surface. It happens because large language models predict likely next words rather than retrieve verified information: the model is optimized for fluency, not truth.

In high-stakes contexts like healthcare, legal advice and financial decisions, AI outputs should be verified by a human before they are acted on. Even in lower-stakes settings, organizations increasingly pair generative models with retrieval-augmented generation systems that ground outputs in trusted source documents. Systematic evaluation also helps: testing models against benchmark question sets before deployment catches many hallucinations early, before they reach users.

Bias in training data

AI learns from data. If the data reflects human bias, such as historical hiring patterns that favored one demographic or lending decisions that disadvantaged another, the AI will reproduce and often amplify that bias. As the Stanford Emerging Technology Review notes: “Without sufficient high-quality data, AI models may generate inaccurate or biased outcomes.”

Bias is a major concern in hiring, lending and criminal justice applications, where biased outputs cause real harm. Mitigation requires careful curation of training data, ongoing evaluation against fairness metrics and the discipline to test models on populations that may have been underrepresented during training. It is not a one-time fix. Models drift as the world they operate in changes, so fairness monitoring has to be an ongoing operational practice rather than a launch-day checkpoint.

The “black box” problem

With deep learning especially, it is often hard to tell exactly why an AI made a specific decision. The model’s reasoning is distributed across millions or billions of parameters, none of which map cleanly to a human-readable explanation. That matters most in regulated industries such as banking, healthcare and insurance, where a decision must be explainable to a customer, an auditor or a court.

The field of explainable AI (XAI) has emerged in response, building tools that surface which features most influenced a given model output. Some industries go further and require simpler, “interpretable” model architectures for high-stakes use cases, accepting a small cost in raw accuracy in exchange for decisions that can be traced and defended.

Privacy and security risks

AI systems often need access to large amounts of data, raising questions about how that data is collected, stored and used. Generative AI introduces new risks of its own: deepfakes that impersonate real people, AI-generated misinformation at scale and prompt injection attacks that trick models into revealing information they shouldn’t or taking actions they weren’t authorized to perform. Privacy controls and security guardrails are part of responsible AI design, not an afterthought.

Job displacement concerns

AI is automating tasks across many industries, which raises real questions about how jobs and skills will shift. The likely pattern is change, not wholesale replacement: AI tends to alter the mix of tasks within a job rather than eliminate the role outright. Some roles will fade, new ones will emerge and many existing roles will require new skills, particularly the ability to work effectively alongside AI systems. The disruption is real, the pace is fast and the workforce implications deserve serious attention from leaders, educators and policymakers.

Governance and compliance

Organizations deploying AI need clear guardrails: who can access which models, what data those models use, how outputs are monitored and how access can be revoked when something goes wrong. The lesson from the past decade of cloud security is that controls built in from the start hold up better than controls bolted on after the fact.

The same applies to AI. Regulations are also catching up, with the EU AI Act, state-level US laws and sector-specific rules in finance and healthcare all imposing new obligations on AI deployments. The practical implication for builders is that governance can no longer be an afterthought. It has to be designed in from the data layer up. For a closer look at the discipline behind it, see our AI governance overview.

Why does AI matter for businesses?

AI is reshaping how organizations operate, compete and serve customers. Its value comes from applying trusted, governed data to real business problems, not from running disconnected experiments.

Businesses are using AI to:

• Make faster, more informed decisions
• Automate repetitive work
• Personalize customer experiences
• Deploy agents that complete multi-step tasks
• Improve forecasting and customer service

Realizing that value requires a unified platform where data is prepared, models are trained, agents are deployed and the full stack is governed end to end.

Competitive pressure is also increasing. As AI becomes standard across many sectors, leading organizations are:

• Starting with a specific business problem
• Prioritizing data quality before model sophistication
• Evaluating performance against real-world outcomes
• Building governance into the platform from the start

How Databricks supports AI

Building production AI is hard: data lives in many places, models have to be trained and evaluated and governance has to span the whole pipeline. The Databricks Platform brings data and AI together in one place, so teams can store and prepare data, train and fine-tune models, deploy AI agents and govern it all end to end. That includes Agent Bricks for building agents grounded in enterprise data and Unity Catalog for governance across data and AI assets. The platform connects to leading models from OpenAI, Anthropic, Google and Meta, alongside open source alternatives, so you can pick the right model for each task without rebuilding your stack.

More than 20,000 organizations worldwide use Databricks to build, scale and govern their AI work. The advantage of a unified platform is fewer seams: teams move from data to model to deployment without copying data between systems or losing lineage, which makes AI work faster, cheaper and easier to audit. See more in the Databricks customers directory.

Frequently asked questions

What is an example of artificial intelligence?

ChatGPT, voice assistants like Siri and Alexa, Netflix’s recommendation engine, fraud detection on credit card transactions and self-driving features in cars are all examples of AI in use today. Most of these fall into the “limited memory” category: they learn from historical data to make predictions or generate responses, but they don’t retain a persistent long-term memory the way humans do.

What are the 4 types of AI?

Reactive machines, limited memory, theory of mind and self-aware AI. The first two exist today: everything from spam filters to ChatGPT belongs to one of those categories. The latter two remain theoretical, and there is no clear technical path to either one yet.

Is AI the same as machine learning?

No. AI is the broader field of building machines that perform intelligent tasks. Machine learning is one branch of AI: systems that learn from data rather than being explicitly programmed. All machine learning is AI, but not all AI is machine learning.

What is the difference between AI and generative AI?

AI is the umbrella field that covers any system performing tasks associated with human intelligence. Generative AI is a specific type of AI, built on deep learning, that creates new content (text, images, audio, video or code) rather than classifying or predicting from existing inputs. ChatGPT and image generators are everyday examples.

What are the biggest risks of AI?

The most common risks are hallucinations (confidently wrong outputs), bias inherited from training data, the “black box” problem (decisions you can’t easily explain), privacy and security gaps, job displacement and weak governance. Mitigation comes from verification, oversight, careful data curation and built-in guardrails.

Getting started with AI

AI is no longer experimental. It is a foundational technology powering everyday products and reshaping how businesses work, and the pace of adoption is accelerating. Understanding the basics of what it is, how it works, where it fits and where it falls short is the starting point for using it well. From there, the work is to apply it to real problems, on trusted data, with the governance to scale responsibly.

Découvrez comment Databricks aide les entreprises à développer et mettre à l'échelle l'IA sur leurs propres données — explorez la plateforme Databricks.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original