Evren. A, Darcos. L, Ouzoulias. P, Rapport, Sénat, Paris, juillet 2025, 104 p.

L’on relève d’emblée à l’ouverture de ce rapport, le constat suivant : « le développement, dans les années 2010, des techniques d’apprentissage profond, puis l’apparition, au début des années 2020, des premières IA dites génératives, marquent un changement de paradigme : pour la première fois, l’IA sort des sphères scientifique et technologique pour investir l’ensemble des pans de l’économie et de la société ».

En effet, « moins de trois ans après le lancement, le 30 novembre 2022, par la société OpenAI de son agent conversationnel ChatGPT, l’IA est passée de fantasme scientifique à réalité technologique pour des centaines de millions d’utilisateurs chaque jour sur toute la planète ».

C’est pour dire qu’en quelques années, « l’IA a réussi à pénétrer l’ensemble des strates de notre société : l’organisation sociale, l’économie, la politique, mais aussi notre rapport aux autres. Elle occupe désormais une place centrale dans le monde professionnel, ouvrant la voie à des processus de réorganisation des entreprises et des administrations porteurs de promesses d’efficience et de croissance ». Certains secteurs, comme la médecine ou la logistique, font d’ores et déjà un usage intensif de modèles d’IA spécialisés.

Et le rapport de noter que « cet essor fulgurant a pris de court nos modes de pensée et de régulation traditionnels. Le monde que l’IA promeut ne s’insère en effet que difficilement dans nos systèmes économiques, juridiques et démocratiques ».

D’autant que la conception et le fonctionnement des modèles d’IA reposent sur l’utilisation de quantités massives de contenus culturels, collectés sans que leurs détenteurs légitimes n’aient à aucun moment, pu autoriser ou non leur exploitation, encore moins percevoir une rémunération appropriée.

Par ailleurs, si le secteur culturel est loin d’être le seul à être inquiété par la vague de l’IA, il est peut-être le plus emblématique. En effet, « alors que les précédentes révolutions technologiques avaient largement pour conséquence de décharger l’homme de tâches pénibles ou d’exécution, l’IA est désormais en capacité d’investir des domaines que l’on croyait jusqu’à présent réservés aux êtres humains. Si une telle substitution est, dans certains domaines, un facteur précieux de connaissance et de progrès, elle peut, s’agissant du secteur culturel, constituer une menace quasi existentielle dans la mesure où les productions générées par la machine entrent en concurrence directe avec les oeuvres de l’esprit ».

C’est une évolution de nature anthropologique, qui interroge profondément notre conception de l’humanité et réactive les peurs ancestrales sur le remplacement de l’Homme par la machine.

Les questions posées par l’IA sont d’autant plus complexes que ses conséquences « ne se cantonnent pas aux seules sphères économique et sociale. L’IA est devenue un enjeu géopolitique de souveraineté, à tel point que les négociations douanières actuellement en cours entre les États-Unis et la Chine, traitent pour partie autour de ce sujet : accès aux terres rares, aux puces, aux meilleurs talents…etc. ».

Dans cette bataille pour la souveraineté numérique en matière d’IA, l’Europe est une nouvelle fois ramenée à ses faiblesses structurelles, déjà lourdement creusées par la révolution numérique des années 2000.

Il n’existe pas de définition unique de l’IA, mais le terme désigne généralement « la capacité de machines à effectuer des tâches associées à l’intelligence humaine, comme l’apprentissage, le raisonnement, la résolution de problème, la perception ou la prise de décision. L’IA désigne également le domaine de recherche qui s’intéresse au développement de telles machines et la technologie qui permet de les fabriquer ».

La massification des données numériques (big data) constitue un formidable tremplin pour l’IA qui a besoin de « carburant » pour progresser. La combinaison entre la masse de données accessibles et la puissance des machines permet de faire décoller l’apprentissage profond (deep learning).

Cette technique d’apprentissage basée sur des réseaux de neurones artificiels, sous-discipline du machine learning, permet de « réaliser des avancées très significatives en matière de reconnaissance vocale, de traitement du langage naturel (NLP), de reconnaissance visuelle et d’apprentissage par renforcement ».

A partir de 2017, l’IA franchit une nouvelle étape charnière avec la montée en puissance de l’IA dite « générative », elle-même issue du deep learning.

Le machine learning est un champ d’études au sein de l’IA qui vise à donner aux machines la capacité d’apprendre à partir de données, via des modèles mathématiques utilisant des algorithmes probabilistes.

Plus précisément, il s’agit du « procédé par lequel une machine, au moyen de techniques algorithmiques et sans l’intervention additionnelle de son programmateur, traite et analyse des données, apprend de ces données, estime la probabilité de résultats et prend des décisions fondées sur ce qu’elle a appris. Plus la machine réalise cet apprentissage, plus ses performances s’améliorent. En outre, plus le volume de données auquel elle a accès est important, plus ses résultats progressent ».

Le deep learning est en fait, un sous-ensemble du machine learning qui recourt à l’apprentissage supervisé, mais avec une architecture bien spécifique, celle d’un réseau de neurones artificiels agencé sous la même forme que les neurones d’un cerveau biologique.

Cet apprentissage, qui fait appel à d’énormes volumes de données, complexes et disparates, est qualifié de « profond » (deep) car il fonctionne par couches : « les résultats de la première couche de neurones vont servir d’entrée au calcul des autres, et ainsi de suite. Plus on augmente le nombre de couches, plus les réseaux de neurones apprennent des choses compliquées, abstraites, se rapprochant de plus en plus du fonctionnement d’un cerveau humain ».

L’IA dite « générative » est un type d’IA capable de générer des contenus nouveaux « couvrant un spectre très large (texte, code informatique, images, musique, audio, vidéos, etc.), à partir des données grâce auxquelles elle a été formée. Ces contenus nouveaux ressemblent à ce que l’on peut trouver dans ces données dites d’entraînement, mais ils ne sont pas semblables, d’où leur caractère original ».

C’est cette créativité, entendue au sens de la capacité à générer une production originale, qui distingue l’IA générative de l’IA prédictive, laquelle prévoit et anticipe, mais ne crée pas.

L’IA générative repose principalement sur des techniques d’apprentissage profond. C’est une application du deep learning qui se concentre sur la génération de contenus nouveaux.

L’IA générative, tout comme l’apprentissage automatique dont elle est issue, est par nature probabiliste : « à partir des données d’entraînement, elle va estimer la probabilité de différents résultats et générer des contenus sortants qui découlent des probabilités apprises. Cela explique pourquoi elle est susceptible de produire des résultats erronés ou de pures inventions, appelées hallucinations, qui sont à l’origine de sa dégénérescence ».

Rubrique « Lu Pour Vous »

25 septembre 2025