Peut-on parler d’intelligence dans ‘intelligence artificielle’ ?

Elle rédige des mails, résume des rapports, code des applications, et pourtant, une question continue de grincer dans les labos comme dans les cafés : parle-t-on vraiment d’intelligence quand on parle d’« intelligence artificielle » ? La poussée fulgurante des modèles génératifs, dopée par des investissements massifs et une adoption record dans les entreprises, remet le débat au centre, entre prouesse technique, confusion sémantique et enjeux très concrets de fiabilité.

Une prouesse statistique, pas un esprit

Le mot est flatteur, et c’est bien le problème. Les systèmes d’IA modernes, en particulier les grands modèles de langage, impressionnent parce qu’ils produisent des phrases cohérentes, imitent des styles, et enchaînent des raisonnements apparents, mais leur moteur reste avant tout probabiliste : ils apprennent des régularités dans des masses de données, puis prédisent la suite la plus plausible dans un contexte donné. On est loin d’une conscience, d’une intention ou d’une compréhension au sens humain du terme, même si l’illusion est parfois saisissante lorsque l’outil répond avec assurance, nuance et humour.

Pour mesurer l’écart, il faut revenir au fonctionnement. L’apprentissage repose sur d’énormes corpus de textes, d’images ou de signaux, et sur des paramètres qui se comptent désormais en dizaines, voire centaines de milliards selon les modèles. Cette échelle n’est pas une coquetterie, elle reflète une réalité industrielle : l’IA générative exige des centres de données, des GPU, de l’électricité, et des cycles d’entraînement qui coûtent cher. Le résultat, lui, ne « sait » pas au sens où un médecin sait diagnostiquer ou où un juge sait qualifier un fait, il calcule une distribution de probabilités, et quand on le pousse hors de ses rails, il peut fabriquer de fausses citations, des chiffres inventés ou des sources inexistantes, avec une confiance déconcertante.

La différence se voit dans la robustesse. Un enfant comprend qu’une tasse posée au bord d’une table risque de tomber, sans avoir ingéré des millions d’exemples annotés, et il généralise ce savoir à d’autres objets. Une IA, elle, peut réussir des tâches très complexes, puis échouer sur une variation minime, parce que son « bon sens » n’est pas enraciné dans une expérience physique du monde, et parce que ses réponses reflètent surtout ce que les données lui ont montré. Les progrès sont réels, la frontière bouge, mais employer le même mot, « intelligence », pour désigner des mécanismes si différents, entretient une confusion durable.

Pourquoi le mot « intelligence » s’impose

Posons la question franchement : si ce n’est pas de l’intelligence humaine, pourquoi l’appeler ainsi ? D’abord parce que l’expression a une histoire, et qu’elle répond à une stratégie de communication autant qu’à une ambition scientifique. Dès les années 1950, des pionniers comme John McCarthy utilisent « artificial intelligence » pour fédérer un champ, attirer des financements et formuler une promesse : faire faire à des machines des tâches qui, si elles étaient réalisées par des humains, seraient dites intelligentes. Le terme est donc, dès l’origine, fonctionnel, et pas métaphysique.

Ensuite parce que le public juge sur les résultats, pas sur les mécanismes. Quand un système bat un champion du monde au go, détecte des anomalies sur une image médicale, ou traduit des pages en quelques secondes, il déclenche spontanément l’idée d’intelligence. Les benchmarks et les démonstrations publiques amplifient ce réflexe : une performance, un classement, un score, et l’on bascule vers le registre de l’esprit. Or la performance n’implique pas nécessairement la compréhension. Une calculatrice multiplie mieux qu’un humain, et personne n’y voit une preuve de conscience, mais quand la sortie ressemble à une conversation, l’analogie cognitive revient au galop.

Le marché, enfin, a tout intérêt à ce glissement. Parler d’« intelligence » valorise les produits, justifie des budgets, accélère des décisions, et permet de vendre plus facilement des solutions présentées comme autonomes. Cette inflation lexicale a un coût : elle encourage des usages risqués, notamment lorsque des entreprises déploient des assistants automatisés dans des contextes sensibles, service client, recrutement, analyse de crédit, ou aide à la décision. Dans ces cas, l’enjeu n’est pas de savoir si la machine « pense », mais si elle se trompe, à quelle fréquence, et avec quelles conséquences pour les personnes concernées.

Les tests qui bousculent nos certitudes

Les partisans d’une forme d’intelligence machine dégainent souvent les tests : si l’IA réussit là où l’humain réussit, pourquoi lui refuser le terme ? Le plus célèbre reste le test de Turing, qui propose un critère comportemental : si un interlocuteur ne peut distinguer une machine d’un humain à l’aveugle, alors la machine démontre une forme d’intelligence. Or, dans la pratique, ce test est devenu moins un outil scientifique qu’un symbole culturel, et il montre surtout notre vulnérabilité à la persuasion, aux biais d’interprétation et à l’anthropomorphisme.

Les évaluations modernes, elles, vont plus loin : compréhension de texte, résolution de problèmes, programmation, raisonnement mathématique. Les modèles progressent, parfois spectaculairement, mais les résultats masquent des fragilités. Un modèle peut exceller sur des questions proches de ses données d’entraînement, et chuter dès que l’on change le format, la langue, ou que l’on exige des explications vérifiables. Les chercheurs observent aussi des comportements émergents, difficiles à prévoir, qui apparaissent avec l’échelle, et qui alimentent le débat : est-ce un signe d’« intelligence », ou simplement l’effet d’une complexité croissante dans un système statistique ? La réponse dépend souvent de la définition que l’on accepte.

La psychologie cognitive apporte une comparaison éclairante. L’intelligence humaine n’est pas seulement une performance à un instant T, c’est aussi une capacité d’apprentissage rapide, de transfert, d’introspection, et d’adaptation en environnement incertain. Elle s’appuie sur un corps, des émotions, une histoire personnelle, une motivation. Les IA, elles, apprennent majoritairement hors ligne, puis exécutent. Elles peuvent être affinées, alignées, ou renforcées, mais elles ne poursuivent pas spontanément des buts, et ne construisent pas une compréhension vécue. Cela n’empêche pas qu’elles soient utiles, ni même parfois supérieures, mais cela rend le mot « intelligence » intrinsèquement ambigu : il mesure des effets, sans décrire la nature de la cause.

Un débat sémantique aux effets très concrets

Ne chipotons pas sur les mots ? Ce serait une erreur. Les mots fabriquent des politiques, et les politiques fabriquent des risques. Si l’on présente une IA comme intelligente, on tend à lui déléguer, on la croit, et on oublie de vérifier. Les erreurs d’un système génératif ne sont pas celles d’un stagiaire distrait, elles peuvent être reproductibles, amplifiées à grande échelle, et difficiles à détecter parce que la forme est crédible. Dans le droit, la santé, l’éducation ou l’information, cette crédibilité est une arme à double tranchant, elle accélère le travail, mais elle peut aussi accélérer la désinformation, les discriminations ou les décisions injustes.

Les régulateurs tentent d’encadrer, mais la terminologie pèse sur l’acceptation sociale. En Europe, l’AI Act classe les usages par niveau de risque, et pousse les acteurs à documenter, auditer et sécuriser, sans pour autant trancher la question philosophique de l’intelligence. Les entreprises, elles, arbitrent entre innovation et conformité, et cherchent des ressources pour suivre les évolutions. Pour ceux qui veulent s’informer sur les enjeux nationaux, les projets et l’écosystème, des portails agrègent des actualités et des analyses, à l’image de Nation AI, qui permet de se repérer dans un paysage où la technique avance plus vite que la culture générale.

Sur le terrain, la bonne approche ressemble moins à une querelle académique qu’à une hygiène de décision. Il faut demander des preuves, exiger des sources, mesurer des taux d’erreur, connaître les données d’entraînement quand c’est possible, et surtout garder l’humain dans la boucle là où les impacts sont sérieux. L’intelligence artificielle est peut-être mal nommée, mais elle est déjà là, dans les services publics, dans les entreprises, dans les foyers. Le vrai enjeu, c’est d’éviter deux pièges symétriques : la fascination, qui pousse à croire, et le mépris, qui empêche de voir les gains réels, productivité, accessibilité, aide à la création, ou amélioration de certains diagnostics.

Ce qu’il faut prévoir avant d’adopter

Avant de déployer un outil, fixez un budget d’abonnement, de formation et d’audit, et prévoyez du temps pour tester sur vos propres données. Réservez des créneaux d’accompagnement, notamment pour les métiers sensibles, et renseignez-vous sur les aides à la numérisation ou à l’innovation proposées localement, car elles peuvent financer l’expérimentation, sans sacrifier l’exigence de contrôle.