Premier article d’une série en trois parties sur l’intelligence artificielle : définitions, applications professionnelles et gouvernance.
La première fois qu’un algorithme de clustering que j’avais construit a mis en évidence des cas confirmés d’entente illicite entre fournisseurs, je n’ai pas eu le sentiment d’avoir face à moi une machine « intelligente » au sens où on l’imagine souvent. Aucun raisonnement humain, aucune intuition — juste des points regroupés selon des régularités statistiques invisibles à l’œil nu, mais qui pointaient vers quelque chose de bien réel. Ce moment m’a fait comprendre que l’intelligence artificielle n’a pas besoin de « penser » comme nous pour produire des résultats utiles, parfois même plus fiables que notre propre jugement.
Ce n’est d’ailleurs pas un hasard : le terme « intelligence artificielle » lui-même, inventé en 1956 lors d’un atelier de recherche à l’université de Dartmouth, a très vite recouvert deux ambitions bien différentes — imiter l’humain, ou simplement bien décider. Alors, qu’est-ce que l’IA, concrètement ?
Une définition simple, un champ complexe
L’intelligence artificielle peut être définie comme une entité artificielle capable de reproduire certains aspects de l’intelligence humaine : apprendre, percevoir, raisonner, et prendre des décisions dans des situations nouvelles.
Un bon exemple pour illustrer à quel point cette définition peut tromper : dès 1966, un programme nommé ELIZA, créé au MIT, simulait une conversation avec un psychothérapeute simplement en reformulant les phrases de l’utilisateur sous forme de questions. Certains utilisateurs s’y sont sincèrement attachés émotionnellement — alors que le programme ne faisait, en réalité, que du filtrage de mots-clés, sans rien « comprendre » au sens propre. Cet épisode illustre déjà, 60 ans avant ChatGPT, notre propension naturelle à projeter de l’intelligence sur une machine qui donne simplement l’illusion d’en avoir.
Deux façons de penser l’intelligence artificielle
Historiquement, deux grandes visions s’affrontent dans la recherche en IA :
- L’imitation humaine : concevoir des machines qui pensent et agissent comme un être humain — l’ambition qui animait déjà ELIZA, et qu’on retrouve aujourd’hui dans les modèles conversationnels comme ChatGPT.
- La rationalité : développer des systèmes qui prennent les meilleures décisions possibles, qu’ils imitent ou non le raisonnement humain — l’approche illustrée en 2016 par AlphaGo, qui a battu le champion du monde de Go Lee Sedol en jouant des coups qu’aucun humain n’aurait envisagés, sans jamais chercher à « penser » comme un joueur humain. C’est aussi cette même logique qui sous-tend mon modèle de détection de collusion : pas d’imitation du raisonnement d’un auditeur, seulement une recherche rationnelle de régularités dans les données.
Ces deux visions se déclinent en quatre approches concrètes :
| Approche | Ce qu’elle vise | Exemple concret |
|---|---|---|
| Agir comme un humain | Reproduire un comportement humain observable — la machine est jugée sur sa capacité à paraître humaine dans l’échange, comme dans le test de Turing | ChatGPT (OpenAI) — modèle conversationnel capable de simuler un dialogue humain crédible |
| Penser comme un humain | Modéliser fidèlement le processus cognitif humain lui-même, pas seulement son résultat | General Problem Solver (Newell & Simon, 1957) — programme conçu pour résoudre des problèmes en reproduisant, étape par étape, la démarche observée chez des sujets humains invités à « penser à voix haute » |
| Penser rationnellement | Suivre des règles logiques pour produire une conclusion correcte selon un modèle de raisonnement, sans chercher à imiter l’intuition humaine | MYCIN — système expert des années 1970 qui recommandait des traitements antibiotiques à partir de règles médicales codées à la main |
| Agir rationnellement | Choisir l’action qui maximise l’atteinte d’un objectif, compte tenu de l’information disponible et de l’incertitude | AlphaGo (DeepMind) — a battu le champion du monde de Go en jouant des coups qu’aucun joueur humain n’aurait envisagés |
Ces distinctions ne sont pas que théoriques : elles expliquent pourquoi deux systèmes d’IA très différents — un chatbot conversationnel et un algorithme de détection de fraude, par exemple — peuvent tous deux revendiquer le terme « intelligence artificielle » tout en poursuivant des objectifs radicalement différents.
Le test de Turing : une référence dépassée, mais fondatrice
Impossible de parler d’IA sans évoquer le test de Turing, proposé par Alan Turing en 1950 — six ans avant même que le terme « intelligence artificielle » n’existe. Son idée : une machine peut être considérée comme « pensante » si elle parvient à convaincre un humain qu’il converse avec une autre personne.
ELIZA a berné certains utilisateurs dans les années 1960 avec quelques lignes de code. Aujourd’hui, ChatGPT réussit ce test dans l’écrasante majorité des échanges courts. Mais réussir à paraître intelligent n’est plus une mesure pertinente : un modèle de langage peut tenir une conversation fluide sans pour autant raisonner, vérifier des faits, ou prendre une décision fiable dans un contexte à enjeu réel — un diagnostic médical, une décision de crédit, un audit financier.
Quand l’IA devient un agent rationnel
C’est précisément cette limite qui a poussé la recherche vers une notion plus exigeante : la rationalité. Plutôt que de chercher à imiter l’humain, une grande partie de la recherche moderne en IA vise à construire des agents rationnels : des systèmes capables de percevoir leur environnement, d’interpréter une demande, et d’agir pour atteindre un objectif défini — en tenant compte des contraintes et des incertitudes.
Les agents IA actuels illustrent bien cette idée : face à une instruction, un tel agent interprète le contexte, mobilise des outils externes si nécessaire, enchaîne plusieurs étapes de raisonnement, observe le résultat obtenu, et ajuste son action en conséquence — sans jamais chercher à « avoir l’air humain » dans ce processus, seulement à atteindre l’objectif fixé le plus efficacement possible.
Cette capacité à « faire le bon choix » plutôt qu’à « avoir l’air humain » change fondamentalement la nature des questions qu’on doit se poser face à l’IA.
Penser rationnellement n’est pas agir rationnellement
Ces deux dernières notions méritent qu’on s’y arrête, car la nuance entre elles est l’une des plus utiles pour comprendre l’IA moderne.
Penser rationnellement, c’est appliquer correctement une logique ou un modèle de raisonnement pour aboutir à une conclusion — un peu comme un système de règles qui déduit « si A et B, alors C ». Agir rationnellement, c’est autre chose : c’est choisir la meilleure action possible compte tenu de ce qu’on sait, de ce qu’on ignore, et des contraintes de la situation — c’est exactement ce que fait un agent IA comme celui décrit plus haut.
Cette distinction a une conséquence importante : un agent rationnel n’est ni omniscient, ni infaillible. Il peut prendre une décision parfaitement rationnelle avec les informations dont il dispose, et pourtant se tromper — parce que ses données sont incomplètes, parce que son modèle du monde est imparfait, parce que son environnement a changé depuis son entraînement, ou parce que son objectif a été mal spécifié au départ.
C’est un point essentiel, et souvent mal compris : un système d’IA « rationnel » qui se trompe n’est pas nécessairement un système défaillant. Il peut simplement avoir bien raisonné à partir d’une image du monde incomplète. C’est précisément ce qui rend la question de la fiabilité des décisions d’une IA — et donc leur gouvernance — aussi centrale.
Pourquoi cette distinction compte
Ce n’est plus seulement « est-ce que la machine semble intelligente ? », mais « est-ce que ses décisions sont fiables, justifiables, et alignées avec nos objectifs ? »
C’est cette bascule — de l’imitation vers la rationalité, et de la rationalité vers la question de la fiabilité — qui explique pourquoi l’IA occupe aujourd’hui une place croissante dans des décisions à fort enjeu : diagnostics médicaux, détection de fraude, recommandations financières, conduite autonome. Et c’est cette même question qui, dès qu’un système d’IA prend des décisions dans un contexte professionnel, ouvre directement sur les enjeux de risque et de gouvernance.
Dans le prochain article de cette série, on quitte la théorie pour le terrain : comment l’intelligence artificielle transforme des fonctions comme l’audit, la conformité et la détection de fraude — avec un exemple concret tiré de mon propre travail comme auditeur interne.
Et vous, quelle vision de l’IA vous semble la plus juste — l’imitation ou la rationalité ? Dites-le moi en commentaire.Premier article d’une série en trois parties sur l’intelligence artificielle : définitions, applications professionnelles et gouvernance.
La première fois qu’un algorithme de clustering que j’avais construit a mis en évidence des cas confirmés d’entente illicite entre fournisseurs, je n’ai pas eu le sentiment d’avoir face à moi une machine « intelligente » au sens où on l’imagine souvent. Aucun raisonnement humain, aucune intuition — juste des points regroupés selon des régularités statistiques invisibles à l’œil nu, mais qui pointaient vers quelque chose de bien réel. Ce moment m’a fait comprendre que l’intelligence artificielle n’a pas besoin de « penser » comme nous pour produire des résultats utiles, parfois même plus fiables que notre propre jugement.
Ce n’est d’ailleurs pas un hasard : le terme « intelligence artificielle » lui-même, inventé en 1956 lors d’un atelier de recherche à l’université de Dartmouth, a très vite recouvert deux ambitions bien différentes — imiter l’humain, ou simplement bien décider. Alors, qu’est-ce que l’IA, concrètement ?
Une définition simple, un champ complexe
L’intelligence artificielle peut être définie comme une entité artificielle capable de reproduire certains aspects de l’intelligence humaine : apprendre, percevoir, raisonner, et prendre des décisions dans des situations nouvelles.
Un bon exemple pour illustrer à quel point cette définition peut tromper : dès 1966, un programme nommé ELIZA, créé au MIT, simulait une conversation avec un psychothérapeute simplement en reformulant les phrases de l’utilisateur sous forme de questions. Certains utilisateurs s’y sont sincèrement attachés émotionnellement — alors que le programme ne faisait, en réalité, que du filtrage de mots-clés, sans rien « comprendre » au sens propre. Cet épisode illustre déjà, 60 ans avant ChatGPT, notre propension naturelle à projeter de l’intelligence sur une machine qui donne simplement l’illusion d’en avoir.
Deux façons de penser l’intelligence artificielle
Historiquement, deux grandes visions s’affrontent dans la recherche en IA :
- L’imitation humaine : concevoir des machines qui pensent et agissent comme un être humain — l’ambition qui animait déjà ELIZA, et qu’on retrouve aujourd’hui dans les modèles conversationnels comme ChatGPT.
- La rationalité : développer des systèmes qui prennent les meilleures décisions possibles, qu’ils imitent ou non le raisonnement humain — l’approche illustrée en 2016 par AlphaGo, qui a battu le champion du monde de Go Lee Sedol en jouant des coups qu’aucun humain n’aurait envisagés, sans jamais chercher à « penser » comme un joueur humain. C’est aussi cette même logique qui sous-tend mon modèle de détection de collusion : pas d’imitation du raisonnement d’un auditeur, seulement une recherche rationnelle de régularités dans les données.
Ces deux visions se déclinent en quatre approches concrètes :
| Approche | Ce qu’elle vise | Exemple concret |
|---|---|---|
| Agir comme un humain | Reproduire un comportement humain observable — la machine est jugée sur sa capacité à paraître humaine dans l’échange, comme dans le test de Turing | ChatGPT (OpenAI) — modèle conversationnel capable de simuler un dialogue humain crédible |
| Penser comme un humain | Modéliser fidèlement le processus cognitif humain lui-même, pas seulement son résultat | General Problem Solver (Newell & Simon, 1957) — programme conçu pour résoudre des problèmes en reproduisant, étape par étape, la démarche observée chez des sujets humains invités à « penser à voix haute » |
| Penser rationnellement | Suivre des règles logiques pour produire une conclusion correcte selon un modèle de raisonnement, sans chercher à imiter l’intuition humaine | MYCIN — système expert des années 1970 qui recommandait des traitements antibiotiques à partir de règles médicales codées à la main |
| Agir rationnellement | Choisir l’action qui maximise l’atteinte d’un objectif, compte tenu de l’information disponible et de l’incertitude | AlphaGo (DeepMind) — a battu le champion du monde de Go en jouant des coups qu’aucun joueur humain n’aurait envisagés |
Ces distinctions ne sont pas que théoriques : elles expliquent pourquoi deux systèmes d’IA très différents — un chatbot conversationnel et un algorithme de détection de fraude, par exemple — peuvent tous deux revendiquer le terme « intelligence artificielle » tout en poursuivant des objectifs radicalement différents.
Le test de Turing : une référence dépassée, mais fondatrice
Impossible de parler d’IA sans évoquer le test de Turing, proposé par Alan Turing en 1950 — six ans avant même que le terme « intelligence artificielle » n’existe. Son idée : une machine peut être considérée comme « pensante » si elle parvient à convaincre un humain qu’il converse avec une autre personne.
ELIZA a berné certains utilisateurs dans les années 1960 avec quelques lignes de code. Aujourd’hui, ChatGPT réussit ce test dans l’écrasante majorité des échanges courts. Mais réussir à paraître intelligent n’est plus une mesure pertinente : un modèle de langage peut tenir une conversation fluide sans pour autant raisonner, vérifier des faits, ou prendre une décision fiable dans un contexte à enjeu réel — un diagnostic médical, une décision de crédit, un audit financier.
Quand l’IA devient un agent rationnel
C’est précisément cette limite qui a poussé la recherche vers une notion plus exigeante : la rationalité. Plutôt que de chercher à imiter l’humain, une grande partie de la recherche moderne en IA vise à construire des agents rationnels : des systèmes capables de percevoir leur environnement, d’interpréter une demande, et d’agir pour atteindre un objectif défini — en tenant compte des contraintes et des incertitudes.
Les agents IA actuels illustrent bien cette idée : face à une instruction, un tel agent interprète le contexte, mobilise des outils externes si nécessaire, enchaîne plusieurs étapes de raisonnement, observe le résultat obtenu, et ajuste son action en conséquence — sans jamais chercher à « avoir l’air humain » dans ce processus, seulement à atteindre l’objectif fixé le plus efficacement possible.
Cette capacité à « faire le bon choix » plutôt qu’à « avoir l’air humain » change fondamentalement la nature des questions qu’on doit se poser face à l’IA.
Penser rationnellement n’est pas agir rationnellement
Ces deux dernières notions méritent qu’on s’y arrête, car la nuance entre elles est l’une des plus utiles pour comprendre l’IA moderne.
Penser rationnellement, c’est appliquer correctement une logique ou un modèle de raisonnement pour aboutir à une conclusion — un peu comme un système de règles qui déduit « si A et B, alors C ». Agir rationnellement, c’est autre chose : c’est choisir la meilleure action possible compte tenu de ce qu’on sait, de ce qu’on ignore, et des contraintes de la situation — c’est exactement ce que fait un agent IA comme celui décrit plus haut.
Cette distinction a une conséquence importante : un agent rationnel n’est ni omniscient, ni infaillible. Il peut prendre une décision parfaitement rationnelle avec les informations dont il dispose, et pourtant se tromper — parce que ses données sont incomplètes, parce que son modèle du monde est imparfait, parce que son environnement a changé depuis son entraînement, ou parce que son objectif a été mal spécifié au départ.
C’est un point essentiel, et souvent mal compris : un système d’IA « rationnel » qui se trompe n’est pas nécessairement un système défaillant. Il peut simplement avoir bien raisonné à partir d’une image du monde incomplète. C’est précisément ce qui rend la question de la fiabilité des décisions d’une IA — et donc leur gouvernance — aussi centrale.
Pourquoi cette distinction compte
Ce n’est plus seulement « est-ce que la machine semble intelligente ? », mais « est-ce que ses décisions sont fiables, justifiables, et alignées avec nos objectifs ? »
C’est cette bascule — de l’imitation vers la rationalité, et de la rationalité vers la question de la fiabilité — qui explique pourquoi l’IA occupe aujourd’hui une place croissante dans des décisions à fort enjeu : diagnostics médicaux, détection de fraude, recommandations financières, conduite autonome. Et c’est cette même question qui, dès qu’un système d’IA prend des décisions dans un contexte professionnel, ouvre directement sur les enjeux de risque et de gouvernance.
Dans le prochain article de cette série, on quitte la théorie pour le terrain : comment l’intelligence artificielle transforme des fonctions comme l’audit, la conformité et la détection de fraude — avec un exemple concret tiré de mon propre travail comme auditeur interne.
Et vous, quelle vision de l’IA vous semble la plus juste — l’imitation ou la rationalité ? Dites-le moi en commentaire.