Ce que l’IA sait vraiment bien faire — et comment elle y parvient



Dr. Imed HOUCINE

Enseignant-Chercheur à l’Institut Supérieur
des Arts et Métiers de Kairouan

---

---

Une machine qui compose de la musique, explique la pensée de Kant, découvre des structures biologiques inédites, analyse une image médicale, propose une stratégie aux échecs : faut-il y voir une nouvelle forme d’intelligence — ou simplement une calculatrice devenue extraordinairement puissante ?
Je me suis mis à l'écriture de cet article après avoir assisté à une conférence animée par un célèbre philosophe sur l'intelligence artificielle. Sa thèse : l'IA ne pense pas vraiment, puisqu'elle n'a ni conscience, ni intention, ni compréhension vécue — elle se contente de traiter et de recombiner des informations selon des algorithmes. C'est une évidence que personne ne conteste sérieusement aujourd'hui. Mais derrière cette thèse s'en profile une autre, plus inconfortable : suffit-il de nommer les rouages d'une machine pour épuiser ce qu'elle est capable de faire ?

De la logique programmée à l’apprentissage par l’exemple

L’intelligence artificielle est le fruit de plus de sept décennies de recherches. Dans les années 1950, l’IA dite « symbolique » fonctionnait à partir de règles logiques explicites : « Si X, alors Y ». Si cette approche marchait pour la calculatrice, elle échouait lamentablement face à la subtilité du langage ou de la vision.
Le tournant majeur s’est produit à partir des années 2010, avec la convergence de trois évolutions : l’explosion des données numériques (Big Data), la puissance de calcul des processeurs (CPU et GPU), et l’essor des réseaux de neurones profonds (Deep Learning). Au lieu de programmer toutes les règles à l'avance, on fournit à la machine des millions d'exemples et on lui permet d’en extraire des régularités.

Ce que fait vraiment une IA

Une IA moderne ajuste, au cours de son apprentissage, des millions — parfois des milliards — de paramètres internes afin de relier des données d'entrée (textes, images, vidéos, sons) aux résultats attendus. En clair : elle apprend, à partir de régularités statistiques, à produire la réponse qui paraît la plus pertinente dans un contexte donné.
Elle excelle chaque fois que trois conditions sont réunies : une grande quantité de données d’exemple, un critère de succès clairement mesurable, et une régularité statistique sous-jacente qu'elle peut apprendre par répétition. Son fonctionnement n'est donc pas celui d'un humain qui mobilise consciemment des règles apprises, des expériences vécues et un jugement personnel — son « savoir » est distribué dans des paramètres numériques ajustés par apprentissage.
Cette efficacité a toutefois ses limites. L’IA devient plus fragile lorsqu’il s’agit d’interpréter une situation véritablement inédite, de faire preuve de bon sens face à l’imprévu ou de vérifier rigoureusement une information. Elle peut ainsi commettre des erreurs, notamment lorsque les données disponibles sont insuffisantes, ambiguës ou de mauvaise qualité, et produire parfois des informations fausses ou inventées avec une grande assurance — ce que l’on appelle des « hallucinations ». Par ailleurs, les biais présents dans les données d’entraînement peuvent se retrouver dans ses réponses et conduire à des résultats orientés, voire discriminatoires. Ces limites montrent qu’il est plus juste de considérer l’IA comme un outil capable d’accomplir certaines tâches de manière remarquablement autonome que comme un véritable décideur.
Il faut ici distinguer deux familles : les IA généralistes (ChatGPT, Claude, Gemini…), véritables « couteaux suisses » capables d'écrire, traduire, raisonner, coder ou répondre à des questions très variées, d'une part ; et les IA spécialisées, outils de précision conçus et entraînés pour exceller dans un domaine donné — analyse d'images médicales, prédiction de structures de protéines, résolution de problèmes mathématiques avancés, optimisation stratégique, reconnaissance de maladies des plantes —, d'autre part.

Quand la machine dépasse l’expert — même en mathématiques

C’est dans certaines tâches très ciblées que la supériorité de la machine devient spectaculaire. La victoire de Deep Blue d’IBM contre Garry Kasparov en 1997 avait marqué un tournant historique. Depuis, les moteurs d’échecs ont encore progressé et dépassent largement les meilleurs joueurs humains en compétition. La machine analyse à une vitesse et avec une endurance qu’aucun joueur ne peut égaler.
Le phénomène dépasse largement les jeux. Le principe d’« intuition » statistique que développe une IA en s’entraînant permet aujourd’hui d’optimiser des réseaux électriques, de bien gérer l’eau et l’irrigation, d’améliorer les processus industriels et les chaînes logistiques, de simuler des scénarios économiques ou climatiques, ou encore d’élaborer des stratégies dans des domaines complexes, notamment militaires.
En biologie, AlphaFold, développé par Google DeepMind, a permis de prédire la structure tridimensionnelle de presque toutes les protéines connues de cette science (plus de 200 millions). Cette étape clé pour comprendre les maladies et imaginer de nouveaux traitements, représente un exploit que certains biologistes jugeaient insoluble de leur vivant.
En imagerie médicale, les IA spécialisées, entraînées sur de vastes ensembles de données, peuvent détecter certaines anomalies avec des performances comparables à celles des meilleurs spécialistes. Elles peuvent même anticiper la détection de certains cancers du sein, notamment sur les tumeurs les plus discrètes.
Et voici peut-être le point le plus symbolique : les mathématiques, longtemps considérées comme l'un des derniers bastions de la supériorité intellectuelle humaine, viennent elles aussi de céder du terrain. Résoudre un problème difficile ne consiste pas seulement à calculer ; il faut trouver une idée, choisir une stratégie et construire une démonstration. Or, en 2024, AlphaProof et AlphaGeometry 2, développés par Google DeepMind, ont résolu quatre des six problèmes de l'Olympiade internationale de mathématiques, obtenant 28 points sur 42, soit un niveau de médaille d'argent. En 2025, une version avancée de Gemini avec Deep Think a franchi un nouveau seuil avec 35 points sur 42, correspondant au niveau de la médaille d'or, en résolvant cinq problèmes sur six.

Quand l’algorithme entre dans l’art, la musique et la littérature

L’IA ne se limite pas aux domaines où la performance peut être mesurée par un score. Elle intervient aussi dans des activités traditionnellement associées à la créativité, bien que cela fasse encore l'objet d'un vif débat.
Dans les arts visuels, l’artiste Refik Anadol a notamment utilisé l’apprentissage automatique pour transformer de vastes ensembles de données artistiques en installations visuelles évolutives. En musique, Holly Herndon a expérimenté avec Spawn, un système entraîné à interagir avec sa voix. Ces démarches ne consistent pas simplement à demander à une machine de « créer à la place » de l’artiste : elles explorent de nouvelles formes de collaboration entre l’humain et l’algorithme.
La littérature offre un autre exemple révélateur. En 2024, l’autrice japonaise Rie Kudan a expliqué avoir utilisé ChatGPT pour une petite partie de son roman récompensé par le prix Akutagawa. L’épisode montre surtout que l’IA peut désormais entrer directement dans le processus d’écriture, comme un outil parmi d’autres.
Ces expériences ne prouvent pas que l’IA possède une sensibilité artistique. Elles montrent cependant qu’une machine peut produire des combinaisons nouvelles à partir d’éléments appris. Dire qu’elle « ne fait que reproduire ce qu’elle a mémorisé » est donc trop simple : elle peut générer des résultats qui n’ont pas été enregistrés tels quels dans ses données d’apprentissage. La question de leur originalité, de leur intention et surtout de leur valeur reste, elle, profondément humaine.

Et si le philosophe avait raison… mais seulement à moitié ?

Venons-en maintenant au philosophe qui a motivé cette réflexion. Que fait un philosophe ? Il lit, compare, analyse, construit des arguments, imagine des objections et formule des idées. Une IA moderne peut déjà accomplir une partie de ces opérations : expliquer une doctrine, comparer Platon et Aristote, reconstruire un argument ou défendre deux positions opposées.
Cela ne signifie pas qu’elle est devenue un philosophe humain. Une différence essentielle demeure : le philosophe vit ce qu’il pense. Socrate n’a pas seulement parlé de la mort ; il l’a affrontée. Nietzsche n’est pas seulement un ensemble de textes : sa pensée est liée à une époque, une histoire, un corps et une existence. Une IA peut parler de l’amour sans aimer, de la souffrance sans souffrir et de la mort sans mourir. Il faut donc distinguer, d'un côté, ce qui relève du raisonnement et de la créativité — où l'IA rivalise déjà largement —, et de l'autre, ce qui relève de la conscience et de l'expérience subjective, où rien n'indique qu'elle possède quoi que ce soit de comparable.

Dire qu’une IA calcule et mémorise est exact, mais prétendre qu’elle « ne fait que calculer et mémoriser » est plus discutable. Cette formule décrit certains mécanismes, sans rendre compte de toutes les capacités qui peuvent apparaître lorsque ces mécanismes sont organisés en réseaux complexes et ajustés par l’apprentissage. Les architectures d’IA générative peuvent ainsi manifester des capacités émergentes. Cela ne signifie toutefois pas qu’elles possèdent une conscience ou une intelligence humaine : elles peuvent se tromper avec un aplomb trompeur, manquer de bon sens dans certaines situations, reproduire les biais présents dans leurs données ou échouer lorsque le problème sort du cadre dans lequel elles ont appris.
L’IA n’est donc ni un simple perroquet numérique, ni un cerveau humain artificiel, mais une forme différente de traitement de l’information, avec ses forces et ses fragilités. Cette prudence vaut particulièrement dans les domaines sensibles, où son efficacité ne supprime ni le jugement ni la responsabilité humaine : elle peut assister le médecin ou le chercheur, mais ses résultats doivent rester vérifiables.
Cette distinction nous conduit à une question plus fondamentale. Depuis des siècles, nous avons réservé certaines activités à l’être humain : écrire, composer, dessiner, raisonner, argumenter, traduire, programmer. Aujourd’hui, des machines réalisent une partie de ces tâches, sans nécessairement les accomplir de la même manière que nous.
Mais pourquoi l'intelligence artificielle devrait-elle nécessairement fonctionner comme la nôtre ? Prenons l'exemple de deux systèmes qui atteignent le même résultat par des voies radicalement différentes : un GPS et un oiseau migrateur parviennent tous deux à s'orienter sur des milliers de kilomètres, le premier par triangulation satellite, le second en percevant le champ magnétique terrestre. Cela montre qu'il est possible d'atteindre un même objectif par des intelligences différentes.
En outre, l’IA soulève encore aujourd’hui quelques risques : désinformation et deepfakes plus difficiles à distinguer du réel, escroqueries et attaques informatiques plus faciles, biais discriminatoires reproduits à grande échelle, atteintes à la vie privée liées à la collecte massive de données, bouleversement de certains métiers, dépendance et affaiblissement des capacités humaines, perte de contrôle sur les IA très avancées, et concentration du pouvoir technologique entre quelques acteurs capables de développer ces modèles. Ces risques ne condamnent pas l'outil, mais ils rappellent qu'aucune innovation de cette ampleur ne peut se passer d'un cadre éthique et réglementaire.

Repenser la machine… et peut-être nous-mêmes

L’IA est bien une machine. Elle fonctionne grâce à des algorithmes, des données et du calcul. Mais cette description ne suffit peut-être plus à rendre compte de l’ensemble de ses capacités.
Il ne s’agit pas de prétendre que la machine est devenue humaine, ni qu’elle possède une conscience — nous n’en avons aucune preuve. Il s’agit d’admettre un constat plus modeste : lorsque des systèmes artificiels apprennent à reconnaître des régularités, à généraliser, à combiner des informations et à produire des résultats nouveaux, nous sommes confrontés à quelque chose de plus complexe que la simple restitution d’une mémoire.

La conférence à laquelle j’ai assisté avait donc le mérite de poser une question fondamentale, même si je ne partage pas entièrement la réponse qui y était apportée. L’IA ne nous oblige peut-être pas encore à accepter l’idée d’une machine qui pense comme un humain. Elle nous oblige déjà, en revanche, à poser une question plus dérangeante : si une machine peut accomplir certaines tâches que nous pensions réservées à l’intelligence humaine, savons-nous encore exactement ce que nous entendons par « intelligence » ?