Module 3 — IA spécialisée, IA générale : ce que dit la recherche
Aucun sujet du domaine ne génère autant de confusion publique que celui-ci. D'un côté, des annonces d'« intelligence générale imminente » ; de l'autre, des systèmes qui échouent sur des tâches qu'un enfant réussit. Ce module donne les repères pour tenir une position informée.
Toute l'IA en production est étroite
Un système d'IA déployé aujourd'hui excelle dans le périmètre exact pour lequel il a été construit, et nulle part ailleurs. Le modèle qui bat les champions de go ne sait pas jouer aux dames sans réentraînement. Le détecteur de fraude bancaire ne détecte pas la fraude à l'assurance. Le modèle de vision entraîné sur des radiographies pulmonaires ne lit pas les mammographies.
Cette étroitesse n'est pas un défaut de jeunesse qui se corrigera tout seul : elle découle du principe même de l'apprentissage statistique. Un modèle capture les régularités de ses données d'entraînement. Sa compétence est bornée par la distribution de ces données. Sorti de cette distribution, il ne « raisonne » pas pour compenser — il extrapole, souvent mal, et toujours avec la même assurance apparente.
Chez un humain, l'excellence dans un domaine s'accompagne de capacités générales : un radiologue sait aussi lire un formulaire, expliquer son raisonnement, reconnaître qu'un cas dépasse sa compétence. Un modèle n'a aucune de ces capacités annexes, et c'est l'erreur d'intuition la plus fréquente chez les décideurs : supposer qu'un système fort sur une tâche est « globalement intelligent ». Il ne l'est pas.
Ce que les grands modèles de langage changent — et ne changent pas
Les grands modèles de langage (LLM) brouillent la frontière en apparence : le même modèle traduit, résume, écrit du code, répond à des questions de droit et de cuisine. N'est-ce pas de la généralité ?
Ce qui a réellement changé. Une seule et même tâche d'entraînement — prédire la suite d'un texte — sur une part significative de tout le texte existant, produit un système utilisable sur une très large gamme de tâches exprimables en texte. C'est une généralité d'interface inédite, et elle a une vraie valeur économique : là où il fallait dix modèles spécialisés, un seul modèle de fondation peut souvent servir de base commune.
Ce qui n'a pas changé. Cette polyvalence reste bornée par la distribution des données de texte. Les LLM restent faibles là où le texte d'entraînement ne suffit pas : arithmétique fiable, planification longue, cohérence factuelle stricte, environnements physiques, situations réellement inédites. Et ils héritent d'une propriété gênante : ils produisent une réponse fluide même quand ils n'ont aucune base pour répondre — le phénomène des hallucinations, traité en détail dans le cours consacré aux LLM.
La formulation honnête : les LLM sont des systèmes étroits sur une tâche très large (la modélisation du texte), pas des intelligences générales. La nuance paraît académique ; en pratique, elle sépare les cas d'usage solides des projets voués à la déception.
L'AGI : de quoi parle-t-on exactement ?
L'« intelligence artificielle générale » (AGI) désigne un système hypothétique aux capacités cognitives comparables à celles d'un humain sur l'ensemble des domaines : apprendre une tâche nouvelle avec peu d'exemples, transférer un savoir d'un domaine à l'autre, raisonner sur le monde physique et social, savoir ce qu'il ne sait pas.
Trois points de repère pour lire les débats.
Il n'existe pas de définition opératoire consensuelle. Sans critère mesurable partagé, les annonces « l'AGI arrive en 20XX » ne sont ni vérifiables ni réfutables. Les chercheurs sérieux proposent des batteries de tests ; aucune ne fait autorité.
Les prédictions d'experts divergent radicalement — de « dans dix ans » à « pas au XXIe siècle » — et l'histoire du domaine montre que ces prédictions ont toujours été peu fiables, dans les deux sens : les échéances optimistes de 1965 comme le scepticisme sur le jeu de go, tombé dix ans plus tôt que prévu.
Les questions importantes n'attendent pas l'AGI. Biais, sécurité, concentration de pouvoir, déplacement d'emplois, désinformation : tous ces enjeux sont posés par les systèmes étroits actuels. Le débat sur l'AGI, réel en recherche, sert parfois d'écran de fumée qui détourne l'attention des problèmes déjà là. Le module 10 y reviendra.
La grille de lecture pour vos projets
Cette distinction n'est pas théorique : elle fournit un critère de faisabilité immédiat.
Les demandes qui supposent de la généralité — « un assistant qui gère tout le service client », « un système qui comprend l'entreprise » — doivent être redécoupées en tâches étroites : classer les demandes entrantes, suggérer des réponses sur les dix motifs les plus fréquents, extraire les champs des formulaires. Chaque tâche étroite est faisable, mesurable, et améliorable. Le périmètre ouvert, lui, produit des démonstrations séduisantes et des déploiements décevants.
Ce qu'il faut retenir
- Toute l'IA en production est étroite : la compétence est bornée par la distribution des données d'entraînement et ne se transfère pas.
- Les LLM apportent une généralité d'interface (tout ce qui s'exprime en texte), pas une intelligence générale ; leurs faiblesses structurelles demeurent.
- L'AGI n'a pas de définition opératoire consensuelle ; les enjeux de société sont posés par les systèmes actuels, sans attendre.
- Réflexe projet : redécouper toute demande « générale » en tâches étroites, délimitées et mesurables.
Au module suivant, on ouvre le capot : comment, concrètement, une machine apprend — entraînement, fonction de perte et descente de gradient, sans prérequis mathématique.