Intelligence artificielle : elle n'est pas née d'hier
Des programmes qui appliquent des règles aux agents qui utilisent des outils : quatre transformations pour comprendre l'IA en 2026.
Un dossier à trier, des documents à retrouver, un compte rendu à préparer : en janvier 2026, Anthropic présente Cowork, un assistant capable, dans un cadre défini et avec les autorisations nécessaires, de travailler sur des fichiers de l'ordinateur. Il ne se contente plus de donner des conseils : il peut effectuer une partie du travail. Derrière cet usage presque ordinaire se cachent pourtant des décennies de tentatives, d'impasses et de découvertes.
Comment est-on passé de programmes auxquels on dictait des règles à des systèmes qui apprennent, produisent des contenus et utilisent des outils ? Quatre transformations permettent de comprendre ce parcours. Elles se chevauchent souvent et aucune n'efface complètement les précédentes.
1. Faire raisonner la machine : l'intelligence écrite en règles
En 1956, des chercheurs réunis à Dartmouth, aux États-Unis, donnent un nom à une ambition déjà ancienne : l'« intelligence artificielle ». Une piste consiste alors à traduire le raisonnement en instructions explicites : si telle condition est remplie, alors envisager telle conclusion.
Dans les années 1970, MYCIN illustre cette approche. À partir d'informations sur certaines infections, ce programme médical mobilise des règles élaborées avec des spécialistes pour proposer des diagnostics et des traitements. Il ne remplace pas le jugement général d'un médecin : ses connaissances sont limitées à un domaine précis.
Ces systèmes dits symboliques présentent un avantage : on peut examiner les règles qu'ils appliquent. Mais qui les écrit toutes ? Comment prévoir les exceptions ? Face à ces difficultés, et aux limites des ordinateurs de l'époque, plusieurs vagues d'enthousiasme retombent. On parlera d'« hivers de l'IA ».
2. Battre un champion : calculer ne suffit plus
1997 : Deep Blue bat Garry Kasparov aux échecs. Le superordinateur d'IBM explore et évalue une quantité considérable de positions grâce à sa puissance de calcul et à des méthodes conçues avec des spécialistes. Il domine un champion dans un jeu précis ; cela ne lui donne pas pour autant une intelligence générale.
2016 : AlphaGo bat Lee Sedol au go. Le jeu offre tellement de possibilités que la seule exploration massive ne suffit pas. Développé par DeepMind, AlphaGo combine recherche de coups prometteurs et réseaux neuronaux entraînés, notamment par des parties jouées contre lui-même. En 2017–2018, AlphaZero pousse cette démarche plus loin : il apprend à jouer aux échecs, au go et au shogi à partir des règles, par l'expérience de ses propres parties.
Ces duels ont marqué les esprits, mais la vraie nouveauté n'est pas seulement dans la victoire, on peut désormais obtenir une compétence remarquable sans programmer à l'avance chaque bonne décision. Les jeux constituent toutefois des univers fermés, avec des règles connues et un résultat mesurable. Le monde réel n'offre pas toujours ces facilités.
3. Apprendre à grande échelle : données, calcul et nouvelles méthodes
Un autre bouleversement se prépare dès les années 1990 et prend de l'ampleur dans les années 2000 : l'essor du Web. Pages, images et documents constituent des quantités immenses de données numériques. À partir de 2008, l'initiative Common Crawl commence notamment à constituer de vastes archives du Web, qui seront ensuite exploitées pour entraîner des modèles de langage.
Ces données ne suffisent pas, à elles seules, à créer une IA performante. Il faut aussi des algorithmes capables d'en extraire des régularités et une puissance de calcul adaptée, notamment grâce aux processeurs graphiques. La convergence de ces trois facteurs — données, méthodes, calcul — contribue à accélérer le deep learning (apprentissage profond) dans les années 2010.
En 2012, le réseau AlexNet obtient un résultat marquant en reconnaissance d'images. En 2015, une équipe de Microsoft annonce même une erreur de 4,94 % sur une épreuve standardisée de classification ImageNet, contre 5,1 % pour une référence humaine estimée. Une machine fait mieux sur ce test précis mais elle n'acquiert pas pour autant une perception visuelle supérieure à celle d'une personne dans toutes les situations.
Le progrès dépasse les images. En 2020, AlphaFold 2, de DeepMind, réalise une percée dans la prédiction de la forme tridimensionnelle des protéines, domaine important pour la recherche biologique. Ici, il ne s'agit pas de battre un humain dans un concours, mais d'aider les chercheurs à résoudre des problèmes complexes.
En 2017, l'architecture neuronale Transformer, fondée notamment sur un mécanisme dit d'auto-attention, ouvre une étape supplémentaire : elle permet aux modèles IA de mieux prendre en compte les relations entre les différents éléments d'un texte. Les grands modèles de langage, entraînés sur des corpus très étendus, bénéficient de cette approche. Le lancement public de ChatGPT en 2022 rend leurs capacités accessibles à un large public : dialoguer, expliquer, résumer, rédiger, proposer du code. D'autres modèles travaillent aussi sur des images, des sons et plusieurs types de données : c'est la multimodalité.
Mais des données accessibles sur Internet ne sont pas nécessairement libres de droits ni exemptes d'informations personnelles. Et savoir produire une réponse convaincante ne garantit pas qu'elle soit vraie : l'aisance d'un modèle ne doit pas être confondue avec sa fiabilité.
4. De la réponse à l'action : les agents
Une nouvelle étape devient visible lorsque les systèmes ne se limitent plus à répondre, tels les chatbots (programmes conversationnels). Dotés d'outils et d'autorisations, des agents (programmes autonomes) peuvent chercher une information, ouvrir un fichier, modifier du code, consulter un résultat et tenter de poursuivre une tâche.
Cette évolution n'est pas l'œuvre d'un seul laboratoire. En 2024, Anthropic présente une capacité expérimentale permettant à Claude d'utiliser un ordinateur depuis son interface bureau ; la même année, l'entreprise propose le protocole ouvert MCP pour relier les assistants à des outils et à des données. En 2025, Claude Code illustre le travail agentique sur un projet logiciel. Puis viennent notamment Cowork, chez Anthropic, en janvier 2026, et l'application Codex, chez OpenAI, en février. Ces produits ne sont ni les premiers agents ni des systèmes capables de tout faire seuls : ils montrent surtout une diffusion de ces usages.
Prenons un dossier de documents à classer. Un chatbot peut expliquer une méthode ; un agent disposant des outils adéquats peut examiner les fichiers, suggérer des catégories et, si on l'y autorise, appliquer des changements. Cette capacité entraîne une nouvelle responsabilité : une erreur ne reste plus nécessairement dans le texte d'une réponse, elle peut devenir une action sur le monde numérique.
Une histoire de capacités… et de limites
Des règles algorithmiques aux réseaux neuronaux, des FAQ conversationnelles aux outils agentiques, le progrès ne suit pas une ligne droite. Les approches anciennes coexistent avec les nouvelles ; les performances observées sur un test ou une tâche ne se généralisent pas automatiquement à toutes les autres.
Les échecs et le go nous avaient appris qu'une machine pouvait surpasser les meilleurs joueurs. La reconnaissance d'images et la biologie ont montré que l'IA pouvait aussi contribuer à des activités moins spectaculaires, mais parfois plus utiles. En 2026, la question ne se limite plus à ce qu'un système sait ou peut accomplir : elle concerne aussi les conditions dans lesquelles nous pouvons nous fier à ses résultats et lui confier des actions sans en perdre la maîtrise.
C'est le point de départ des prochains articles.
Patrick Varlet
Assisté par ChatGPT (OpenAI)
Frise chronologique
Note de réalisation : la frise est une aide à la lecture, non une histoire exhaustive. Le jalon 2020 concerne AlphaFold 2, et celui de 2015 une épreuve particulière de reconnaissance d'images.
Sources et références
- Dartmouth College, « The Founding and Future of AI » : https://ai.dartmouth.edu/founding-and-future-ai
- Stanford / PubMed, J. G. Sotos, « MYCIN and NEOMYCIN » (1990) : https://pubmed.ncbi.nlm.nih.gov/2241738/
- IBM, « Deep Blue » : https://www.ibm.com/history/deep-blue
- Google DeepMind, « AlphaGo » : https://deepmind.google/research/alphago/
- Google DeepMind, « AlphaZero: Shedding new light on chess, shogi, and Go » (2018) : https://deepmind.google/blog/alphazero-shedding-new-light-on-chess-shogi-and-go/
- Common Crawl, « About » (historique du projet et collecte depuis 2008) : https://www.commoncrawl.org/about
- Krizhevsky, Sutskever et Hinton, « ImageNet Classification with Deep Convolutional Neural Networks » (2012) : https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks
- Microsoft Research, « Microsoft Researchers’ Algorithm Sets ImageNet Challenge Milestone » (10 février 2015) : https://www.microsoft.com/research/blog/microsoft-researchers-algorithm-sets-imagenet-challenge-milestone
- Google DeepMind, « AlphaFold » (chronologie de CASP14, 2020) : https://deepmind.google/science/alphafold/
- Vaswani et al., « Attention Is All You Need » (2017) : https://arxiv.org/abs/1706.03762
- OpenAI, « Introducing ChatGPT » (30 novembre 2022) : https://openai.com/index/chatgpt/
- Anthropic, « Introducing computer use » (22 octobre 2024) : https://www.anthropic.com/news/3-5-models-and-computer-use
- Anthropic, « Introducing the Model Context Protocol » (25 novembre 2024) : https://www.anthropic.com/news/model-context-protocol
- Anthropic, « Claude 3.7 Sonnet and Claude Code » (24 février 2025) : https://www.anthropic.com/news/claude-3-7-sonnet
- Anthropic, « Release notes » (12 janvier 2026, Cowork) : https://support.claude.com/en/articles/12138966-release-notes
- OpenAI, « Introducing the Codex app » (2 février 2026) : https://openai.com/index/introducing-the-codex-app/
Intégré le · Mis à jour le .