L'IA, ce n'est pas juste écrire des prompts
Le mot a rétréci, pas le domaine

Quelqu'un me dit « l'IA », et neuf fois sur dix il pense à une fenêtre de chat. Taper une instruction, recevoir du texte ou une image. C'est devenu le sens par défaut du mot, porté par le succès grand public des LLM depuis fin 2022 avec l'explosion de ChatGPT. Le problème, c'est que ce sens par défaut est faux, ou plutôt : très partiel. Il confond un domaine de recherche vieux de soixante-dix ans avec sa dernière vitrine commerciale.

J'ai relu récemment, pour mon livre EPOCH, la proposition originale qui a donné son nom au domaine : A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, rédigée en août 1955 par McCarthy, Minsky, Rochester et Shannon. Ce texte fonde l'expression « intelligence artificielle » elle-même. Et il ne parle pas de prompts, évidemment, mais il ne parle pas non plus d'un seul type de machine ou d'une seule technique. Il liste sept directions de recherche : les capacités des ordinateurs, la programmation du langage, les réseaux de neurones, une théorie de la complexité des calculs, l'auto-amélioration, les abstractions, et le rôle du hasard dans la créativité.

Sept axes, dès le premier document fondateur. Ce n'est pas un détail d'archive, c'est la meilleure preuve que le domaine n'a jamais été unidimensionnel. Le détail complet de cette conférence, ses financements, ses participants et ses suites, je l'ai raconté dans la section correspondante d'EPOCH, je n'y reviens pas ici.

Ce que le mot recouvre réellement

Reprenons, sans jargon inutile. L'IA symbolique (les systèmes à règles, les moteurs d'inférence, les systèmes experts des années 1970-80) encode explicitement un raisonnement. Le machine learning apprend des motifs à partir de données, sans qu'on lui dicte les règles, avec ses trois grandes familles : supervisé, non supervisé, par renforcement. Le deep learning est un sous-ensemble du ML, basé sur les réseaux de neurones profonds, à l'origine des progrès en vision et en traitement du langage depuis les années 2010. L'IA générative est un sous-ensemble du deep learning, apparue avec les GAN en 2014 puis les Transformers en 2017 : elle ne classe plus, elle produit du contenu.

À côté, des branches entières restent invisibles du grand public parce qu'elles ne produisent jamais de texte à lire : les systèmes multi-agents, les algorithmes évolutionnaires, la logique floue, la planification automatique qui pilote des robots industriels depuis des décennies. Rien de tout ça ne ressemble à un chatbot. Tout ça est de l'IA au sens plein du terme, et c'était déjà dans le périmètre envisagé à Dartmouth, avant même que l'informatique ait les moyens techniques de le réaliser.

Pourquoi ça compte, vu d'un architecte

Ce n'est pas qu'une question de vocabulaire précis. En architecture d'entreprise, le choix d'une brique IA dépend de la nature du problème (déterministe ou probabiliste, besoin d'explicabilité, volume et qualité des données disponibles) pas de la technologie à la mode. Un moteur de règles reste souvent le bon choix pour une décision réglementaire qu'il faut pouvoir justifier ligne par ligne. Un modèle de classification classique suffit largement pour détecter une fraude. Un LLM est parfois la pire option : coûteux, difficile à auditer, probabiliste par nature là où on a besoin de déterminisme.

Réduire l'IA au prompt, c'est se priver de tout l'arsenal. Et surtout, c'est oublier que le domaine a été pensé, dès son texte fondateur, comme un ensemble de questions ouvertes sur l'apprentissage, le langage, l'abstraction et la créativité, pas comme une seule technique promise à tout résoudre.