Cet article est né d’une tribune de Nicolas Rougier, chercheur à l’Inria, parue dans Sud Ouest le 29 août 2026 sous le titre « Vers un troisième hiver de l’intelligence artificielle ? » (lien vers la tribune). Le même chercheur a développé une version plus longue de son propos sur The Conversation (« L’histoire de l’IA, faite de cycles entre attentes démesurées et réelles avancées »).
Une naissance officielle, et déjà des promesses intenables
L’intelligence artificielle (IA) naît officiellement en 1956, lors d’une conférence à Dartmouth, aux États-Unis. Autour de la table : John McCarthy, Marvin Minsky, Claude Shannon (le père de la théorie de l’information) et quelques autres. Ils rêvent alors de machines capables d’égaler, voire de dépasser, l’intelligence humaine.
Le mythe fondateur ne commence pourtant pas en 1956, il le précède de vingt ans. Dès 1936, le mathématicien britannique Alan Turing avait posé les bases théoriques de toute l’informatique moderne avec la “machine de Turing”, un modèle abstrait de calcul, à une époque où aucun ordinateur n’existait encore. Puis, en 1950, dans un article resté célèbre, il pose directement la question : une machine peut-elle penser ? Plutôt que de trancher philosophiquement, il propose un test pratique, devenu le “test de Turing” : un humain dialogue à l’aveugle avec un interlocuteur, humain ou machine, et doit deviner lequel des deux il a en face de lui. Si l’humain ne peut pas les distinguer de façon fiable, la machine “réussit” le test. Turing lui-même prédisait qu’une machine y parviendrait d’ici l’an 2000. C’est le même type de prédiction optimiste et mal calibrée dans le temps que celles de Minsky ou Simon citées plus loin, formulée seize ans avant même la naissance officielle du terme “intelligence artificielle”. Turing en est donc à la fois le précurseur conceptuel et, malgré lui, le tout premier exemple du phénomène que cet article décrit.
Dès l’époque de Dartmouth, les prédictions vont elles aussi beaucoup trop vite. En 1965, Herbert Simon annonce que les machines feront tout travail que l’homme peut faire d’ici vingt ans. En 1970, Marvin Minsky va plus loin encore, il promet une machine à l’intelligence générale (une IA capable, comme un être humain, de comprendre et d’agir dans n’importe quel domaine, pas seulement une tâche précise) d’ici trois à huit ans. Cinquante-six ans plus tard, cette promesse n’est toujours pas tenue.
Le premier hiver, puis le second
Quand la réalité ne suit pas les annonces, les financements se tarissent et l’intérêt retombe. Les chercheurs parlent alors d’« hiver de l’IA », une expression apparue en 1984. Le secteur en a déjà connu deux, sévères :
- 1975–1980 : premier coup d’arrêt, après les promesses non tenues des années 1960–1970.
- 1990–2000 : deuxième hiver, après l’essoufflement des « systèmes experts » (des programmes qui imitaient le raisonnement humain à partir de règles écrites à la main, plutôt que d’apprendre par eux-mêmes).
Entre ces deux hivers, un ressort commun, un décalage entre le discours (souvent porté par les mêmes personnes qui cherchent des financements) et les limites techniques réelles du moment.
« Tant qu’on ne sait pas faire, c’est de l’IA »
Le roboticien Rodney Brooks a résumé ce phénomène dès 1987 par une formule devenue célèbre dans le milieu, ce qu’on ne sait pas encore faire relève de l’IA, mais dès qu’on sait le faire, cela devient simplement du calcul. Le calcul d’itinéraire (1956), les échecs sur ordinateur (1959), les premiers agents conversationnels (1966) ou la reconnaissance d’images (1973) sont passés par cette case, spectaculaires en leur temps, aujourd’hui banalisés au point qu’on ne les associe plus à l’IA.
C’est un mécanisme intéressant à observer pour qui suit le sujet de près, l’IA n’est jamais un acquis, seulement un horizon qui recule à mesure qu’on l’atteint.
La loi d’Amara : le vrai décalage n’est pas celui qu’on croit
C’est là qu’intervient un concept central pour comprendre ces cycles, la loi d’Amara. Elle porte le nom de Roy Amara (1925–2007), chercheur américain et président, de 1971 à 1990, de l’Institute for the Future, un centre de réflexion sur les technologies fondé à Menlo Park en Californie. Amara l’a formulée dans les années 1970–1980, en observant l’adoption des technologies numériques naissantes.
Sa loi tient en une phrase, nous avons tendance à surestimer l’effet d’une technologie à court terme, et à le sous-estimer à long terme.
Autrement dit, le problème n’est pas l’excès d’enthousiasme en soi, c’est son mauvais calibrage dans le temps. On attend une révolution immédiate, elle ne vient pas, on se détourne déçu, et c’est précisément à ce moment-là, une fois l’attention retombée, que la technologie produit ses effets les plus profonds et les plus durables. Internet, le GPS ou l’électricité ont suivi ce schéma. L’IA symbolique des années 1980 (celle des systèmes experts, contemporaine des débuts de la loi d’Amara) en est elle-même un exemple.
2012–2022 : la troisième vague, jusqu’au grand public
En 2012, Geoffrey Hinton (prix Turing et prix Nobel) démontre la supériorité des réseaux de neurones profonds¹ pour la reconnaissance d’images. La clé de sa réussite tient moins à une architecture révolutionnaire qu’à la puissance de calcul déployée. Google applique ensuite les mêmes principes à la traduction automatique, avec des résultats tout aussi spectaculaires.
Mais pour le grand public, la vraie bascule a lieu en 2022, quand OpenAI met ChatGPT en ligne et popularise les grands modèles de langage, rendus possibles par une innovation technique, les « transformers »², au prix de centres de données toujours plus gourmands.
C’est à partir de ce moment que les annonces les plus enthousiastes ressurgissent, cinquième révolution industrielle, fin du travail, machine plus intelligente que l’homme. Des formulations qui, historiquement, ont toujours précédé un refroidissement.
Ce qui change vraiment avec l’IA générative
Il faut s’arrêter un instant sur ce qui distingue cette troisième vague des précédentes. Jusqu’ici, l’IA restait largement l’affaire de chercheurs, d’ingénieurs ou de grandes entreprises, elle jouait aux échecs, traduisait des textes, reconnaissait des visages, mais elle ne produisait rien qu’un utilisateur ordinaire pouvait s’approprier directement. Les LLM (grands modèles de langage, pour Large Language Models : des programmes entraînés sur d’immenses quantités de textes pour prédire, mot après mot, la suite la plus probable d’une phrase) ont changé cette donne. Et ils ne sont que la porte d’entrée d’un ensemble plus large qu’on appelle l’IA générative, capable de produire du contenu, et pas seulement d’analyser ou de classer.
Concrètement, cette IA générative permet aujourd’hui à un très grand nombre de personnes de rédiger un texte, de composer une chanson, de générer une photo ou une vidéo, ou de produire un document de communication en quelques instructions écrites en langage courant, là où ces gestes exigeaient auparavant un apprentissage long ou le recours à un professionnel. C’est une bascule réelle, mais elle mérite d’être regardée sans naïveté sur deux points.
D’abord, l’accès facile ne veut pas dire compétence acquise : obtenir un résultat ne demande effectivement presque rien, mais obtenir un bon résultat, cohérent, exact, adapté à son public, suppose un savoir-faire qu’on sous-estime facilement, celui de bien formuler sa demande, de repérer une erreur ou une invention du modèle, une « hallucination »³, de corriger ce qui sonne creux ou approximatif. Ce savoir-faire ressemble beaucoup à celui qu’exerçaient déjà les métiers de la rédaction, de l’édition ou de la documentation, il ne disparaît pas, il se déplace.
Ensuite, produire n’est pas nécessairement créer. Un texte, une image ou une musique générés par ces modèles sont des recombinaisons statistiques de ce qui existe déjà dans leurs données d’entraînement, pas une création au sens où l’entendait jusqu’ici un auteur, un musicien ou un photographe. C’est précisément ce qui nourrit, depuis 2022, des débats vifs sur la valeur du travail créatif, la rémunération des artistes dont les œuvres ont servi à entraîner ces modèles, et la difficulté croissante à distinguer un contenu humain d’un contenu généré.
C’est cette double réalité, l’élargissement réel de l’accès à la production de contenu, et les limites tout aussi réelles de ce que cet accès garantit, qui explique l’ampleur inédite de l’engouement pour ChatGPT en 2022, pour la première fois, l’IA ne restait pas dans les laboratoires ou les entreprises, elle entrait directement dans le quotidien de chacun, avec les mêmes réflexes d’emballement décrits plus haut, et les mêmes risques de désillusion.
Un cas d’école sur cette « inefficacité » du grand public
Cette question du savoir-faire déplacé n’est pas théorique. Un cas d’école récent l’illustre bien, publié sur ce même site : « Gemini m’a menti avec plus d’aplomb que Claude ne m’a aidé ». J’y cherchais à retrouver une anecdote entendue à la radio sur des joueurs de rugby jouant au Loup-Garou. Claude, interrogé, multiplie les recherches, ne trouve rien de solide, et le dit honnêtement plutôt que d’inventer. Gemini, lui, répond immédiatement avec une anecdote complète, mise en forme, sourcée en apparence, citations à l’appui. Une vérification croisée montre que la moitié de cette réponse était fabriquée de toutes pièces, une citation authentique noyée dans un décor entièrement inventé, avec exactement la même crédibilité apparente que l’information réelle.
Ce cas résume bien une partie de ce que cet article essaie de décrire. D’un côté, l’accès démocratisé à des outils puissants ne garantit ni la véracité ni la fiabilité du résultat obtenu, sans compétence de vérification, une réponse fausse peut être publiée telle quelle. De l’autre, chaque question posée, chaque relance, chaque tentative, aboutie ou non, mobilise des serveurs et de l’énergie, y compris quand la réponse est inventée. Une technologie peut donc être à la fois massivement accessible, coûteuse en ressources, et pas toujours fiable, trois caractéristiques qui, mises bout à bout, nourrissent autant l’engouement que les inquiétudes évoquées plus haut.
Un troisième hiver en vue ?
C’est la question que pose Nicolas Rougier dans sa tribune. Les investissements restent colossaux, mais les retours économiques tardent, et des experts redoutent l’éclatement d’une bulle financière. Si la fascination du grand public commence à s’émousser, la logique historique voudrait qu’un ajustement, sinon un nouvel hiver, ne soit pas loin.
Mais la loi d’Amara invite à la prudence dans les deux sens, ce n’est pas parce qu’un emballement médiatique retombe que la technologie sous-jacente s’arrête de progresser. Les deux hivers précédents n’ont pas empêché l’IA de transformer, entre-temps et discrètement, des pans entiers de notre quotidien.
Reste, pour l’instant hors de portée selon la plupart des chercheurs du domaine, la vraie question de fond, celle d’une intelligence artificielle générale, équivalente à l’intelligence humaine. Le mythe fondateur, celui de Turing en 1950 comme celui de Dartmouth en 1956, reste un mythe.
Notes
¹ Un réseau de neurones artificiels s’inspire, de très loin, du fonctionnement des neurones biologiques : il est constitué de couches de petites unités de calcul connectées entre elles, qui apprennent à repérer des régularités dans des données (une forme, un mot, un son) en ajustant progressivement leurs connexions à partir de milliers, voire de millions d’exemples. On le dit “profond” quand il empile de nombreuses couches successives, chacune traitant une information de plus en plus abstraite à partir de la précédente : les premières couches détectent par exemple de simples contours dans une image, les suivantes des formes, les dernières des objets entiers. Cette profondeur, combinée à une puissance de calcul suffisante et à de grandes quantités de données, est ce qui a permis en 2012 des résultats jusque-là inatteignables.
² Les transformers sont une architecture de réseau de neurones introduite en 2017 par des chercheurs de Google, qui a changé la façon dont une machine traite le langage. Les approches précédentes lisaient un texte mot après mot, dans l’ordre, ce qui limitait leur capacité à saisir des liens entre des mots éloignés dans une phrase ou un paragraphe. Les transformers, eux, s’appuient sur un mécanisme dit d’ ”attention”, qui permet au modèle d’évaluer, pour chaque mot, l’importance de tous les autres mots du texte au même moment, plutôt que séquentiellement. Cette lecture simultanée rend possible une parallélisation massive des calculs sur des puces spécialisées (les mêmes que celles utilisées pour l’affichage graphique à l’origine), ce qui a permis d’entraîner des modèles sur des quantités de texte jusque-là inimaginables. C’est cette architecture, et elle seule, qui rend possibles les grands modèles de langage actuels, au prix d’une consommation électrique croissante liée aux centres de données nécessaires pour l’entraînement comme pour l’utilisation quotidienne de ces modèles.
³ Une “hallucination” désigne une réponse produite par un modèle de langage avec assurance et une cohérence apparente, mais qui est en réalité fausse ou inventée. Le terme est trompeur, il ne s’agit pas d’un dysfonctionnement ponctuel ou d’un bug identifiable, mais d’une conséquence directe du fonctionnement même de ces modèles : un LLM ne “sait” rien au sens humain du terme, il prédit statistiquement le mot le plus probable à la suite des précédents, à partir de ce qu’il a appris dans ses données d’entraînement. Quand l’information demandée existe et est bien représentée dans ces données, la prédiction est fiable. Quand elle n’existe pas, est rare, ou mal représentée, le modèle continue malgré tout à produire la suite la plus plausible sur le plan de la forme, sans disposer d’aucun mécanisme interne pour signaler qu’il invente plutôt qu’il ne restitue. D’où des réponses fausses qui ont exactement l’apparence, le ton et la structure d’une réponse vraie, comme l’illustre le cas d’école cité plus haut.
Élaboré en collaboration avec Claude (Anthropic), utilisé ici pour documenter la recherche, poser les questions de relance, orienter l’angle, vérifier les sources, et nommer explicitement cette participation.
Ne me croyez pas sur parole, ni l’IA. 🤔 Cette page peut se tromper.