Aller au contenu
Intelligence artificielle Guide

Les types d’intelligence artificielle : le guide pour s’y retrouver

IA spécialisée ou générale, apprentissage automatique ou profond, prédictive, générative ou agentique : un guide clair pour comprendre les familles d'IA et reconnaître celle dont votre entreprise a besoin.

Cartes dessinées illustrant différents types d'intelligence artificielle

La réponse courte

On classe l’intelligence artificielle selon trois angles. Par niveau de capacité : toutes les IA existantes sont des IA spécialisées, l’IA générale reste un objectif de recherche. Par méthode : l’IA à base de règles, l’apprentissage automatique et l’apprentissage profond, dont font partie les grands modèles de langage. Par usage : prédire, classer, comprendre le langage, voir, générer, agir. Pour une entreprise, c’est ce troisième angle qui sert à décider.

« L’IA » désigne aujourd’hui aussi bien le filtre antispam de votre messagerie que l’assistant qui rédige vos comptes rendus. Ce flou complique les décisions : on compare des outils qui n’ont rien à voir, on surestime certains et on passe à côté d’autres. Ce guide remet de l’ordre dans le vocabulaire, sans formule mathématique, avec un seul objectif : vous aider à reconnaître de quel type d’IA vous avez besoin.

C’est le point de départ de chaque accompagnement que nous menons pour intégrer l’IA en entreprise : avant de choisir un outil, nommer correctement le problème et la famille de solutions qui y répond.

Une architecture en couches

Les termes qu’on lit partout s’emboîtent comme des poupées russes. Comprendre cet emboîtement évite la moitié des confusions.

  • L’intelligence artificielle est le domaine le plus large : tout système informatique qui réalise une tâche qu’on associerait à de l’intelligence humaine. Le terme date de 1956 et d’un séminaire de recherche au Dartmouth College, aux États-Unis.
  • L’apprentissage automatique (machine learning) en est une branche : au lieu d’écrire les règles à la main, on laisse le système les déduire d’exemples.
  • L’apprentissage profond (deep learning) est une branche de l’apprentissage automatique qui utilise des réseaux de neurones à nombreuses couches. C’est lui qui a fait progresser la vision par ordinateur, la reconnaissance vocale puis le langage.
  • L’IA générative est une famille d’usages de l’apprentissage profond : des modèles qui produisent du texte, des images, du son ou du code. Les grands modèles de langage (ChatGPT, Claude, Gemini, Mistral) en sont l’exemple le plus connu.

Conséquence pratique : tout ce qui est génératif relève de l’apprentissage profond, mais beaucoup d’IA utiles en entreprise ne sont ni génératives ni même profondes. Un modèle de prévision des ventes bien construit sur vos données historiques peut rendre plus de services qu’un assistant conversationnel.

Classer par niveau de capacité

C’est la classification la plus citée dans les médias, et la plus mal comprise. Elle distingue trois niveaux.

L’IA spécialisée, la seule qui existe

On parle aussi d’IA faible ou étroite. Elle excelle dans un périmètre défini : reconnaître un défaut sur une pièce, traduire un texte, recommander un produit. Les grands modèles de langage sont plus polyvalents que les IA d’il y a dix ans, puisqu’ils rédigent, résument, traduisent et codent, mais ils restent des systèmes spécialisés : ils prédisent une suite plausible à partir de ce qu’ils ont appris, sans compréhension du monde comparable à la nôtre. D’où leurs erreurs énoncées avec aplomb.

L’IA générale, un objectif de recherche

L’IA générale désignerait un système capable d’apprendre et de raisonner dans n’importe quel domaine, au niveau d’un humain. Plusieurs laboratoires en font leur objectif affiché ; les chercheurs ne s’accordent ni sur une définition précise, ni sur une échéance, ni même sur la possibilité d’y parvenir avec les méthodes actuelles. Méfiez-vous de toute date annoncée avec certitude.

La superintelligence, une hypothèse

Une IA qui dépasserait l’humain dans tous les domaines relève aujourd’hui de la prospective et du débat éthique. C’est un sujet légitime de réflexion, pas un critère de choix pour un outil de gestion.

Toutes les IA que vous pouvez acheter aujourd’hui sont spécialisées. La vraie question est de savoir dans quoi.

Classer par méthode d’apprentissage

Le deuxième angle regarde comment le système apprend. Il intéresse moins le dirigeant que le prestataire, mais il explique pourquoi certains projets demandent des mois de préparation de données et d’autres quelques jours.

Les systèmes à base de règles

C’est l’IA « symbolique », dominante jusqu’aux années 1980 : des experts écrivent les règles (si telle condition, alors telle décision). Ces systèmes sont prévisibles et explicables, mais rigides. On les retrouve encore dans beaucoup d’automatisations métier, souvent sans qu’on les appelle IA.

L’apprentissage supervisé

On fournit au système des exemples déjà étiquetés : ces e-mails sont des réclamations, ceux-là des demandes de devis. Il apprend à reproduire le classement. C’est la méthode derrière la plupart des outils de tri, de scoring et de prévision. Sa limite : il faut des exemples en quantité et de qualité, et quelqu’un pour les étiqueter.

L’apprentissage non supervisé

Ici, pas d’étiquettes : le système cherche lui-même des regroupements ou des anomalies. On s’en sert pour segmenter une base clients, repérer une transaction inhabituelle ou détecter une dérive sur une machine.

L’apprentissage par renforcement

Le système agit, reçoit une récompense ou une pénalité, et ajuste sa stratégie. C’est ainsi qu’ont été entraînées les IA championnes de jeux de stratégie. Une variante, l’apprentissage par renforcement à partir de retours humains, sert aussi à affiner le comportement des assistants conversationnels.

Les grands modèles pré-entraînés

Les grands modèles de langage reposent sur l’architecture Transformer, décrite en 2017 par des chercheurs de Google dans l’article « Attention Is All You Need ». Ils sont pré-entraînés une fois, à grand coût, sur d’immenses volumes de textes, puis réutilisés par tout le monde. C’est ce qui a tout changé pour les PME : plus besoin de constituer ses propres données pour bénéficier d’une IA du langage. Il suffit de lui donner le bon contexte au moment de l’utiliser.

Quelle IA pour votre entreprise ?

Usages en place, données disponibles, obligations de l’AI Act : notre diagnostic de maturité vous situe en quelques minutes.

Classer par usage : la grille utile en entreprise

C’est la classification que nous utilisons avec nos clients, parce qu’elle part du besoin et non de la technologie. Six grandes familles couvrent l’essentiel des cas.

FamilleCe qu’elle faitExemples en PME
PrédictiveAnticipe une valeur à partir de l’historiquePrévision des ventes, besoins en stock, risque d’impayé
ClassificationRange, trie, détecteTri des e-mails entrants, détection de fraude, contrôle qualité
LangageComprend et transforme du texteRésumé de documents, extraction de données d’une facture, traduction
VisionAnalyse images et vidéosLecture de bons de livraison, inspection de pièces, inventaire photo
GénérativeProduit du contenuBrouillons de réponses, fiches produits, visuels, code
AgentiqueEnchaîne des actions avec des outilsQualifier une demande, créer la fiche dans le CRM, proposer un rendez-vous

Les agents, la famille qui monte

Un agent est un modèle de langage auquel on donne accès à des outils (votre messagerie, un tableur, un CRM, un site) et une marge d’autonomie pour enchaîner plusieurs étapes. C’est la famille qui progresse le plus vite, et celle qui demande le plus de cadrage : quels droits lui donner, quelles actions exigent une validation humaine, que se passe-t-il en cas d’erreur. Bien conçu, un agent fait gagner des heures sur des tâches répétitives ; mal cadré, il les reproduit à grande vitesse.

L’IA branchée sur vos documents

Une variante très demandée combine la famille langage et vos propres contenus : l’assistant va chercher les passages pertinents dans vos procédures, vos contrats ou votre base de connaissances, puis rédige sa réponse à partir de ces extraits. On parle de génération augmentée par la recherche, ou RAG. C’est souvent la manière la plus sûre d’obtenir des réponses ancrées dans votre réalité, à condition que les documents soient à jour et que les droits d’accès soient respectés.

Un même besoin, plusieurs familles possibles

Prenons un cas fréquent : une entreprise de services reçoit chaque jour des dizaines de demandes par e-mail et par formulaire, et quelqu’un passe une partie de sa matinée à les lire, les trier et les transmettre. Plusieurs familles peuvent répondre. Une règle simple (mots-clés, formulaire mieux structuré) règle parfois l’essentiel sans IA. Un modèle de classification trie les messages par type. Un modèle de langage résume chaque demande et en extrait les informations utiles. Un agent va plus loin : il crée la fiche dans le CRM et propose une réponse que la personne valide.

Ces options n’ont ni le même coût, ni le même délai, ni le même niveau de risque. La bonne n’est pas forcément la plus avancée : c’est celle qui règle le problème avec le moins de complexité à maintenir. Dans bien des cas, nous commençons par la plus simple et nous montons d’un cran seulement si le gain le justifie.

Ce que l’IA générative ne fait pas bien

Parce qu’elle impressionne, l’IA générative est souvent sollicitée pour des tâches qui ne lui conviennent pas. Elle calcule mal de tête, sauf si on lui donne un outil de calcul. Elle ne connaît pas vos données internes tant que vous ne les lui fournissez pas. Elle peut inventer une référence, un article de loi ou un chiffre avec un aplomb total. Et ses réponses varient d’une fois sur l’autre, ce qui pose problème pour une décision qui doit être reproductible. Pour une prévision chiffrée ou un contrôle systématique, une IA prédictive ou une règle explicite reste plus fiable.

Les piliers techniques qui font tenir l’ensemble

Quel que soit le type d’IA, quatre éléments déterminent sa qualité. Les connaître aide à poser les bonnes questions à un fournisseur.

  • Les données : leur volume compte moins que leur qualité, leur représentativité et le droit de les utiliser. Une IA entraînée ou alimentée avec des données biaisées reproduit le biais.
  • Le modèle : l’architecture choisie selon le problème (réseaux convolutifs pour l’image, Transformers pour le langage, modèles plus simples pour les prévisions).
  • La puissance de calcul : entraîner un grand modèle coûte très cher en processeurs graphiques et en énergie ; l’utiliser coûte beaucoup moins, ce qui explique les offres à l’usage.
  • L’évaluation : mesurer le taux d’erreur sur vos cas réels, pas sur une démonstration. C’est l’étape la plus souvent oubliée.

Ce que l’AI Act change à cette classification

Le règlement européen sur l’IA ajoute une grille de plus, fondée sur le risque, et c’est elle qui fixe vos obligations. Certaines pratiques sont interdites, comme la notation sociale. Les systèmes à haut risque (recrutement, crédit, éducation, infrastructures critiques) sont soumis à des exigences lourdes ; depuis la révision adoptée à l’été 2026, l’échéance pour ceux de l’annexe III est fixée au 2 décembre 2027. Les obligations de transparence, elles, s’appliquent depuis le 2 août 2026 : un utilisateur doit savoir qu’il échange avec une IA, et certains contenus générés doivent être signalés.

Pour la plupart des PME, l’usage d’assistants pour rédiger, résumer ou analyser relève du risque limité. Mais un même outil peut changer de catégorie selon l’usage : un modèle de langage qui trie des candidatures entre dans le haut risque. D’où l’intérêt de raisonner par usage, comme dans la grille précédente.

Comment s’en servir pour décider

Concrètement, voici l’ordre que nous suivons avec un dirigeant :

  • partir des tâches qui coûtent du temps ou génèrent des erreurs, pas des outils à la mode ;
  • rattacher chaque tâche à une famille d’usage : prédire, trier, comprendre, voir, générer, agir ;
  • vérifier les données disponibles et le niveau de risque au sens de l’AI Act ;
  • tester sur un périmètre réduit, mesurer, puis étendre ou abandonner.

Cette démarche évite deux écueils fréquents : acheter un outil génératif pour un problème de prévision, ou lancer un projet de données de plusieurs mois là où un assistant bien configuré suffisait. Si vous voulez la mener avec un regard extérieur, c’est l’objet de notre audit et stratégie IA.

Adrien Jeanson
Fondateur et gérant

Passionné par le numérique depuis toujours, j'ai créé TEVENNEC DIGITAL en 2015 en partant d'une volonté : adapter le web aux organisations. Ce leit motiv est toujours actuel, et je recherche sans cesse à améliorer nos processus métier, afin d'apporter le meilleur du digital à mes clients en continu. Si nous ne proposions que des sites vitrines et du SEO au début, avec Jeanne, nous proposons désormais un panel d'expertise complet, afin d'accompagner petites et grandes entreprises dans leurs défis numériques.

L’IA dans votre entreprise, par où commencer ?

En deux minutes, le diagnostic de maturité situe vos usages, vos données et vos obligations liées à l’AI Act. Nous en parlons ensuite avec vous, sans engagement.