L’intelligence artificielle générative est littéralement une intelligence artificielle capable de générer des contenus, qu’il s’agisse de texte, d’image, de vidéo, de son…
Mais il existe aussi une définition plus technique, qui permet d’envisager des cas d’usages avancés et innovants encore plus disruptifs que la création automatique de contenu.
Principe général de l’IA générative
L’implémentation de l’IA générative s’appuie sur des modèles d’apprentissage profond. Par exemple pour les contenus sous forme de texte, un LLM ou grand modèle de langage est entraîné à générer des textes corrects, c’est-à-dire des textes existants dans une base de données.
L’apparition de l’IA générative découle du croisement de plusieurs innovations technologiques dans le domaine de l’apprentissage automatique et profond (dont le français Yann LeCun est un pionnier), du traitement du langage naturel avec l’architecture Transformers, ou encore de la recherche pour créer des intelligences artificielles générales chez OpenAI.
La capacité de l’IA générative à tenir des discussions en imitant le style de rédaction des humains et en montrant une certaine capacité de compréhension explique sa démocratisation et son adoption rapide dans de nombreux métiers.
Pourtant, se focaliser sur la dimension “générative” de l’IAg est peut-être une erreur.
L’IA générative en tant que modèle de fondation pour de nouvelles innovations
Une autre définition possible est de considérer l’intelligence artificielle générative comme une IA multitâche, capable d’imiter d’autres types d’intelligence artificielle, notamment l’IA prédictive et les modèles de classification.
On ne sait pas encore exactement pourquoi les IA génératives développent de telles capacités. Le mode d’entraînement des modèles LLM les rend capables de générer du texte, mais le fait qu’ils apprennent par exemple aussi à trier des documents ou résoudre des problèmes mathématiques simples est plus surprenant. Anthropic développe une biologie des LLM pour mieux comprendre leur fonctionnement interne.
Le fait est qu’une IA générative suffisamment grande semble posséder un degré d’intelligence remarquable, suffisant pour envisager des utilisations concrètes en entreprise et à l’échelle industrielle.
De l’IA générative à l’IA agentique grâce aux capacités de prise de décision de l’IAg
La capacité de l’IA générative à classer le texte qui lui est fourni dans différentes catégories, avec des niveaux de précision spectaculaires, est peut-être une disruption encore plus majeure que sa capacité à générer du contenu. L’IA générative dépasse souvent les capacités des IA de classification existant jusqu’à présent.
Or, une tâche de classification que les humains réalisent quasiment en permanence dans leur quotidien est la prise de décision. Si l’on fournit à une intelligence artificielle générative plusieurs scénarios avec plusieurs choix possibles et que l’on lui demande de choisir la meilleure solution en un seul mot, on obtient un système de décision autonome.
Certes, l’IA générative ne raisonne que de façon abstraite, sur la base de texte et éventuellement d’images, mais sans pouvoir interagir avec le monde réel. Cependant cette limite n’est pas du tout insoluble, car il est possible et même facile de fournir des outils à un LLM pour le rendre capable de mener ses propres observations.
Le protocole MCP (pour les développeurs informatiques) permet par exemple à un LLM d’accéder en toute autonomie à des bases de données métiers et des fonctionnalités complexes, donnant ainsi de nouvelles connaissances et de nouvelles capacités à l’IA. Les gems de Gemini sont un autre exemple de cette possibilité de fournir des outils à une IA générative.
Intuitivement, les développeurs et développeuses informatiques se sont emparés de cette capacité de décision des IA génératives pour créer des systèmes qui commencent à se répandre dans l’industrie : les agents d’IA.
IA agentique : une discipline nouvelle croisant génie logiciel et IA générative
L’IA agentique se situe à la rencontre entre l’IA générative et le génie logiciel. Elle permet de concevoir des nouveaux systèmes informatiques réellement intelligents, car mobilisant l’IA générative pour prendre des décisions.
Un cas d’usage qui paraît simple mais très difficile à résoudre sans IA générative est le tri automatique des emails. Chaque personne ou chaque organisation aura ses propres contraintes et peut souhaiter aller plus loin que la simple détection de spam.
Un système agentique fondé sur l’IA générative sera capable de tenir compte de règles complexes pour différencier par exemple les mails provenant de clients, de prospects, de collègues, les mails utiles à la veille économique ou encore les mails de démarchage. Mieux, un système agentique pourra agir différemment selon le type de mail identifié.
C’est pourquoi on parle aussi dans la littérature scientifique de modèle de fondation pour désigner les IA génératives.
Les modèles d’IA générative ne traitent d’ailleurs pas que du texte. Ils peuvent par exemple apprendre à réaliser des prédictions de vente pour n’importe quel site e-commerce, comme l’a démontré le modèle Moirai de Salesforce, récemment paru en v2.0. Plus généralement, les créateurs d’IA s’efforcent de créer des modèles multimodaux qui peuvent comprendre à la fois le texte, les images, les schémas, les données structurées, etc. dans un même prompt.
Pour une définition vraiment disruptive de l’IA générative
L’intelligence artificielle générative, au-delà justement de sa dimension générative, peut aussi être définie comme une brique de base pour la prise de décision automatique.
Si la génération automatique de contenu engendre des changements majeurs dans notre quotidien, c’est l’utilisation des IA génératives en tant que fondement de l’IA agentique qui semble offrir le plus grand potentiel de disruption dans les années à venir.
