La nature de la question métier fournit une première orientation vers les approches à examiner.
Les termes intelligence artificielle, machine learning, deep learning, IA générative et grands modèles de langage sont souvent employés comme s’ils désignaient des technologies interchangeables, alors qu’ils recouvrent des réalités distinctes.
Cette distinction dépasse le vocabulaire technique : elle permet d’éviter plusieurs erreurs fréquentes, comme utiliser un modèle complexe lorsqu’une règle suffit, demander à un LLM (Large Language Model) de résoudre un problème de prévision, ou confondre sophistication technologique et création de valeur.
Pour un dirigeant, l’objectif consiste moins à connaître le fonctionnement détaillé de chaque algorithme qu’à comprendre quelle famille de méthodes correspond à quel type de problème, quelles données elle nécessite et quelles limites doivent être intégrées dans la décision.
La question de départ reste la même
Quelles décisions cherchons-nous à éclairer, et quelles incertitudes nous empêchent aujourd'hui de les prendre correctement ?
I- Ce qui ressemble à de l'IA n'en est pas toujours
Avant de distinguer les familles d'intelligence artificielle, un dirigeant gagne à reconnaître ce qui n'en relève pas.
Une part significative de ce que le marché présente sous cette étiquette repose en réalité sur des mécanismes plus anciens, parfaitement éprouvés, et qui n'ont besoin d'aucun modèle pour fonctionner.
La logique métier codée en est le premier exemple.
- Une commande peut être bloquée automatiquement si elle dépasse la limite de crédit du client, utilise un prix différent du contrat en vigueur ou concerne une référence qui n'est pas homologuée pour ce client.
- Un moteur de conformité peut vérifier qu'un dossier respecte une série de critères réglementaires, appliquer les mêmes règles à tous les dossiers et retracer précisément la raison de chaque décision.
Ces contrôles reposent sur des règles connues à l'avance, écrites par des experts et configurées dans les systèmes de gestion.
Aucun apprentissage, aucun modèle, aucune intelligence artificielle.
L'optimisation mathématique constitue le deuxième cas, plus subtil.
Une entreprise de logistique qui organise ses tournées peut chercher à minimiser les kilomètres parcourus ou le coût total, tout en respectant la capacité des véhicules, les créneaux de livraison, la disponibilité des chauffeurs et les temps de conduite. Le système explore un très grand nombre de combinaisons possibles et retient celle qui répond le mieux à l'objectif sous les contraintes définies. Cette discipline, la recherche opérationnelle, est parfois rangée dans l'intelligence artificielle par héritage historique, parce qu'elle résout par l'exploration des problèmes qui exigeraient autrement une expertise humaine considérable.
Sa valeur ne dépend cependant d'aucun apprentissage: le système ne prédit rien, il calcule la meilleure réponse à un problème entièrement formulé.
Un cas d'allocation industrielle montre la puissance de cette approche. Une entreprise dispose, pendant une semaine donnée, de 70% seulement de la capacité nécessaire pour servir toutes les commandes confirmées. Elle doit arbitrer entre plusieurs clients, plusieurs sites de production et différents modes de transport, en tenant compte de la marge contributive, des engagements contractuels, de la criticité du produit pour le client, du coût logistique, de la possibilité de produire depuis un autre site et du risque commercial associé à un retard. Une méthode d'optimisation peut rechercher l'allocation qui maximise l'objectif retenu sous l'ensemble de ces contraintes, sans qu'aucune donnée historique n'ait servi à l'entraîner.
C'est lorsque certaines données du problème deviennent incertaines que le machine learning entre en scène.
La demande attendue la semaine suivante ou le risque de retard d'un fournisseur ne sont pas connus, mais peuvent être estimés à partir de l'historique, puis injectés comme données d'entrée dans le problème d'allocation.
Une même décision mobilise alors trois natures de solution: la logique métier verrouille les contraintes contractuelles, l'optimisation calcule l'arbitrage, et le machine learning réduit l'incertitude sur les entrées. Seule la troisième relève de l'intelligence artificielle au sens où le marché l'entend aujourd'hui.
Cette distinction a une conséquence directe sur l'investissement.
Lorsque les règles sont connues, stables et suffisantes, un système déterministe reste plus simple à expliquer, à maintenir et à contrôler. Lorsque l'objectif et les contraintes peuvent être explicitement formulés, une méthode d'optimisation mérite d'être examinée avant tout modèle prédictif.
Le machine learning se justifie lorsqu'une incertitude réelle doit être réduite à partir de données, et c'est précisément l'objet de la section suivante.
II- Les grandes familles de l'IA
L'intelligence artificielle ne forme pas un bloc unique.
Elle rassemble plusieurs familles de méthodes, des systèmes qui appliquent des règles ou explorent des combinaisons jusqu'aux modèles qui apprennent, prédisent ou génèrent du contenu à partir de données.
Les sections qui suivent les parcourent une à une en les illustrant de quelques exemples appliqués aux entreprises.
A- Le machine learning : réduire une incertitude à partir des données
Le machine learning devient pertinent lorsque les données historiques contiennent des régularités susceptibles d’améliorer une prédiction, une classification ou une détection.
Le modèle apprend à partir d’exemples passés, puis applique les relations identifiées à de nouvelles situations.
Les usages qui suivent, choisis parmi beaucoup d'autres, illustrent la portée de ce principe.
B- Le deep learning : lorsque les données deviennent plus complexes
Le deep learning appartient au machine learning et repose sur des réseaux de neurones comportant plusieurs couches. Il devient particulièrement pertinent lorsque l’information utile est difficile à représenter sous forme de colonnes dans un tableau, notamment pour les images, le texte, le son, la vidéo ou certains signaux industriels.
Parmi de nombreuses applications possibles, trois cas d'usage montrent ce que cette capacité change concrètement pour une entreprise industrielle.
C- L’IA générative : produire et transformer du contenu
L’IA générative produit de nouveaux contenus à partir des structures apprises sur de grands volumes de données. Elle peut générer du texte, des images, du son, de la vidéo, du code ou des données synthétiques.
Son économie diffère souvent de celle des modèles prédictifs, car une part importante de la valeur provient de la réduction du temps nécessaire à la création, à la transformation ou à la préparation d’un contenu.
En voici quelques cas d'usage.
D- Les Large Language Models (LLM) : travailler avec le langage et les documents
Les LLM constituent une famille de modèles génératifs conçus pour comprendre et produire du langage.
Les produits tels que ChatGPT, Claude, Gemini ou Copilot reposent sur ce type de modèles, auxquels s’ajoutent des interfaces, des outils, des mécanismes de sécurité et différents services.
Pour l’entreprise, leur intérêt dépasse largement la rédaction de texte.
III- Quelle famille pour quel type de décision ?
La nature de la question métier fournit une première orientation vers les approches à examiner.
Cette grille fournit une première orientation. Le choix final dépend de la qualité des données, de la baseline existante, de la fréquence de la décision, du coût des erreurs, de la capacité d’action, des contraintes d’intégration et de la valeur économique attendue.
IV- La hiérarchie technologique ne détermine pas la valeur
La nature de la question métier fournit une première orientation vers les approches à examiner.
V- Les questions à poser avant de discuter du modèle
La discussion technique devient plus utile lorsque les éléments économiques et opérationnels ont d’abord été clarifiés.
A- Quelle décision cherchons-nous à éclairer?
Le projet doit être
relié à une décision ou à une exécution concrète : produire, stocker, intervenir, contrôler, relancer, accepter, prioriser, escalader ou allouer une ressource.
Cette précision permet ensuite de mesurer la contribution du système.
B- Quelle incertitude rend cette décision difficile ?
Une règle stable peut suffire lorsque la réponse peut être déterminée explicitement.
Le machine learning devient plus pertinent lorsque plusieurs variables interagissent et que l’historique contient des informations susceptibles d’améliorer la décision.
C- Quelles données sont réellement disponibles ?
La quantité de données constitue seulement une partie du sujet.
Leur historique, leur qualité, leur granularité, leur cohérence et leur lien avec la décision comptent davantage.
Pour un projet de maintenance prédictive, des millions de relevés capteurs ont une utilité limitée si l’entreprise ne dispose pas d’un historique fiable des pannes et interventions.
D- Quelle est la baseline actuelle ?
La comparaison doit porter sur la méthode réellement utilisée aujourd’hui.
Pour une prévision de demande, la baseline peut être le forecast des planners. Pour une détection d’anomalies, elle peut être un ensemble de règles. Pour une synthèse documentaire, elle peut être le temps actuellement nécessaire à un analyste.
Un modèle plus complexe doit démontrer une amélioration suffisante par rapport à cette référence.
E- Combien coûte l’erreur ?
La précision moyenne peut masquer des conséquences économiques très différentes.
Un faux positif dans une alerte commerciale peut provoquer un appel inutile. Un faux négatif dans le contrôle d’un défaut critique peut provoquer un rappel produit, un arrêt chez un client ou une exposition contractuelle.
Le seuil retenu doit donc intégrer le coût respectif des différentes erreurs, ainsi que le coût des actions déclenchées par le système.
F- L’organisation peut-elle agir sur le signal ?
Une prévision ou un score apporte peu de valeur lorsque le processus opérationnel ne permet pas d’agir.
Un modèle qui prédit un retard fournisseur trois jours avant la livraison reste peu utile si aucun transport alternatif, changement de planning, fournisseur de secours ou stock disponible ne peut modifier le résultat.
La capacité d’action doit donc être intégrée dès le business case.
G- La valeur supplémentaire justifie-t-elle la complexité ?
Un modèle plus performant peut nécessiter davantage de données, d’intégration, de monitoring, de compétences internes et de gouvernance.
La comparaison économique doit inclure ces coûts, ainsi que les coûts d’erreur et d’adoption. Une amélioration technique devient intéressante lorsque son effet sur la décision crée une valeur nette supérieure aux coûts supplémentaires qu’elle impose.
Les principales familles d’intelligence artificielle répondent à des problèmes différents. Les règles traitent efficacement de nombreuses décisions déterministes, l’optimisation permet d’arbitrer sous contraintes, le machine learning améliore certaines prédictions à partir de l’historique, le deep learning exploite des données complexes et les modèles génératifs produisent ou transforment du contenu.
Dans la pratique, plusieurs de ces approches interviennent souvent dans un même processus. Un système d’allocation peut utiliser une prévision de demande issue du machine learning avant d’optimiser la capacité. Un Customer Service peut combiner règles contractuelles, détection d’anomalies et analyse de texte. Une solution de maintenance peut associer capteurs, modèle prédictif et règles de sécurité.
Pour un dirigeant, la compréhension utile consiste à relier chaque technologie à une décision identifiable, à une baseline et à un mécanisme de création de valeur. La sophistication supplémentaire se justifie lorsqu’elle améliore suffisamment la décision pour compenser les coûts additionnels de données, d’intégration, de maintenance, d’adoption et de gouvernance.
VII- Annexe: brèves explications des principaux modèles d'IA et architectures
Les termes employés autour de l’intelligence artificielle ne désignent pas tous la même chose. Certains décrivent une méthode de calcul, d’autres un modèle d’apprentissage, une architecture de réseau de neurones, une technique permettant d’adapter un modèle ou encore un système complet combinant plusieurs composants.
Cette annexe classe les principaux termes selon leur nature afin d’éviter de comparer des concepts qui se situent à des niveaux différents.
A- Systèmes à règles, optimisation et contrôle
Cette première famille regroupe des méthodes qui peuvent appartenir au champ historique ou élargi de l’intelligence artificielle, mais qui
n’apprennent pas nécessairement à partir de données historiques.
B- Modèles de machine learning classiques
Ces modèles apprennent des relations à partir de données historiques. Ils sont particulièrement adaptés aux données structurées que l’on retrouve dans les ERP, CRM, systèmes financiers, bases clients ou systèmes industriels.
C- Architectures de deep learning
Le deep learning appartient au machine learning. Il repose sur des réseaux de neurones capables d’apprendre des représentations complexes, particulièrement utiles pour les images, le texte, le son, la vidéo et certains signaux industriels.
Cette section traite principalement d’architectures, c’est-à-dire de la manière dont les réseaux sont organisés.
Les modèles génératifs apprennent la structure des données afin de produire de nouveaux contenus ou de nouvelles observations plausibles.
Les LLMs sont des modèles de deep learning de très grande taille, principalement fondés aujourd’hui sur des architectures Transformer.
F- Techniques permettant d’utiliser ou d’adapter un modèle
RAG et fine-tuning sont souvent présentés comme s’il s’agissait de nouveaux modèles. Ils décrivent en réalité des façons différentes d’utiliser ou d’adapter un modèle existant.
G- Modes de mise à disposition des modèles
H- Agents et systèmes agentiques
I- Tableau de synthèse : modèles, architectures, techniques et systèmes
Les définitions précédentes couvrent des concepts de nature différente. Certains termes désignent des modèles qui apprennent à partir de données, d’autres des architectures utilisées pour construire ces modèles, des techniques permettant de les adapter ou de les enrichir, ou encore des systèmes qui combinent plusieurs composants.
Le tableau ci-dessous permet de replacer chaque terme dans la bonne catégorie et de visualiser rapidement s’il implique, ou non, un apprentissage à partir des données.
Note de lecture. Cette classification vise à fournir des repères pratiques plutôt qu’une taxonomie académique exhaustive. Certains systèmes combinent plusieurs de ces catégories. Un agent peut par exemple utiliser un LLM, un système de recherche documentaire, des règles métier et un moteur d’optimisation dans un même processus.
