L’essentiel de l’IA en 2026

L'intelligence artificielle (IA) regroupe des méthodes qui permettent à des machines d'accomplir des tâches comme reconnaître une image, traduire un texte, prévoir un événement ou proposer un choix.

Quatre mots reviennent souvent. Ils s'emboîtent comme des poupées russes :

Toute IA n'apprend pas : Deep Blue, qui a battu le champion d'échecs Garry Kasparov en 1997, suivait des règles écrites avec des experts.

L'IA n'est pas née avec ChatGPT. Elle a plus de 70 ans d'histoire, faite de grandes promesses, de déceptions et de renouveaux.

1. 1950Alan Turing demande si une machine peut penser et propose un test : se faire passer pour un humain dans une conversation écrite.
2. 1956À la conférence de Dartmouth, l'expression « intelligence artificielle » devient le nom d'un domaine de recherche.
3. 1958Le perceptron de Frank Rosenblatt apprend à reconnaître des formes simples : c'est l'ancêtre des réseaux de neurones.
4. 1966ELIZA, l'un des premiers programmes de conversation (chapitre 3).
5. 1974 – 1993Deux « hivers de l'IA » : les résultats déçoivent, les crédits de recherche baissent.
6. 1997Deep Blue bat Garry Kasparov aux échecs grâce au calcul massif de coups.
7. 2012AlexNet, un réseau de neurones entraîné sur des cartes graphiques, reconnaît les images bien mieux que ses concurrents. Le deep learning décolle.
8. 2016AlphaGo bat le champion Lee Sedol au jeu de go.
9. 2017Le Transformer, l'architecture de presque tous les LLM actuels, est présenté.
10. 2022ChatGPT rend la conversation avec une IA accessible à tous.
11. 2024Le règlement européen sur l'IA (AI Act) entre en vigueur. Des pionniers des réseaux de neurones reçoivent le prix Nobel.
12. 2025 – 2026Modèles qui raisonnent, agents qui utilisent des outils, nouvelles façons d'écrire (chapitre 7).

Faire traiter le langage humain par une machine, c'est le but du NLP (Natural Language Processing) : traduire, résumer, repérer des noms et des dates, répondre à une question. C'est l'un des plus vieux rêves de l'IA.

ELIZA ne comprend rien : elle repère des motifs comme « je suis… » et retourne la phrase. Pourtant, des utilisateurs lui confiaient des choses intimes. Notre tendance à prêter de la compréhension à une machine qui produit des phrases plausibles s'appelle l'effet ELIZA. Elle existe toujours avec les assistants d'aujourd'hui.

Un ordinateur ne calcule qu'avec des nombres. Avant tout calcul, une phrase passe donc par trois étapes.

1. Découper en tokensUn programme, le tokenizer, découpe le texte en morceaux appelés tokens : un mot, un morceau de mot ou un signe de ponctuation.
2. Donner un numéro à chaque tokenChaque token a un numéro fixe dans le vocabulaire du modèle, comme un numéro d'élève dans une classe. Ce numéro n'a pas de valeur en soi.
3. Remplacer chaque numéro par un vecteurUne liste de nombres apprise pendant l'entraînement. Des mots utilisés dans des contextes proches obtiennent des vecteurs proches.

Exemple inventé de vecteurs, avec seulement trois nombres par mot (un vrai modèle en utilise des centaines ou des milliers) :

« chat » et « chien » ont des vecteurs proches, « voiture » est plus éloigné. C'est avec ces vecteurs que le modèle fait ses calculs.

Un LLM est un réseau de neurones : des millions de petites unités de calcul, rangées en couches. Chacune multiplie des nombres par des poids et additionne le tout. Ces poids, des milliards, sont les paramètres du modèle.

Au départ, les poids sont pris au hasard et le modèle produit du charabia. Pendant l'entraînement, il lit d'immenses quantités de textes et s'exerce sans arrêt à deviner le token suivant. À chaque erreur, ses poids sont légèrement corrigés. Après des milliards d'essais, il a appris les régularités de la langue.

Pourquoi des GPU ? Tous ces calculs reviennent à multiplier d'énormes tableaux de nombres. Une carte graphique (GPU), conçue au départ pour les jeux vidéo, fait des milliers de ces calculs en même temps. Pour entraîner un grand modèle, on relie des milliers de GPU pendant des semaines.

Un LLM écrit un token à la fois. À chaque étape, il calcule une probabilité pour chaque token possible, en tire un au sort, l'ajoute au texte et recommence.

Pour bien choisir, il doit tenir compte de toute la phrase. Dans « Le chat dort sur le canapé car il est fatigué », « il » désigne le chat ; avec « car il est confortable », il désigne le canapé. Le mécanisme d'attention permet à chaque token de regarder les autres et de repérer ceux qui comptent.

La température règle la part de hasard. Basse, le modèle choisit presque toujours le token le plus probable. Haute, les probabilités s'égalisent et des choix rares apparaissent. Elle ne rend la réponse ni plus vraie, ni plus intelligente.

Trois manières d'écrire « Le chat mange une souris »

Les modèles de diffusion partent d'une ébauche masquée et la remplissent en quelques passes : Google a présenté Gemini Diffusion en 2025, la société Inception Labs a lancé Mercury 2 en février 2026. Le NCM (Next-Concept Modeling), présenté par des chercheurs de Stanford en octobre 2026, construit le texte du plus global au plus précis. Dans leurs tests, il génère 10 à 31 fois plus vite que les modèles de diffusion comparés.

Un LLM produit ce qui est probable, pas ce qui est vérifié. C'est la source de la plupart de ses limites.

Hallucinations

Il peut inventer une date, une citation ou une source, avec le même ton assuré que pour une information exacte.

Biais

Il apprend à partir de textes humains et peut en reproduire les stéréotypes.

Vie privée

Ce que l'on écrit peut être stocké. On n'y saisit pas de données personnelles, ni sur soi ni sur les autres.

Deepfakes

Images, voix et vidéos truquées sont faciles à produire. Une image choquante mérite une vérification avant d'être partagée.

Apprendre

Si l'IA fait l'exercice à ta place, c'est elle qui s'entraîne, pas toi. Elle est plus utile pour expliquer ou vérifier ton propre travail.

Énergie

Selon l'Agence internationale de l'énergie, les centres de données ont consommé environ 1,5 % de l'électricité mondiale en 2024. Ce chiffre pourrait plus que doubler d'ici 2030, en grande partie à cause de l'IA.

Avant de faire confiance à une réponse

1. D'où vient l'information ?La source citée existe-t-elle vraiment ?
2. Puis-je la vérifier ailleurs ?Manuel, encyclopédie, site officiel, média reconnu.
3. Qui décide ?Pour la santé, le droit, l'argent ou la sécurité, la décision revient à une personne qualifiée.

Les règles européennes : l'AI Act

Le règlement européen sur l'IA s'applique en Belgique comme dans toute l'Union. Plus un usage est risqué pour les personnes, plus les règles sont strictes.

Calendrier : interdictions depuis le 2 février 2025, transparence depuis le 2 août 2026, obligations pour le haut risque le 2 décembre 2027 (après un report décidé en juillet 2026).

Six questions. Réponds, puis clique sur « Corriger » pour voir les explications.

1. L'IA a plus de 70 ans.Elle est passée de règles écrites par des humains à des machines qui apprennent à partir de données.
2. Les mots deviennent des nombres.Tokens, numéros, puis vecteurs : c'est avec eux que le modèle calcule.
3. Apprendre, c'est ajuster des poids.En devinant le token suivant des milliards de fois, grâce à la puissance des GPU.
4. Un LLM choisit le probable, pas le vrai.Il peut se tromper avec assurance : il faut vérifier.
5. Générer, raisonner et agir sont différents.Les agents agissent avec des outils, mais les décisions importantes restent humaines.

Agent

IA qui planifie et exécute des actions avec des outils.

Algorithme

Suite d'instructions précises pour résoudre un problème.

Attention

Mécanisme qui permet à chaque token de tenir compte des autres tokens du texte.

Embedding

Vecteur de nombres qui représente un token.

GPU

Processeur qui fait des milliers de calculs en même temps.

Hallucination

Information fausse ou inventée, dite avec assurance.

Inférence

Utilisation d'un modèle déjà entraîné pour produire une réponse.

LLM

Grand modèle de langage, entraîné sur d'énormes quantités de textes.

Modèle

Résultat de l'entraînement : un ensemble de paramètres réglés.

Paramètre

Nombre (poids) ajusté pendant l'entraînement.

Prompt

Texte envoyé au modèle : consigne, question, documents.

Température

Réglage de la part de hasard dans le choix des tokens.

Token

Morceau de texte manipulé par le modèle : mot, partie de mot ou signe.

Transformer

Architecture de réseau de neurones fondée sur l'attention (2017).

• Turing, A. M. (1950). Computing Machinery and Intelligence. Mind.
• Weizenbaum, J. (1966). ELIZA. Communications of the ACM.
• Vaswani, A. et al. (2017). Attention Is All You Need.
• Hazy Research, Stanford (octobre 2026). Présentation du NCM et article scientifique.
• Agence internationale de l'énergie (2025). Energy and AI.
• Union européenne. Règlement (UE) 2024/1689 sur l'intelligence artificielle.