Les 3 types d’intelligence artificielle, sans le flou

« Intelligence artificielle » recouvre trois catégories qu’on confond presque toujours, parce que le mot est le même pour les trois. La distinction n’est pas une nuance académique : savoir laquelle existe réellement aujourd’hui change ce que vous pouvez raisonnablement attendre d’un outil que vous utilisez au travail.

Les trois catégories, en une phrase chacune

• —IA faible (narrow AI) : un système entraîné pour un type de tâche précis — répondre à une question, générer une image, trier un texte. C’est la seule catégorie qui existe en usage réel aujourd’hui, y compris ChatGPT, Claude ou Gemini, même quand ils semblent gérer n’importe quel sujet.
• —IA générale (AGI) : un système hypothétique capable de raisonner sur n’importe quel domaine avec la même souplesse qu’un humain, sans entraînement spécifique à chaque tâche. N’existe pas encore, quoi qu’en disent certaines communications commerciales.
• —Superintelligence : un système hypothétique qui dépasserait les humains dans tous les domaines à la fois. Reste un sujet de débat réglementaire et de recherche, pas un produit disponible.

Le point qui surprend souvent : un outil peut sembler polyvalent — répondre en droit, en cuisine et en code dans la même conversation — sans sortir de la catégorie « IA faible ». La polyvalence apparente vient de l’étendue des données d’entraînement, pas d’un raisonnement général au sens de l’IA forte. C’est une différence de degré qui ressemble à une différence de nature, mais n’en est pas une.

Pourquoi cette distinction compte au travail, pas seulement en théorie

Un outil d’IA au bureau relève toujours de l’IA faible, même quand sa communication marketing emploie des mots qui évoquent l’IA générale. Les limites qui en découlent restent donc les mêmes, quel que soit l’outil : pas de compréhension générale du contexte au-delà de ce qui est écrit dans la conversation, une confiance affichée identique sur une réponse juste et sur une réponse fausse, et aucune mémoire du monde réel entre deux tâches sans qu’on la lui fournisse explicitement.

Cela a une conséquence pratique directe : la vérification humaine reste nécessaire pour la même raison qu’il y a deux ans, malgré des modèles plus capables. L’IA faible d’aujourd’hui est meilleure que celle d’hier sur de nombreuses tâches ; elle n’a pas changé de nature pour autant.

Un exemple concret pour chaque catégorie

IA faible, réel et utilisable aujourd’hui : demander à un outil de résumer un compte-rendu de réunion en trois points, avec la consigne de ne rien inventer qui ne soit pas dans le texte. Tâche précise, résultat vérifiable phrase par phrase contre le document source.

IA générale, hypothétique : un système qui, sans qu’on lui précise rien de votre secteur, comprendrait de lui-même les enjeux spécifiques de votre entreprise aussi bien qu’un collègue avec dix ans d’ancienneté, sur n’importe quel sujet qu’on lui soumet ensuite. Aucun outil disponible aujourd’hui ne fait cela ; chacun a besoin qu’on lui fournisse le contexte à chaque nouvelle tâche.

Superintelligence, hypothétique : un système qui résoudrait un problème de recherche médicale non résolu, négocierait un contrat mieux qu’un juriste expérimenté et optimiserait une chaîne logistique mondiale, simultanément et mieux que n’importe quelle équipe humaine réunie. C’est ce scénario, pas l’usage courant de l’IA au bureau, que visent les discussions sur un éventuel « frein d’urgence » pour l’IA.

Un outil qui répond bien à une question large ne raisonne pas largement — il a simplement été entraîné sur des données larges. La différence ne se voit pas dans une seule réponse, mais dans la constance d’une tâche à l’autre.

Ce que mesurent réellement les chiffres sur l’IA

Les suppressions d’emploi déjà attribuées à l’IA — 54 836 aux États-Unis en 2025, selon Challenger, Gray & Christmas, et 71 683 au total depuis 2023 — concernent des usages d’IA faible : automatisation d’une tâche précise, pas une IA générale qui remplacerait un rôle entier de sa propre initiative. La prime salariale de 62 %, contre 57 % l’année précédente, que mesure le PwC AI Jobs Barometer sur près d’un milliard d’offres d’emploi récompense, elle aussi, la capacité à utiliser et vérifier ces outils d’IA faible — pas une compétence liée à une IA générale qui n’existe pas encore.

Le AI Index de Stanford HAI suit chaque année les progrès réels des modèles sur des tâches précises — un progrès mesurable, mais qui reste un progrès de l’IA faible, tâche par tâche, pas un saut vers l’IA générale. Les lignes directrices de l’OCDE sur l’IA partent d’ailleurs du même principe : elles encadrent les systèmes existants, pas des capacités hypothétiques, et placent la vérification humaine comme une étape normale, quelle que soit la catégorie dont on parle. Le projet OWASP classe d’ailleurs le risque qu’un outil d’IA faible obtienne trop d’autonomie sous le nom « Excessive Agency » — un risque réel aujourd’hui, bien avant qu’une IA générale ou une superintelligence n’existe.

Ce que vous essayez lundi

1. 01La prochaine fois qu’un outil vous surprend par sa polyvalence, demandez-vous s’il a vraiment compris votre contexte ou s’il a simplement été entraîné sur un sujet proche.
2. 02Ne traitez pas une réponse large comme une preuve de compréhension générale — vérifiez-la avec la même rigueur qu’une réponse étroite.
3. 03Fournissez explicitement le contexte à chaque nouvelle tâche, même proche d’une tâche précédente : l’outil ne le retient pas de lui-même.
4. 04Gardez cette distinction en tête face à une communication commerciale qui emploie des mots comme « raisonnement général » ou « compréhension totale ».

Pour la question plus large de ce qu’un « moteur » ou une « application » d’IA désigne réellement derrière le marketing, Moteur d’intelligence artificielle clarifie cette autre confusion fréquente. Pour comprendre ce que changerait, concrètement, l’arrivée d’une superintelligence selon les propositions de régulation en cours, Frein d’urgence IA détaille les sept principes proposés par Satya Nadella. Pour le contexte géopolitique de cette même discussion entre Washington et Pékin, Super intelligence : Trump et Xi explique ce qui a été acté. Et si la question qui vous intéresse porte sur la licence d’un modèle plutôt que sur sa catégorie, IA open source détaille ce qu’il faut vérifier avant d’en utiliser un.

Comprendre ce qu’un outil d’IA peut vraiment faire, sans se fier à son vocabulaire marketing, c’est exactement ce que Coursium entraîne en courtes leçons sur votre téléphone, à partir de cas réels plutôt que de démonstrations. Restez à la pointe de l’IA et commencez par une leçon. Pour en savoir plus sur cette approche, consultez la page à propos.