Histoire de l’intelligence artificielle : d’Asimov et Turing aux agents IA

En 1942, l’intelligence artificielle n’existe pas encore comme discipline. Pourtant, Isaac Asimov publie Runaround et formalise ses célèbres lois de la robotique. Elles organisent les priorités d’un robot autour de trois idées : protéger l’humain, lui obéir et se préserver lui-même. Sur le papier, l’ordre paraît limpide. Dans les histoires d’Asimov, c’est précisément là que commencent les problèmes.

Plus de quatre-vingts ans plus tard, nous ne construisons pas les robots positroniques de ses nouvelles. Nous construisons des modèles capables d’écrire, de programmer, d’analyser des images, de dialoguer, puis de plus en plus souvent d’utiliser des outils et d’enchaîner des actions. La science-fiction n’avait pas prédit nos architectures. Elle avait, en revanche, repéré très tôt notre problème : que se passe-t-il quand nous confions une partie de notre pouvoir d’agir à une machine ?

La grande question a changé. Pendant des décennies, nous nous sommes demandé si une machine pouvait être intelligente. En 2026, nous commençons surtout à nous demander ce que nous voulons lui laisser décider, produire et exécuter.

1942 : Asimov pose le problème avant les informaticiens

Les trois lois d’Asimov ne sont ni un standard de sécurité ni un ancêtre technique de l’alignement des IA. Ce sont des règles de fiction. Leur intérêt est ailleurs : Asimov s’en sert pour montrer qu’une règle apparemment simple peut produire des contradictions dès qu’elle rencontre un monde ambigu.

Que signifie « nuire » ? Faut-il obéir à une demande dangereuse pour celui qui la formule ? Faut-il protéger une personne contre sa propre décision ? Et que faire lorsque plusieurs humains ont des intérêts opposés ? À l’époque, ces dilemmes appartiennent à la littérature. Aujourd’hui, ils ressemblent étrangement aux discussions sur la sécurité, la responsabilité, les garde-fous et le contrôle humain.

La Science Fiction Encyclopedia rappelle que les trois lois sont formellement énoncées dans Runaround en 1942. Leur postérité tient probablement moins à leur efficacité qu’aux difficultés qu’elles font apparaître.

1950 : Turing remplace une question philosophique par une épreuve

En octobre 1950, Alan Turing publie dans la revue Mind son article Computing Machinery and Intelligence. Il part de la question « les machines peuvent-elles penser ? », mais préfère rapidement la déplacer vers un problème observable : une machine peut-elle soutenir un échange au point qu’un interlocuteur humain ne sache plus avec certitude s’il parle à une personne ou à un programme ?

Le fameux « test de Turing » n’est pas une mesure universelle de l’intelligence. Il a cependant changé durablement le débat : au lieu d’exiger une définition préalable de la pensée, il invite à regarder le comportement de la machine. Le texte original est toujours consultable dans les archives d’Oxford Academic.

1956 : à Dartmouth, l’intelligence artificielle reçoit enfin un nom

Six ans plus tard, le Dartmouth Summer Research Project on Artificial Intelligence réunit un petit groupe de chercheurs autour d’une hypothèse extraordinairement ambitieuse : les aspects de l’apprentissage et de l’intelligence pourraient être décrits avec assez de précision pour être simulés par une machine. John McCarthy y joue un rôle central et le terme « artificial intelligence » s’impose.

Dartmouth présente encore aujourd’hui cet été 1956 comme l’acte de naissance du domaine. L’optimisme est immense. Il le restera quelques années.

Des règles, des symboles et beaucoup d’optimisme

La première grande famille d’IA est symbolique. L’idée est intuitive : représenter explicitement des connaissances, des faits et des règles, puis demander à la machine d’en déduire une réponse. Si telle condition est vraie, alors telle action devient possible.

Cette approche permet des démonstrations impressionnantes pour l’époque. Des programmes résolvent des problèmes logiques, manipulent des symboles ou simulent une conversation. ELIZA, développé par Joseph Weizenbaum au MIT dans les années 1960, devient l’un des premiers programmes conversationnels à marquer le grand public.

Mais l’enthousiasme dépasse rapidement les capacités réelles. Les machines manquent de puissance, les connaissances sont longues à encoder, le monde réel résiste aux règles propres et exhaustives. Les financements se contractent : ce sera le premier « hiver de l’IA ».

Les systèmes experts : l’intelligence, mais dans un couloir étroit

Dans les années 1980, l’IA revient par une voie plus pragmatique : les systèmes experts. Il ne s’agit plus de construire une intelligence universelle, mais de formaliser les règles d’un domaine précis. Diagnostic, configuration industrielle, finance : dans un périmètre bien délimité, le résultat peut être utile.

Leur faiblesse est aussi leur principe. Ils savent appliquer ce qui a été explicitement décrit, mais apprennent peu par eux-mêmes, vieillissent mal lorsque le domaine change et coûtent cher à maintenir. Le deuxième hiver de l’IA rappelle une leçon que nous oublions régulièrement : une démonstration brillante n’est pas encore un système robuste à grande échelle.

Des règles aux données : le tournant du machine learning

Le changement décisif tient en une idée : plutôt que de décrire toutes les règles à la machine, pourquoi ne pas lui faire apprendre des régularités à partir de données ? Le machine learning prend progressivement une place centrale.

En 1997, Deep Blue bat Garry Kasparov dans un match en conditions de tournoi. L’événement est spectaculaire, mais il faut résister à la tentation de lui faire dire plus qu’il ne dit. Selon l’histoire publiée par IBM, Deep Blue pouvait évaluer environ 200 millions de positions d’échecs par seconde. C’est une formidable machine à jouer aux échecs. Ce n’est pas une intelligence générale.

Cette distinction reste utile en 2026 : être excellent dans une tâche complexe ne signifie pas nécessairement savoir transférer cette compétence à des problèmes très différents.

2012–2022 : deep learning, transformers et bascule générative

Au début des années 2010, l’augmentation de la puissance de calcul, les grands jeux de données et les réseaux de neurones profonds accélèrent brutalement les progrès en vision, en reconnaissance de la parole et en traitement du langage. Le deep learning n’est plus une curiosité de laboratoire : il devient l’un des moteurs de l’IA moderne.

En 2017, l’article Attention Is All You Need présente l’architecture Transformer. Elle permet de traiter efficacement des séquences et le contexte grâce à des mécanismes d’attention. Cette architecture deviendra l’une des bases des grands modèles de langage contemporains.

Puis l’IA générative sort du laboratoire et arrive dans les usages quotidiens. Texte, image, son, code, vidéo : la machine ne se contente plus de classer ou de prédire, elle produit. Notre article consacré à ChatGPT et l’IA générative détaille ce fonctionnement. Ici, il suffit de retenir une chose : l’IA générative n’est pas l’AGI.

Les différents types d’IA : remettre un peu d’ordre dans les mots

Il n’existe pas une seule classification parfaite de l’intelligence artificielle. Certains termes décrivent une capacité, d’autres une architecture, un usage ou un niveau d’autonomie. Les catégories se recoupent donc souvent.

Le NIST définit l’IA générative comme une classe de modèles capables de produire du contenu synthétique dérivé des structures apprises dans les données d’entrée. Stanford distingue de son côté l’AGI comme l’idée d’une intelligence capable d’apprendre, raisonner et appliquer ses connaissances dans de nombreux domaines. Cette dernière notion reste controversée, notamment parce qu’il n’existe pas de test universellement accepté pour dire : « nous y sommes ».

Autre confusion fréquente : l’AI Act européen emploie l’expression « modèle d’IA à usage général ». Il s’agit d’une catégorie juridique et technique pour des modèles capables d’accomplir un large éventail de tâches. La Commission européenne le précise explicitement. Cela ne signifie pas qu’un tel modèle possède une intelligence générale de niveau humain.

2026 : l’IA commence à passer de « répondre » à « agir »

C’est probablement le déplacement le plus important des dernières années. Un chatbot attend une question et produit une réponse. Une IA agentique peut recevoir un objectif, le découper en étapes, appeler des outils, naviguer dans un environnement logiciel, vérifier un résultat puis poursuivre son travail.

Le terme ne signifie pas que la machine devient autonome au sens humain du mot. Stanford définit l’IA agentique comme des systèmes conçus pour agir de manière autonome ou semi-autonome, en planifiant, en utilisant des outils et en s’adaptant au retour obtenu. Notre article sur les agents IA en entreprise aborde leurs usages opérationnels.

Les progrès sont rapides, mais la réalité est moins spectaculaire que certaines démonstrations. Le Stanford AI Index 2026 indique que les agents ont fortement progressé sur les tâches informatiques structurées, tout en échouant encore environ une fois sur trois sur certains benchmarks de référence.

Dans les entreprises, le contraste est tout aussi intéressant : 88 % des organisations interrogées déclarent utiliser l’IA en 2025, et 70 % utilisent l’IA générative dans au moins une fonction. Pourtant, le déploiement d’agents reste encore à un chiffre dans la plupart des fonctions métier. Le futur est déjà là, mais il n’est pas réparti aussi vite que les discours.

Et l’AGI dans tout cela ?

L’intelligence artificielle générale, ou AGI, revient constamment dans les annonces, les projections et les controverses. Le problème commence dès la définition. Pour Stanford HAI, l’AGI désigne une capacité générale, de niveau humain ou supérieur, à apprendre, raisonner et transférer des connaissances entre de nombreux domaines. Mais l’institut rappelle qu’il n’existe pas de définition ni de test universellement acceptés.

C’est la raison pour laquelle il faut se méfier autant des annonces triomphales que des dates péremptoires. Nous avons consacré un article spécifique aux promesses et débats autour de l’AGI. Dans cette chronique, l’AGI joue plutôt le rôle d’horizon : elle nous oblige à demander ce que nous appelons réellement « intelligence ».

Asimov revient par la porte des agents

Nous n’avons pas besoin de robots humanoïdes pour retrouver le problème d’Asimov. Il suffit qu’un système puisse agir dans notre monde numérique : envoyer un message, modifier une base de données, lancer une commande, effectuer un achat, produire un contenu public ou prendre une décision intermédiaire qui influence la suivante.

À ce moment-là, une réponse erronée n’est plus seulement un mauvais paragraphe dans une fenêtre de chat. Elle peut devenir une mauvaise action. La question de la fiabilité change donc de nature.

Le vrai seuil n’est peut-être pas l’intelligence, mais la délégation de l’action. Plus une IA dispose d’outils et d’autonomie, plus les permissions, les validations, la traçabilité et la possibilité d’interrompre son travail deviennent importantes.

Nos interrogations actuelles sont moins futuristes qu’elles n’en ont l’air

Les débats autour de l’IA prennent parfois la forme d’un duel entre enthousiasme et catastrophe. Dans les entreprises, les questions les plus utiles sont souvent plus concrètes.

Sur ce dernier point, le droit européen est désormais concret. Depuis le 2 août 2026, certaines obligations de transparence de l’AI Act s’appliquent : selon les situations, les utilisateurs doivent être informés lorsqu’ils interagissent avec une IA et certains contenus générés ou manipulés doivent être signalés. La Commission européenne en a précisé l’application.

Le Stanford AI Index 2026 recense parallèlement 362 incidents documentés liés à l’IA en 2025, contre 233 en 2024. Une hausse des incidents ne prouve pas à elle seule que l’IA devient plus dangereuse : l’usage augmente, l’attention aussi. Elle rappelle néanmoins que le déploiement réel produit des problèmes réels, pas seulement des débats de laboratoire.

Alors, Asimov avait-il raison ?

Pas au sens où ses lois pourraient être copiées dans le code d’un modèle et résoudre nos problèmes. Le monde est trop ambigu, les objectifs trop nombreux et les responsabilités trop distribuées pour tenir dans trois règles.

Mais il avait compris quelque chose d’essentiel : plus une machine devient capable d’agir, plus la question des limites devient intéressante que celle de la puissance brute.

En 1950, Turing nous invitait à observer si la machine pouvait se comporter comme si elle pensait. En 2026, nous devons ajouter une deuxième question : lorsqu’elle agit comme si elle savait ce qu’elle faisait, avons-nous conçu le bon cadre pour l’arrêter, la corriger et assumer ce qu’elle produit ? C’est peut-être là que commence vraiment l’âge adulte de l’intelligence artificielle.

Questions fréquentes

Sources et repères

• Alan Turing, Computing Machinery and Intelligence, Mind, 1950.
• Dartmouth — histoire du Dartmouth Summer Research Project on Artificial Intelligence.
• The Encyclopedia of Science Fiction — Laws of Robotics.
• NIST — définition de l’IA générative.
• Stanford HAI — glossaire IA, AGI et IA agentique.
• Stanford HAI — AI Index Report 2026.
• Commission européenne — obligations de transparence de l’AI Act.

Article publié le 4 octobre 2026 par Olivier Robé, ImagesCréations.