Tout n’est pas Genial : repenser l’intelligence artificielle

Depuis la sortie de ChatGPT fin 2022, l’intelligence artificielle est sur toutes les lèvres. En 2025, plus de 700 millions d’utilisateurs échangent chaque semaine avec l’outil d’OpenAI, c'est énorme. Résultat : le mot “IA” est devenu presque synonyme de « IA générative ». Pourtant, tout n’est pas GenIAl dans l’IA. Et, surtout, tout ne devrait pas l’être.

---

La GenIA : une révolution avant tout dans l’accès

Les modèles génératifs (comme ChatGPT ou Midjourney) reposent sur des architectures massives (Large Language Models) capables d’imiter nos productions textuelles, visuelles ou sonores. Leur prouesse majeure ? L’accessibilité.

Pour la première fois, un outil d'IA est devenu utilisable par tous, grâce à une interface simplissime : la conversation via le tchat. Cette démocratisation a bouleversé la perception de l’IA, maintenant elle existe et est concrète aux yeux de tous. Mais, la GenIA n’est qu’un fragment d’un domaine bien plus vaste.

---

L’intelligence artificielle, c’est bien plus que du texte généré

Avant ChatGPT, l’IA existait déjà sous de nombreuses formes :

• IA symbolique : fondée sur des règles logiques explicites, claires mais rigides. On en retrouve notamment dans le domaine de la correction orthographique et grammaticale.
• Machine learning classique : algorithmes mathématiques simples, rapides, explicables, toujours utilisés pour la détection de la fraude, la détection d’anomalies dans l’industrie ou la reconnaissance de formes.
• IA hybride : combinaison entre logique et apprentissage, alliant performance et explicabilité, prometteuse dans les domaines sensibles (santé, justice, etc.).

Le “tout-GenIA”, une fausse bonne idée

L’IA générative n’est pas toujours la meilleure option :

• Performances : pour des tâches ciblées (classification binaire ou avec peu de classes, détection d'évènements rares, prédiction de marchés financiers…), les modèles classiques sont souvent plus rapides, précis et stables.
• Coût : les LLM sont énergivores et coûteux à exécuter, que ce soit à cause du coût des GPU ou de la taille très importante des données.
• Éthique et environnement : les données d’entraînement sont opaques, on doute qu'elles respectent les différentes régulations de protection de données personnelles ou des licences. De plus, de nombreux biais sont conservés de par l'impossibilité de contrôler ces grandes quantités de données. Sans parler de l'empreinte carbone massive et de la consommation d'eau excessive que demande chaque entraînement.

Des approches plus sobres et explicables existent : inutile d’utiliser un bulldozer pour faire un château de sable.

---

Sélectionner l’IA pertinente selon le besoin

L’intelligence artificielle n’est pas un bloc unique mais un écosystème de méthodes. Les modèles génératifs sont utiles notamment pour la rédaction, la synthèse, la traduction, mais ils ne doivent pas devenir une solution par défaut.

L’enjeu aujourd’hui est de choisir l’outil adapté au besoin, et de remettre la pertinence avant la performance brute.

---

Comment uh!ive construit et utilise les IAs

Nous utilisons une combinaison de toutes ces méthodes pour comprendre intelligemment les contenus des conversations téléphoniques :

• L’IA symbolique pour la construction de tags, comme par exemple la mention d’un type de chauffage (électricité, gaz, bois, …), ou l’anonymisation dite recouvrante des nombres (quand le domaine d’activité est ultra critique et qu’aucun chiffre ne doit être conservé dans la transcription de l’appel).
• Le machine learning classique pour la reconnaissance des entités nommées (prénom, date, adresse…) afin de s’assurer de la robustesse et de la rapidité de l’anonymisation des données personnelles, ou encore la catégorisation des appels parmi une liste finie de motifs.
• L’IA hybride nous sert à détecter des appels qui ne rentrent pas dans nos motifs finis et à proposer de nouvelles entrées parmi cette liste. Elle permet également de vérifier certaines modalités présentes dans le quality monitoring (respect d’une grille qualité suivie par un agent représentant une marque).
• L’IA générative nous permet de proposer des résumés d’appel pour une prise d’information plus rapide et digeste.

---

En conclusion

Il n’existe pas une seule IA, mais autant d’IA que de cas d’usage.

Il est donc essentiel de comprendre chaque cas d’usage pour y répondre avec l’IA la plus adaptée.

La véritable intelligence ne se mesure pas à la taille des modèles, mais à leur pertinence, leur justesse et leur sobriété.

Pour aller plus loin

• Attention Is All You Need, Vaswani et al., 2017 L’article fondateur du modèle Transformer. Une architecture qui a remplacé les réseaux récurrents et convolutionnels, posant les bases de ChatGPT et des LLM actuels.
• How People Use ChatGPT, NBER, 2023 Une étude empirique sur les usages réels de ChatGPT par les professionnels et le grand public, et la façon dont il s’intègre dans les routines de travail.
• Explained: Generative AI’s Environmental Impact, MIT News, 2025 Une analyse claire des coûts énergétiques et environnementaux liés à l’IA générative, et des leviers pour un usage plus durable.