Les typologies de l’intelligence artificielle se superposent selon qu’on adopte un angle technique, fonctionnel ou réglementaire. Classer les systèmes d’IA par capacité (faible, générale, superintelligence) reste courant, mais cette grille ne suffit plus à décrire le paysage actuel. Depuis l’entrée en application progressive du règlement européen sur l’IA et l’apparition de systèmes autonomes capables d’orchestrer des workflows complets, la façon même de catégoriser ces technologies a changé.
IA agentique : le type fonctionnel que les classifications ignorent
La plupart des guides distinguent l’IA prédictive, l’IA générative et l’apprentissage automatique supervisé ou non supervisé. Depuis 2025, Gartner identifie une catégorie supplémentaire : l’IA agentique. Ces systèmes ne se contentent pas de produire une réponse ou une prédiction. Ils perçoivent un environnement, prennent des décisions et exécutent des actions de façon autonome ou semi-autonome pour atteindre un objectif défini.
A lire en complément : Comment voir les demandes d'abonnement envoyées sur Instagram facilement
Concrètement, un agent IA peut piloter un processus logistique entier, orchestrer plusieurs modèles de langage spécialisés ou gérer un pipeline de données sans intervention humaine à chaque étape. La différence avec un chatbot ou un modèle génératif classique tient à cette capacité d’action autonome dans un environnement réel, qu’il soit numérique ou physique.
Ce qui rend cette catégorie structurante, c’est qu’elle traverse les typologies habituelles. Un agent IA peut mobiliser de l’apprentissage supervisé pour analyser des données, de l’IA générative pour produire un rapport et de l’IA prédictive pour anticiper un incident, le tout dans une même séquence. La frontière entre les « types » devient alors poreuse, et comprendre les différents types d’intelligence artificielle exige désormais d’intégrer cette dimension agentique.
A lire également : Notre avis sur les climatiseurs Elsay : performance, prix et conseils d'achat
Classification réglementaire de l’AI Act : quatre niveaux de risque
Le règlement européen sur l’IA (AI Act, règlement (UE) 2024/1689), entré en vigueur le 1er août 2024 et applicable par étapes, a introduit une grille de lecture qui ne repose ni sur la technique sous-jacente ni sur le degré d’autonomie, mais sur le niveau de risque pour les personnes. Cette approche modifie la manière dont les entreprises doivent penser leurs systèmes d’IA.
Les quatre niveaux définis par le texte sont :
- Risque inacceptable : pratiques purement interdites, comme la notation sociale ou la manipulation de personnes vulnérables par des techniques subliminales.
- Haut risque : systèmes utilisés en santé, sécurité, recrutement ou fonctions critiques, soumis à des obligations strictes de gestion des risques, de documentation technique et de supervision humaine.
- Obligations de transparence : systèmes qui interagissent avec des personnes (chatbots, deepfakes) et doivent signaler leur nature artificielle.
- Risque minimal : la grande majorité des applications courantes, sans obligation spécifique au-delà du droit commun.
Pour les entreprises européennes, cette classification par le risque prime sur la distinction technique entre IA générative et IA prédictive. Un modèle génératif utilisé pour produire des images publicitaires relève du risque minimal. Le même modèle, appliqué à la génération de rapports médicaux, bascule dans la catégorie haut risque avec des exigences de conformité lourdes.
Calendrier d’application et contraintes concrètes
Les interdictions liées au risque inacceptable s’appliquent en premier. Les obligations pour les systèmes à haut risque suivent un calendrier progressif. Les entreprises qui déploient des modèles d’IA à usage général doivent fournir une documentation technique et respecter les règles relatives au droit d’auteur.
Les retours terrain divergent sur la capacité des PME à absorber ces nouvelles exigences de conformité, surtout lorsqu’elles utilisent des modèles tiers hébergés hors Union européenne. La question de la responsabilité en cascade (fournisseur du modèle, intégrateur, utilisateur final) reste un point de friction juridique.
IA générative et modèles de langage : état des lieux en 2026
L’IA générative occupe l’essentiel de l’attention médiatique depuis deux ans. Les modèles de langage (LLM) comme ceux qui alimentent ChatGPT, Claude ou Gemini produisent du texte, du code, des images et de la vidéo à partir de prompts. Leur domaine d’application s’est élargi bien au-delà de la rédaction automatisée.
En entreprise, les usages se concentrent sur la synthèse documentaire, la génération de code, l’assistance client et la création de contenus marketing. Les données disponibles ne permettent pas de conclure que l’IA générative remplace des postes entiers à ce stade, mais elle redistribue clairement les tâches au sein des équipes.
Limites techniques persistantes
Les hallucinations (réponses factuellement fausses mais formulées avec assurance) restent un problème structurel des LLM. Aucun modèle génératif ne garantit l’exactitude factuelle de ses sorties, ce qui limite leur déploiement dans les domaines réglementés sans couche de vérification humaine.
La consommation énergétique de l’entraînement et de l’inférence constitue un autre sujet ouvert. Les comparatifs entre modèles montrent des écarts significatifs de performance selon les tâches, ce qui complique le choix pour les entreprises qui cherchent à industrialiser un cas d’usage précis.
Apprentissage automatique et IA prédictive : les applications matures
Avant l’explosion de l’IA générative, l’apprentissage automatique (machine learning) constituait déjà le socle technique de la majorité des systèmes d’IA déployés en production. L’IA prédictive, qui analyse des données historiques pour anticiper des tendances ou des événements, reste le type d’IA le plus répandu dans les secteurs industriels.
Maintenance prédictive, détection de fraude, scoring crédit : ces applications reposent sur des modèles supervisés entraînés sur des jeux de données étiquetées. Leur fiabilité dépend directement de la qualité et de la représentativité des données d’entraînement, un point souvent sous-estimé lors du passage en production.
L’apprentissage non supervisé trouve sa place dans la segmentation client, la détection d’anomalies réseau ou l’analyse exploratoire de grandes bases de données. À l’inverse de l’apprentissage supervisé, il identifie des structures dans les données sans étiquettes préalables, ce qui le rend utile quand les catégories ne sont pas connues à l’avance.
Là où l’IA prédictive et l’IA agentique convergent
Les systèmes les plus avancés combinent désormais un module prédictif (qui anticipe un événement), un module décisionnel (qui choisit une action) et un module d’exécution (qui agit sur l’environnement). Cette convergence brouille les frontières entre types d’IA et rend les classifications rigides de moins en moins opérantes.
Le cadre réglementaire européen pousse dans la même direction : ce qui compte n’est plus tant la technique employée que l’usage final et le risque associé. Pour les organisations qui déploient des systèmes d’IA, la grille de lecture pertinente combine désormais la nature technique du modèle, son degré d’autonomie et son niveau de risque réglementaire. Aucune de ces trois dimensions ne suffit seule à décrire ce qu’un système d’IA fait réellement.