Un désaccord sur un mot semble sans conséquence. Celui-ci en a une : depuis soixante-dix ans, des scientifiques de tout premier rang contestent les deux termes de l'expression « intelligence artificielle ». Ils ne contestent pas ce que les machines font — la plupart le mesurent mieux que quiconque. Ils contestent ce que le nom fait attendre d'elles, et donc les questions que l'on cesse de poser.
La contestation n'est ni marginale ni récente. Elle vient de la physique, de la linguistique, de la philosophie, du droit et de l'apprentissage automatique lui-même, et elle a repris de la vigueur depuis que les modèles génératifs sont entrés dans les entreprises. Cet article rassemble ces positions, les met en regard, dit ce que chacune vaut — y compris quand elle est fragile — et en tire la seule chose qui vous concerne vraiment : quelles questions poser à un outil, une fois qu'on a cessé de se demander s'il est intelligent.
« Le nom lui-même est faux »
La formulation la plus abrupte vient du mathématicien et physicien britannique Roger Penrose. Pour lui, l'expression est un contresens : il n'y a pas d'intelligence sans conscience, une machine n'a pas de conscience, donc le mot ne s'applique pas. Il propose de dire « habileté artificielle » — artificial cleverness — et de garder le mot « intelligence » pour ce que fait un esprit qui comprend ce qu'il manipule. Son image est celle de deux étudiants en mathématiques : l'un calcule vite et reproduit sans faute, l'autre voit pourquoi la démonstration tient. Les deux réussissent l'examen. Un seul a compris.
Cette proposition de rebaptême circule surtout par des entretiens, et la reprise la plus citée n'identifie pas l'enregistrement d'origine : c'est un propos rapporté, et il faut le lire comme tel. Le fond, lui, est publié et documenté. Dans une conférence donnée à l'université d'Oxford, il soutient que « la qualité de la compréhension consciente est essentiellement distincte du calcul », et que ce qui manque aux machines ne se rattrapera pas en ajoutant de la puissance : ce serait une différence de nature, pas de degré. Sa proposition physique — la conscience naîtrait d'événements quantiques non calculables — a un nom, Orch-OR, et une histoire de trente ans.
Une machine qui prédit, mais qui n'explique pas
La deuxième objection célèbre ne parle pas de conscience. Elle parle de science. Dans une tribune publiée le 8 mars 2023, Noam Chomsky, Ian Roberts et Jeffrey Watumull soutiennent qu'un modèle de langage n'est pas un esprit en réduction mais un moteur statistique : il ingère des quantités de texte hors de proportion avec ce dont un enfant a besoin, et il en tire des régularités. Il décrit, il prédit ; il n'explique pas. Leur formule est restée : ce type de système offre « une boîte noire de mémorisation sans explication ».
La différence n'est pas rhétorique. Une explication dit pourquoi une chose est ainsi et ce qui la ferait changer ; une prédiction dit seulement ce qui suit habituellement. Un système qui n'explique pas peut être excellent et rester impossible à interroger sur ses raisons — c'est exactement ce que vous constatez quand une réponse fausse arrive avec le même aplomb qu'une réponse juste, phénomène détaillé dans notre article sur les raisons pour lesquelles l'IA hallucine. Le débat sur ce que « comprendre » veut dire pour un modèle a son propre article : perroquet stochastique ou raisonnement ?
Là encore, honnêteté sur le statut du texte : c'est une tribune d'opinion, pas une étude, et le cadre linguistique de Chomsky est lui-même discuté depuis des décennies. Ce qui reste solide, c'est la distinction entre décrire et expliquer — elle ne dépend d'aucune théorie du langage particulière.
Ils sont nombreux, et ils ne disent pas la même chose
Réduire le débat à deux figures serait commode et faux. Le refus du mot vient d'horizons qui s'accordent rarement, et chacun propose un autre nom parce qu'il vise un autre défaut.
| Le nom proposé | L'objection | Ce que ce nom rend visible — et ce qu'il masque |
|---|---|---|
| Habileté artificielle Roger Penrose |
Pas d'intelligence sans conscience. | Rend visible l'écart entre réussir et comprendre. Masque tout ce qu'une machine réussit sans comprendre, c'est-à-dire l'essentiel de son utilité. |
| Forme sans sens Emily M. Bender, Alexander Koller, Timnit Gebru |
Un système entraîné sur la seule forme n'a a priori aucun moyen d'apprendre le sens (ACL 2020). D'où le « perroquet stochastique » (2021). | Rend visible ce sur quoi le modèle a été entraîné. Masque le fait qu'une forme bien produite suffit à beaucoup de tâches professionnelles. |
| Agentivité sans intelligence Luciano Floridi |
Se demander si c'est intelligent, c'est se tromper d'objet : une forme nouvelle d'agentivité artificielle (Philosophy & Technology, 2023). | Rend visible la question de la responsabilité : quelque chose agit. Masque la question des capacités, qu'il faut mesurer ailleurs. |
| Apprentissage automatique, augmentation, infrastructure Michael I. Jordan |
« L'essentiel de ce qu'on étiquette IA est en fait de l'apprentissage automatique » (Harvard Data Science Review, 2019). | Rend visible le travail d'ingénierie réel : des services qui augmentent des humains, des infrastructures qui décident en continu. Masque la rupture d'usage que les modèles génératifs ont produite depuis. |
| SALAMI Stefano Quintarelli |
« Le premier biais de l'IA, c'est son nom » (2019) : approches systématiques d'algorithmes d'apprentissage et d'inférences machine. | Rend visible l'absurdité de la projection : personne ne demande à une tranche de salami si elle est consciente. Masque le sérieux du sujet sous l'ironie. |
| Ni artificielle, ni intelligente Kate Crawford |
Ces systèmes sont matériels : minerais, énergie, travail humain de préparation des données (Yale University Press, 2021). | Rend visible le coût réel, traité dans notre article sur l'empreinte de l'IA. Masque ce que le système produit une fois construit. |
| Intelligence machine avancée Yann LeCun |
Le laboratoire fondé fin 2025 par Yann LeCun, colauréat du prix Turing 2018 pour l'apprentissage profond, s'appelle Advanced Machine Intelligence, pas AI. | Rend visible qu'on parle d'une intelligence de machine, distincte de la nôtre. Masque peu de choses — c'est le renommage le plus consensuel, et le moins discuté. |
Ces sept positions ne convergent que sur un point, mais il est net : aucune ne conteste les performances, toutes contestent la projection. Le désaccord porte sur ce que l'on croit avoir en face de soi.
Le mot n'a jamais été neutre : il est né d'un arbitrage
L'expression a une date de naissance. Elle apparaît dans la proposition d'un séminaire d'été rédigée en août 1955 par John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon. Et le choix du terme, selon l'histoire retenue par les spécialistes du sujet, ne doit rien à une définition scientifique : il s'agissait de se démarquer de la cybernétique, discipline alors dominante, et d'éviter d'avoir à composer avec Norbert Wiener, qui la dominait. Le mot fondateur du champ est d'abord un acte de positionnement.
Cinq ans plus tôt, Alan Turing l'avait déjà écartée. L'article de 1950 qui ouvre le sujet commence par poser la question « les machines peuvent-elles penser ? » — puis la remplace immédiatement par un jeu d'imitation, au motif que définir « machine » et « penser » par l'usage courant reviendrait à trancher la question par sondage d'opinion, « ce qui est absurde ». Plus loin, le même texte est encore plus net : « La question originale, les machines peuvent-elles penser ?, je la crois trop dénuée de sens pour mériter discussion. » Trente-quatre ans plus tard, l'informaticien Edsger Dijkstra résumait l'affaire d'une phrase devenue proverbiale : savoir si les machines pensent est « à peu près aussi pertinent que de savoir si les sous-marins nagent ».
L'objection sérieuse : le nom ne change pas ce que l'outil fait
Il faut retourner l'argument contre lui-même, sinon cet article devient ce qu'il reproche aux autres. Un sous-marin ne nage pas, et il traverse l'Atlantique. Refuser le mot « intelligence » ne dit rien de ce qu'un système sait faire de votre tâche, ni de sa fiabilité, ni de son coût. Il existe une manière paresseuse de critiquer — « ce n'est que de l'autocomplétion » — qui produit exactement la même erreur que l'enthousiasme qu'elle combat : elle décide à l'avance, sans regarder.
Le phénomène est connu et ancien : chaque fois qu'une tâche réputée « intelligente » est résolue par une machine, elle cesse d'être considérée comme telle et rejoint la liste des choses « juste calculées ». Le vocabulaire recule à mesure que les capacités avancent, ce qui garantit un désaccord permanent. Une analyse de 2021 signée Melanie Mitchell montre que la confusion de vocabulaire est l'une des sources durables de prédictions ratées, dans les deux sens. Sur la trajectoire de capacités elle-même, notre article sur les lois d'échelle et le mythe de l'AGI traite la question séparément, et celui consacré à la confiance dans un agent pose le problème en termes d'autonomie et de supervision plutôt que de nature.
Là où le mot a déjà été tranché : le droit
Il existe un endroit où la question a dû être réglée pour de bon, parce qu'il fallait écrire des obligations exécutoires. Le règlement européen sur l'intelligence artificielle porte le mot dans son titre. Mais sa définition, à l'article 3, n'en contient pas la moindre trace. Un système d'IA y est « un système automatisé qui est conçu pour fonctionner à différents niveaux d'autonomie et qui peut faire preuve d'une capacité d'adaptation après son déploiement, et qui, pour des objectifs explicites ou implicites, déduit, à partir des entrées qu'il reçoit, la manière de générer des sorties telles que des prédictions, du contenu, des recommandations ou des décisions ».
Relisez la fin : déduit, génère des sorties, influence des environnements. Aucune mention de compréhension, de raisonnement, de conscience. Le législateur, contraint d'être opérationnel, a fait exactement ce que les critiques réclament : il a décrit un comportement observable et laissé le mot d'origine au titre. Pour vous, la conséquence est directe — vos obligations ne dépendent pas de la nature de la machine, mais de ce qu'elle produit et de l'usage que vous en faites. La question « qui répond de ses actes » ne se pose pas différemment selon qu'on l'appelle intelligence ou habileté ; elle est traitée dans notre article sur la gouvernance d'un agent autonome.
Quatre questions à la place de « est-ce intelligent ? »
Le procès du mot n'a d'intérêt pratique que s'il change les questions. Voici celles sur lesquelles les sept positions ci-dessus convergent, une fois retirées leurs querelles internes.
1. Sur quoi repose la performance ? Sur des régularités tirées de textes, pas sur un modèle du monde vérifié. Cela prédit très bien où l'outil sera excellent — tout ce qui a une forme régulière et abondante — et où il sera silencieusement mauvais : les cas rares, les situations locales, tout ce dont vos données internes sont la seule trace.
2. Qu'est-ce qui est vérifiable, et par qui ? Un système qui n'explique pas ne vous donne pas les moyens de contrôler sa réponse : le contrôle reste entièrement de votre côté, et il a un prix. C'est la thèse de l'article qui a ouvert ce volet : à partir d'un certain volume produit, vérifier coûte plus cher que produire.
3. Qui agit, et qui en répond ? Dès qu'un système déclenche des actions — écrire dans un outil, envoyer, valider — la question de l'agentivité devient concrète, et elle est indépendante de la question de l'intelligence. Une chaîne de responsabilité qui repose sur « le modèle a décidé » n'existe pas juridiquement.
4. Ce que ça coûte, et à qui ? Matériel, énergie, travail de préparation des données, dépendance à un fournisseur. C'est le versant que le mot « artificielle » efface le plus efficacement, en suggérant quelque chose d'immatériel.
Ce que Turing avait prévu — et ce qu'il n'avait pas prévu
Le même article de 1950 contient une prédiction rarement citée. Turing y annonce qu'à la fin du siècle, « l'usage des mots et l'opinion cultivée auront tellement changé que l'on pourra parler de machines qui pensent sans s'attendre à être contredit ». C'est arrivé, et c'est arrivé exactement comme il l'écrivait : ce sont les mots qui ont bougé. Personne n'a démontré que les machines pensaient ; l'usage a cessé de demander la démonstration.
Voilà pourquoi le débat mérite mieux que le haussement d'épaules qu'on lui réserve d'ordinaire. Il ne s'agit pas de savoir qui a raison sur la conscience — cette question restera ouverte longtemps après nous. Il s'agit de constater qu'un vocabulaire s'est installé sans preuve, qu'il transporte des attentes, et que ces attentes se retrouvent dans des contrats, des budgets et des décisions d'organisation. Choisir ses mots, ici, n'est pas de la coquetterie : c'est refuser d'acheter une promesse dont personne n'a jamais fourni la démonstration.
Les positions rassemblées ici bougeront peu : ce sont des thèses, pas des versions de produits. Ce qui bouge chaque semaine, ce sont les capacités qui donnent au débat son actualité — elles sont suivies dans le radar IA et dans le bulletin Nouveautés. Et si la question du vocabulaire vous intéresse par son versant technique plutôt que philosophique, l'article précédent de ce volet montre un cas où le mot juste change une décision de formation.
Une question, un projet IA ?
Vous devez arbitrer un usage de l'IA et les discussions tournent en rond sur ce que la machine « comprend » ? Échangeons sur votre contexte, en termes de production, de vérification et de responsabilité.
Prendre contact →