Les différents types d'intelligence artificielle : comprendre leurs différences

IA générative, conversationnelle, prédictive, agentique… Les termes se multiplient à mesure que l’intelligence artificielle entre dans notre quotidien et dans les entreprises.

Le problème est qu’ils ne désignent pas toujours la même chose.

ChatGPT peut par exemple être à la fois une IA conversationnelle et générative. Un agent IA peut lui-même utiliser un modèle de langage. Et une intelligence artificielle prédictive peut fonctionner sans jamais avoir de conversation avec un utilisateur.

Pour s’y retrouver, il faut donc éviter de chercher une liste figée des « types d’IA ». Il est plus utile de comprendre ce que fait l’intelligence artificielle, comment elle fonctionne et jusqu’où elle peut agir.

C’est ce que nous allons faire ici, sans prérequis technique.

Intelligence artificielle : de quoi parle-t-on exactement ?

L’intelligence artificielle désigne un ensemble de technologies capables d’effectuer des tâches qui demanderaient habituellement certaines capacités humaines : reconnaître une information, classer, prévoir, comprendre du langage, générer un contenu, résoudre un problème ou prendre une décision.

Toutes les IA ne fonctionnent donc pas de la même manière et ne poursuivent pas le même objectif.

Certaines analysent des milliers de données pour anticiper une situation. D’autres comprennent une question formulée en langage naturel. Certaines génèrent du texte ou des images. Les plus récentes peuvent utiliser des outils et enchaîner plusieurs actions pour atteindre un objectif.

Cette diversité explique pourquoi les classifications de l’intelligence artificielle peuvent rapidement devenir confuses.

Intelligence artificielle, machine learning et deep learning

Trois expressions reviennent souvent.

L’intelligence artificielle est le terme le plus large.

Le machine learning, ou apprentissage automatique, désigne des méthodes permettant à un système d’apprendre à partir de données plutôt que de suivre uniquement des règles écrites à l’avance.

Le deep learning, ou apprentissage profond, est lui-même une famille de techniques de machine learning utilisant des réseaux de neurones particulièrement adaptés au traitement de grandes quantités de données.

On peut donc les visualiser simplement comme des ensembles imbriqués :

Intelligence artificielle → Machine learning → Deep learning

Les grands modèles de langage qui ont popularisé ChatGPT, Claude ou Gemini reposent notamment sur ces techniques d’apprentissage profond.

Pourquoi il n’existe pas une seule classification de l’IA

On rencontre souvent des articles présentant quatre, cinq ou dix « types d’intelligence artificielle ».

Ces listes peuvent être pratiques, mais elles mélangent parfois plusieurs façons de regarder un même système.

Prenons ChatGPT. Il est conversationnel, parce que l’utilisateur échange avec lui en langage naturel. Il est génératif, parce qu’il produit de nouveaux contenus. Il s’appuie sur des modèles de langage pour comprendre les demandes et produire ses réponses. Et lorsqu’on lui donne accès à des outils ou à des systèmes externes, certaines tâches peuvent adopter un fonctionnement plus agentique.

Les termes ne sont donc pas nécessairement concurrents. Ils décrivent différentes caractéristiques d’une intelligence artificielle.

Pour comprendre les usages actuels, quatre grandes notions sont particulièrement utiles : l’IA prédictive, l’IA générative, l’IA conversationnelle et l’IA agentique.

L’IA prédictive : anticiper à partir des données

L’intelligence artificielle prédictive cherche à estimer ce qui risque de se produire à partir de données historiques ou actuelles.

Elle existe depuis bien plus longtemps que l’essor récent de ChatGPT.

Dans une entreprise, elle peut par exemple servir à anticiper des ventes, prévoir des besoins en stock, détecter une transaction inhabituelle, estimer le risque de départ d’un client, identifier une panne probable ou calculer la probabilité qu’un prospect devienne client.

Le résultat n’est donc pas nécessairement un texte ou une conversation. Il peut simplement s’agir d’un score, d’une recommandation ou d’une prévision.

Une IA prédictive répond essentiellement à la question :

« Que risque-t-il de se passer ? »

L’IA générative : produire un nouveau contenu

L’IA générative a fait entrer l’intelligence artificielle dans le quotidien de millions d’utilisateurs.

Son rôle est différent : plutôt que de simplement classer ou prévoir, elle génère un nouveau contenu à partir d’une demande et du contexte dont elle dispose.

Ce contenu peut prendre de nombreuses formes : du texte, une image, du code informatique, de la vidéo, du son, une présentation, un tableau ou une synthèse de documents.

ChatGPT, Claude, Gemini ou Microsoft Copilot permettent par exemple de rédiger, résumer, expliquer, analyser ou produire du contenu en langage naturel.

D’autres outils appliquent le même principe à des usages spécialisés. Lovable permet ainsi de décrire une application en langage courant puis d’en générer l’interface, la logique et une partie de son fonctionnement.

Une IA générative répond essentiellement à la demande :

« Produis quelque chose à partir de ces informations et de ces instructions. »

Cette capacité est extrêmement large. Mais générer une réponse ne signifie pas encore agir de manière autonome.

L’IA conversationnelle : utiliser le langage comme interface

Une intelligence artificielle est dite conversationnelle lorsqu’elle permet d’interagir en utilisant naturellement le langage.

On écrit ou on parle à l’outil. Celui-ci interprète la demande, répond, puis tient compte des échanges suivants.

ChatGPT en est un exemple évident : il peut notamment expliquer, rédiger, résumer, traduire ou résoudre certains problèmes à partir d’instructions formulées en langage naturel.

Mais conversationnelle ne signifie pas forcément générative.

Les premiers chatbots fonctionnaient souvent avec des scénarios prédéfinis : si l’utilisateur choisissait une option ou employait certains mots, le programme affichait une réponse prévue à l’avance.

Les assistants actuels sont très différents. Ils peuvent comprendre des formulations variées, conserver un contexte et générer une réponse spécifique à chaque échange.

Le changement important est presque invisible : le langage naturel devient une interface pour utiliser l’informatique.

Il n’est plus toujours nécessaire de savoir où cliquer, quelle fonction utiliser ou comment formuler une requête informatique. On peut simplement expliquer l’objectif.

Pour les entreprises, cette évolution est majeure. Elle rend accessibles des capacités qui nécessitaient auparavant une compétence technique ou la maîtrise d’un logiciel spécifique.

Les LLM : le moteur derrière de nombreuses IA actuelles

Pour comprendre ChatGPT, Claude ou Gemini, il faut connaître trois lettres : LLM, pour Large Language Model, ou grand modèle de langage.

Un LLM est un modèle d’intelligence artificielle entraîné sur d’immenses quantités de contenus afin d’apprendre les relations entre les éléments du langage.

De manière très simplifiée, lorsqu’on lui fournit une demande, le modèle analyse le contexte et construit progressivement une réponse en déterminant quels éléments sont les plus pertinents à produire ensuite.

Cela lui permet de travailler sur des tâches très différentes sans avoir été programmé spécifiquement pour chacune d’elles. Un même modèle peut par exemple expliquer un contrat, synthétiser dix pages de notes, proposer un argumentaire commercial, analyser un tableau, rédiger du code, comparer plusieurs options ou traduire un document.

Le LLM n’est cependant pas l’application entière.

On peut imaginer le modèle comme un moteur. ChatGPT, Claude ou Copilot ajoutent autour de ce moteur une interface, des instructions, de la mémoire, des outils, des connexions, des règles de sécurité et d’autres fonctionnalités.

Cette distinction devient particulièrement importante lorsque l’on commence à connecter l’intelligence artificielle aux outils de l’entreprise.

De l’IA qui répond à l’IA qui agit

Pendant longtemps, la relation avec une intelligence artificielle pouvait se résumer ainsi :

une demande → une réponse.

Vous demandez un résumé, l’IA produit le résumé. Vous demandez un email, elle prépare l’email. Vous lui confiez des données, elle vous aide à les analyser.

Une nouvelle étape consiste à lui permettre non seulement de produire la réponse, mais aussi d’utiliser des outils pour poursuivre l’objectif.

Imaginons une demande simple :

« Prépare le suivi des prospects qui n’ont pas répondu depuis quinze jours. »

Une IA générative seule peut rédiger un exemple de message.

Un système connecté peut aller plus loin : consulter le CRM, identifier les prospects concernés, retrouver les échanges précédents, préparer un message adapté et présenter les réponses à valider.

Avec davantage d’autonomie, il peut également déclencher certaines étapes lui-même selon des règles définies.

C’est ici que l’on entre progressivement dans le domaine des agents IA et de l’intelligence artificielle agentique.

Qu’est-ce que l’IA agentique ?

L’IA agentique ajoute une idée essentielle : l’action orientée vers un objectif.

Une intelligence artificielle générative répond principalement à une demande. Un système agentique peut recevoir un objectif, déterminer plusieurs étapes nécessaires, utiliser différents outils, observer le résultat d’une action puis adapter la suivante.

La différence peut se résumer simplement :

IA générative : « voici le contenu que vous m’avez demandé ».

IA agentique : « voici l’objectif que vous m’avez donné, je vais utiliser les moyens à ma disposition pour avancer vers ce résultat ».

Les deux ne s’opposent pas. Au contraire, un agent IA utilise fréquemment un modèle génératif comme moteur de compréhension et de raisonnement, auquel viennent s’ajouter des outils, des données, de la mémoire et des règles d’exécution.

Cette évolution est particulièrement importante dans le monde professionnel, car l’intelligence artificielle peut progressivement passer du rôle d’assistant à celui de système capable de prendre en charge une partie d’un processus.

Le niveau d’autonomie reste cependant un choix.

Une entreprise peut demander à l’IA de tout préparer puis exiger une validation humaine avant chaque action importante. L’objectif n’est pas nécessairement de laisser une intelligence artificielle agir seule, mais de déterminer ce qu’elle peut prendre en charge et où l’humain doit garder la décision.

À lire ensuite : Agents IA : comprendre les différents types et leurs usages

Quelle intelligence artificielle pour quel besoin ?

Il n’est pas nécessaire de choisir entre ces différentes formes d’IA comme on choisirait entre plusieurs logiciels.

Elles peuvent se compléter.

Une même solution peut combiner plusieurs de ces capacités. C’est même de plus en plus souvent le cas.

Ce que cela change pour une entreprise

Pendant les premières années de diffusion de l’IA générative, la question était souvent :

« Que puis-je demander à ChatGPT ? »

La question devient progressivement plus large :

« Quelles tâches mon entreprise pourrait-elle mieux réaliser avec l’intelligence artificielle ? »

Puis :

« Quelles tâches pourraient être confiées en partie à l’IA, directement dans nos outils et nos processus ? »

C’est une différence fondamentale.

Utiliser ponctuellement ChatGPT, Claude ou Copilot peut déjà faire gagner du temps à une personne. Mais lorsque l’IA est connectée aux informations et logiciels nécessaires, elle peut commencer à s’intégrer au fonctionnement de l’entreprise.

Un email peut être compris puis orienté. Un document peut être analysé puis classé. Une donnée saisie dans un outil peut déclencher une action dans un autre. Un agent peut préparer une série d’opérations et demander une validation au moment utile. Une application spécifique peut être créée lorsque les outils existants ne couvrent pas le besoin.

L’enjeu n’est donc plus seulement de savoir utiliser une IA.

Il devient progressivement de savoir où l’intelligence artificielle peut être utile, avec quelles données, quels outils, quelles règles et quel niveau de contrôle humain.

C’est précisément à cet endroit que commence le travail de Wondable.

En résumé

Il n’existe pas une seule façon de classer les différents types d’intelligence artificielle.

Quelques repères suffisent cependant à comprendre l’essentiel.

L’IA prédictive anticipe en exploitant des données pour estimer ce qui pourrait arriver. L’IA générative produit du texte, des images, du code ou d’autres contenus. L’IA conversationnelle permet de dialoguer et fait du langage naturel une interface entre l’utilisateur et la machine. Les LLM comprennent et génèrent du langage et constituent le moteur de nombreuses solutions actuelles. Enfin, l’IA agentique agit en combinant raisonnement, outils et actions pour progresser vers un objectif.

Ces technologies ne se remplacent pas nécessairement. Elles s’assemblent de plus en plus pour créer des systèmes capables de comprendre une demande, produire une réponse et agir dans un environnement numérique.

Et c’est probablement cette dernière évolution qui transformera le plus profondément la manière dont les entreprises utiliseront l’intelligence artificielle dans les prochaines années.

Et dans votre entreprise ?

Vous n’avez pas besoin de choisir une technologie avant d’avoir identifié le problème à résoudre.

Wondable part de vos tâches, de vos outils et de vos irritants pour identifier ce que l’IA pourrait déjà prendre en charge, ce qu’il est pertinent de connecter et ce qui doit rester sous contrôle humain.