L’IA recouvre aujourd’hui une grande diversité de technologies, de modèles et d’usages. Cette pluralité rend leur compréhension indispensable pour les organisations, afin d’en appréhender les impacts, d’identifier les risques associés et de définir des cadres de responsabilité et de pilotage adaptés.
Avant de pouvoir déployer, encadrer ou gouverner efficacement des solutions d’IA, encore faut-il en clarifier les notions fondamentales. Cet article propose un panorama synthétique des principaux types d’IA, afin d’apporter des repères clairs, structurants et opérationnels.
1. Le système d’IA : le socle de l’écosystème IA
Avant d’entrer dans le détail des différentes catégories d’IA, il convient de s’arrêter sur la notion centrale autour de laquelle s’articule l’ensemble du cadre européen : le système d’IA.
Cette notion constitue en effet le point d’ancrage du dispositif, en ce qu’elle délimite le champ d’application des exigences, des responsabilités et des mécanismes de contrôle prévus par le cadre réglementaire.
Définition juridique du système d’IA selon l’AI Act
Selon l’article 3 (1) de l’AI Act, un système d’IA désigne :
« Un système automatisé qui est conçu pour fonctionner à différents niveaux d’autonomie et 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 qui peuvent influencer les environnements physiques ou virtuels »
Cette définition met en évidence plusieurs éléments structurants :
- L’automatisation ;
- Le degré d’autonomie ;
- La capacité d’inférence et ;
- L’impact potentiel des sorties produites par le système sur les environnements physiques ou virtuels.
En pratique, le système d’IA constitue l’objet principal de la régulation : classification des risques, obligations de conformité, contrôles et sanctions portent sur lui.
Un système d’IA peut s’appuyer sur un ou plusieurs modèles, être open source ou propriétaire, et présenter un caractère généraliste ou spécialisé, sans que ces éléments n’altèrent sa qualification en tant que système d’IA.
| Exemple de système d’IA : Un système d’IA de présélection de candidatures analyse automatiquement des CV à l’aide d’un modèle d’IA afin de produire des scores ou recommandations. |
Systèmes d’IA hors du champ d’application de l’AI Act
Il convient de préciser que certains systèmes d’IA, bien qu’ils répondent à des critères techniques généraux, peuvent être considérés hors du champ d’application de l’AI Act dès lors qu’ils ne relèvent ni de la définition fonctionnelle de l’IA au sens du règlement, ni des risques ciblés par la réglementation européenne.
Ces situations concernent notamment les catégories suivantes :
- Optimisation mathématique traditionnelle : cela désigne les systèmes visant uniquement à améliorer ou accélérer des méthodes d’optimisation classiques, sans apprentissage ni modification de la logique décisionnelle (ex. simulations physiques accélérées, approximations de paramètres, optimisation de réseaux par méthodes établies).
- Traitement de données par instructions fixes : ce sont des outils reposant exclusivement sur des instructions déterministes et prédéfinies, sans modélisation ni raisonnement, tels que le tri, le filtrage ou l’extraction de données via SQL, les calculs statistiques simples ou les scripts à règles figées.
- Analyse descriptive, tests et visualisation : cela vise les systèmes limités à la description de données, aux tests statistiques standards ou à la visualisation d’indicateurs, sans produire de recommandations, de prédictions ou de décisions (tableaux de bord, analyses exploratoires, graphiques).
- Systèmes heuristiques classiques : cela désigne les programmes fondés sur des règles ou heuristiques fixes, sans capacité d’apprentissage ou d’amélioration autonome, comme un moteur de jeu utilisant une fonction d’évaluation statique.
- Règles statistiques simples : c’est-à-dire les systèmes utilisant des estimations basiques (moyenne, benchmark statique) sans gestion de schémas complexes et dont les performances sont comparables à des méthodes traditionnelles.
Par ailleurs, comprendre le système d’IA implique toutefois de ne pas le confondre avec ses composants techniques, au premier rang desquels figure le modèle d’IA.
2. Le modèle d’IA : fondation technique du système
Définition du modèle d’IA
Un modèle d’IA désigne une représentation mathématique ou computationnelle, obtenue à l’issue d’un processus d’apprentissage à partir de données, et utilisée pour effectuer des inférences.
Il permet ainsi de transformer des données d’entrée en sorties, telles que des prédictions, classifications, recommandations ou décisions, selon une fonction apprise.
De ce fait, il constitue le cœur algorithmique du raisonnement automatisé, sans pour autant disposer, en lui-même, d’une finalité opérationnelle.
| Exemple de modèle d’IA : un modèle de détection de fraude entraîné spécifiquement pour identifier des transactions bancaires suspectes à partir de données historiques. |
Définition du modèle d’IA à usage général
De manière générale, les modèles d’IA ne sont pas directement ciblés par l’AI Act, dans la mesure où ils sont considérés comme des composants fondamentaux des systèmes d’IA.
En effet, ils ne font l’objet d’un encadrement spécifique que lorsqu’ils présentent des caractéristiques conduisant à les qualifier de modèles d’IA à usage général, ce qui introduit une classification distincte au sein de l’AI Act. Ils désignent :
« Un modèle d’IA, y compris lorsque ce modèle d’IA est entraîné à l’aide d’un grand nombre de données utilisant l’auto-supervision à grande échelle, qui présente une généralité significative et est capable d’exécuter de manière compétente un large éventail de tâches distinctes, indépendamment de la manière dont le modèle est mis sur le marché, et qui peut être intégré dans une variété de systèmes ou d’applications en aval, à l’exception des modèles d’IA utilisés pour des activités de recherche, de développement ou de prototypage avant leur mise sur le marché » (Source : article 3 (63) AI Act)
| Exemple de modèle d’IA à usage général : un modèle de langage polyvalent, tel que GPT-4 d’OpenAI, capable de générer, résumer, traduire ou analyser du texte, et d’être intégré dans de nombreux systèmes d’IA pour des usages variés. |
Les modèles à usage général présentant des risques systémiques
Certains modèles d’IA à usage général présentent des risques spécifiques, appelés risques systémiques, qui désignent :
« Les risques liés aux capacités à fort impact des modèles d’IA à usage général, susceptibles d’avoir des effets négatifs significatifs et à grande échelle sur la santé publique, la sécurité, les droits fondamentaux ou la société dans son ensemble » (Source : article 3 (65) AI Act)
| Exemple de modèle pouvant présenter des risques systémiques : Un grand modèle d’IA à usage général, entraîné sur des volumes massifs de données textuelles, visuelles et audio, et intégré dans de nombreux services en ligne (moteur de recherche, assistance client, outils bureautiques, plateformes éducatives) peut présenter des risques systémiques au sens de l’AI Act. |
Aussi, selon la Commission européenne, les modèles d’IA à usage général entraînés avec une puissance de calcul cumulée supérieure à 10²⁵ FLOP, sont présumés présenter un risque systémique (article 3, point 67 et article 51, paragraphe 2).
Indépendamment de ces seuils, la Commission européenne peut qualifier un modèle comme présentant un risque systémique sur la base des critères définis à l’annexe XIII de l’AI Act.
Ces modèles sont à la fois soumis à des obligations de transparence renforcées ainsi que des évaluations de risques spécifiques.
Modèle d’IA et système d’IA : intégration et responsabilités
Contrairement au système d’IA, le modèle d’IA n’interagit pas directement avec l’utilisateur final. Il ne produit d’effets concrets qu’une fois intégré dans un environnement logiciel, combiné à des données, des interfaces, des règles métier et des processus organisationnels.
- C’est cette intégration qui transforme un modèle en système d’IA opérationnel, capable d’influencer des décisions ou des environnements réels.
Un même modèle peut ainsi être réutilisé au sein de plusieurs systèmes d’IA distincts, chacun poursuivant des finalités propres et présentant des niveaux de risque, des contextes d’usage et des responsabilités différents. La nature du système d’IA ne dépend donc pas uniquement du modèle utilisé, mais également de la manière dont celui-ci est déployé et exploité.
Focus : les modèles d’IA à usage général et les systèmes qui en découlent
A la différence des systèmes d’IA basés sur des modèles spécialisés, il existe des systèmes d’IA intégrant des modèles d’IA à usage général : les systèmes d’IA à usage général. Ils désignent :
« Un système d’IA qui est fondé sur un modèle d’IA à usage général et qui a la capacité de répondre à diverses finalités, tant pour une utilisation directe que pour une intégration dans d’autres systèmes d’IA » (Source : article 3 (66) AI Act)
Cette capacité de généralisation et de réutilisation renforce les enjeux de gouvernance, de traçabilité et de responsabilité, en particulier lorsque ces modèles sont déployés à grande échelle ou intégrés dans des contextes sensibles.
Enjeux de gouvernance
La distinction modèle/système est déterminante pour la gouvernance de l’IA.
En effet, les risques, obligations et responsabilités ne découlent pas du modèle isolé, mais de son intégration, de son usage au sein d’un système déployé ainsi que de la finalité et du contexte d’utilisation du système.
Comprendre le rôle du modèle comme composant technique permet ainsi de mieux cartographier les systèmes d’IA, d’identifier les dépendances technologiques et de structurer une gouvernance adaptée.
3. La question de l’open source en IA
Les modèles open source
Selon l’article 53 (2) et 54 (6) de l’AI Act, les modèles d’IA open source désignent les modèles :
- Publiés dans le cadre d’une licence libre et ouverte permettent de consulter, d’utiliser, de modifier et de distribuer le modèle ;
- Dont les paramètres, y compris les poids, les informations sur l’architecture du modèle et les informations sur l’utilisation du modèle, sont rendus publics.
- Qui ne font pas l’objet de monétisation directe, telle qu’un hébergement payant exclusif (Précision apportée par les lignes directrices de la Commission sur les obligations des fournisseurs de modèles d’IA à usage général – 4.2.2. Absence de monétisation)
L’AI Act reconnaît explicitement leur rôle dans l’innovation, tout en introduisant des obligations spécifiques selon l’usage et le niveau de risque.
| Exemple de modèle open source : Mistral 7B de Mistral AI est un modèle de langage open source, publié sous licence ouverte, dont les poids et l’architecture sont accessibles. Il peut être utilisé, modifié et intégré dans de nombreux systèmes d’IA pour des usages variés (génération de texte, résumé, assistance, analyse). |
Open source et enjeux de gouvernance
Dès lors qu’un modèle open source est intégré dans un système d’IA déployé, ce système peut être soumis aux obligations du règlement.
En effet, si un modèle à usage général rempli les conditions de l’open source énoncées ci-dessus, celui est soumis dans tous les cas aux obligations suivantes :
- Etablir une politique de conformité au droit d’auteur de l’Union, incluant notamment l’identification et le respect des réserves de droits
- Produire un résumé du contenu utilisé pour l’entraînement
Néanmoins, s’il ne présente pas de risques systémiques, il peut bénéficier d’exemptions (documentation technique, informations et documentation à destination d’un intégrateur du modèle dans un système d’IA, désignation d’une représentation pour les fournisseurs établis dans des pays tiers).
Enjeux pour les organisations
Si le recours à des composants d’IA open source offre des opportunités en matière d’innovation, celui-ci complexifie la gouvernance des systèmes d’IA.
Il rend notamment plus difficile la traçabilité des modèles et de leurs évolutions, la qualité et l’homogénéité de la documentation, ainsi que l’évaluation des risques liés aux biais, aux usages et aux impacts potentiels.
4. Chatbots : l’interface conversationnelle
Définition du chatbot
Un chatbot (ou assistant conversationnel) est un système d’IA conçu pour simuler une conversation dans un canal donné et fournir une information, une assistance ou un service. Il peut répondre à des FAQ, vérifier le statut d’une commande, recommander un produit ou guider un utilisateur dans un formulaire.
Contrairement à un agent, un chatbot classique ne poursuit aucun objectif, ne planifie pas de stratégie, ne raisonne pas en plusieurs étapes et se limite à répondre aux messages reçus. Il n’utilise pas de chaîne de pensée interne ni d’adaptation profonde au contexte métier. C’est un système d’IA conversationnel, mais pas un agent.
Enjeux réglementaires
Les chatbots, reconnu en tant que systèmes d’IA selon la Commission européenne, relèvent pleinement du champ d’application de l’AI Act. À ce titre, ils sont soumis aux obligations suivantes :
- Transparence (Article 52) : information claire des utilisateurs qu’ils interagissent avec un système d’IA, sauf exceptions strictement encadrées.
Lorsque le chatbot est déployé dans des contextes sensibles (RH, services publics, santé ou éducation), il peut être qualifié de système d’IA à haut risque au sens des articles 6 et 7 et des annexes II et III. Cette qualification entraîne des exigences renforcées, incluant notamment :
- Une gestion des risques tout au long du cycle de vie (article 9),
- Des mesures de contrôle humain effectif (article 14),
- Des obligations de documentation technique, de traçabilité et de surveillance post-déploiement (articles 11 à 15).
Un chatbot n’est jamais un outil neutre : dès lors qu’il produit des réponses par inférence et peut influencer les comportements ou décisions des utilisateurs, il engage la responsabilité des acteurs qui le conçoivent, l’intègrent et l’exploitent.
5. Les agents IA : de l’outil à l’autonomie
Les agents IA désignent, dans leur acception courante, des logiciels systèmes d’IA présentant des caractéristiques spécifiques :
- Ils reposent sur un modèle d’IA poursuivant un objectif défini ou non, n’ayant pas fait l’objet de développement supplémentaire ou modification significative
- Ils sont accessibles par le biais d’un studio dans lequel l’utilisateur peut éditer leurs paramètres
- Ils sont paramétrés dans le but d’automatiser une tâche complexe, contextualisée, de prendre des décisions et d’exécuter des actions sans nécessairement recourir à l’intervention humaine
Les agents IA renvoient à la notion d’agentivité, c’est-à-dire la capacité d’un système à :
- Agir de façon autonome,
- Initier des actions,
- Planifier des séquences,
- S’adapter à des contextes changeants,
- Poursuivre des objectifs de haut niveau sans supervision humaine continue.
| Exemple d’agent IA : un agent IA peut être un assistant automatisé chargé de trier des courriels entrants. Il analyse chaque message, identifie sa catégorie (commercial, support, urgence), puis applique l’action appropriée, comme l’archivage ou la création d’un ticket. Il accomplit ainsi une tâche précise, définie à l’avance, sans dépasser le cadre de ce rôle. |
6. L’IA agentique : orchestration et complexité
L’IA agentique prolonge et dépasse le cadre de l’agent. Selon la taxonomie proposée par Sapkota et al. (2025), l’IA agentique constitue un changement de paradigme par rapport aux agents d’IA traditionnels. Elle se caractérise notamment par :
- La collaboration entre plusieurs agents au sein d’un même système,
- La décomposition dynamique des tâches en sous-tâches adaptées au contexte,
- L’existence d’une mémoire persistante permettant d’exploiter l’historique sur le long terme,
- Une autonomie orchestrée, c’est-à-dire structurée et coordonnée, qui dépasse les capacités d’un agent isolé.
C’est donc un système global doté de capacités d’autonomie et de coordination.
| Exemple d’IA agentique : Dans un système multi-agent, chaque agent exécute une sous-tâche spécifique pour atteindre l’objectif et leurs efforts sont coordonnés grâce à des fonctionnalités d’orchestration de l’IA. |
Enjeux de gouvernance
Les agents IA et les systèmes agentiques soulèvent des enjeux majeurs en matière de gouvernance.
- La coordination entre agents peut générer des comportements émergents et des effets imprévus difficiles à anticiper.
- L’augmentation de l’autonomie complexifie l’attribution des responsabilités et le maintien d’un contrôle humain effectif.
- L’opacité des modèles limite la transparence, l’explicabilité et la capacité d’audit des décisions.
Ces défis rendent indispensables des mécanismes renforcés de gouvernance, d’alignement et de gestion des biais.
7. Pourquoi cet inventaire est essentiel pour la gouvernance IA
La diversité des technologies d’intelligence artificielle rend indispensable une compréhension fine des différents types d’IA déployés au sein des organisations. Cet inventaire constitue un préalable essentiel à toute démarche de gouvernance efficace.
Identifier précisément les types d’IA utilisés permet d’abord de déterminer les obligations réglementaires applicables, qui varient selon la nature des systèmes, leurs finalités et leurs capacités. Il facilite ensuite une évaluation plus juste des risques, en tenant compte du niveau d’autonomie, de l’impact potentiel et du contexte d’usage de chaque système.
Cette compréhension est également déterminante pour définir et déployer des contrôles adaptés, qu’ils soient techniques, organisationnels ou humains, et pour assurer leur effectivité dans le temps. Enfin, elle permet de structurer une gouvernance de l’IA cohérente, documentée et durable, capable d’évoluer avec les technologies et les usages.
Chez Naaia, nous accompagnons les organisations dans la cartographie, la gouvernance et la conformité de l’ensemble de leurs systèmes d’IA, quels que soient leur type, leur niveau d’autonomie ou leur modèle sous-jacent.