Qu’est-ce qu’une IA ? Définition, exemples et enjeux en santé

 5 min de lecture

Juin 2026

L’intelligence artificielle (IA) désigne un ensemble de technologies capables d’effectuer certaines tâches associées à l’intelligence humaine : analyser, classer, prédire, générer du contenu à partir de modèles entraînés sur de grandes quantités de données. Il ne s’agit pas d’un outil unique, mais d’une famille de technologies dont les usages se sont fortement diversifiés depuis l’essor récent des modèles de langage et des IA dites génératives. Dans des domaines sensibles comme la santé, leur déploiement s’accompagne d’exigences spécifiques de validation, de confidentialité et d’encadrement réglementaire.^1,2

Qu’est-ce qu’une IA ? Définition simple

L’intelligence artificielle regroupe les systèmes informatiques conçus pour réaliser des tâches qui requièrent habituellement une forme d’intelligence : reconnaître une image, comprendre ou produire du langage, classer une information, prédire un résultat à partir d’observations passées, recommander un contenu³. Selon le règlement européen sur l’intelligence artificielle, un système d’IA est un système automatisé qui, à partir d’objectifs définis explicitement ou implicitement, déduit, à partir des entrées qu’il reçoit, comment générer des prédictions, du contenu, des recommandations ou des décisions pouvant influer sur son environnement⁴.

Une IA repose donc sur deux éléments principaux : des données, qui constituent la matière à partir de laquelle le système apprend ou raisonne, et des modèles, qui traduisent ces données en résultats exploitables. Plusieurs familles techniques coexistent : apprentissage automatique (machine learning) ou apprentissage profond (deep learning) reposant sur des réseaux de neurones artificiels.

Une distinction importante mérite d’être posée d’emblée : produire un résultat cohérent n’équivaut pas à « comprendre » ou « décider » au sens humain. Une IA peut générer une réponse pertinente sans raisonnement causal ni jugement, en s’appuyant sur des régularités statistiques apprises à partir de ses données d’entraînement.

Depuis quand parle-t-on d’intelligence artificielle ?

Contrairement à une perception courante, l’IA n’est pas un phénomène apparu avec les modèles génératifs récents. Le champ remonte aux années 1950. En 1950, le mathématicien britannique Alan Turing propose dans son article “Computing Machinery and Intelligence” la question fondatrice : « les machines peuvent-elles penser ? », et formule ce qui sera plus tard appelé le « test de Turing »⁵.

L’expression “artificial intelligence” est créée six ans plus tard, lors d’un atelier scientifique tenu à l’été 1956 au Dartmouth College (New Hampshire, États-Unis), organisé par John McCarthy, Marvin Minsky, Claude Shannon et Nathaniel Rochester. Cette conférence est considérée comme l’acte de naissance de l’IA en tant que domaine de recherche autonome⁶.

L’essor récent résulte de la conjonction de plusieurs facteurs :

• la disponibilité de très grands volumes de données ;
• l’augmentation considérable de la puissance de calcul ;
• le développement du cloud computing ;
• les progrès des grands modèles de langage (Large Language Models, ou LLM) ;
• la démocratisation des interfaces conversationnelles accessibles au grand public.

L’IA n’est donc pas née avec les IA génératives. Ces dernières représentent une étape récente d’un champ scientifique vieux de plusieurs décennies.

Quels sont les principaux types d’IA ?

Le terme « IA » recouvre des réalités techniques différentes. Trois catégories sont particulièrement utiles à distinguer pour comprendre les usages actuels.

L’IA spécialisée

Exemples : IA spécialisée dans la recommandation de série ou de musique, dans la détection de tumeurs en imagerie médicale, reconnaissance facile, traduction automatique…

Une IA spécialisée (parfois dite IA étroite) est conçue pour accomplir une tâche déterminée dans un cadre défini : reconnaître un type d’image, filtrer des messages, prédire une valeur, classer un document. Elle peut atteindre un niveau de performance élevé sur cette tâche précise, mais ne dispose pas d’une intelligence générale transposable à d’autres contextes. Elle correspond aujourd’hui à la grande majorité des systèmes déployés³.

L’IA générative

Exemples : ChatGPT, Gemini, Claude, MidJourney…

L’IA générative désigne les systèmes capables de produire un contenu nouveau (texte, image, son, vidéo, code informatique, synthèse documentaire) à partir d’une instruction appelée prompt et fournie par l’utilisateur. Lorsqu’elle produit du texte, elle s’appuie le plus souvent sur des grands modèles de langage (LLM), entraînés sur d’importants corpus textuels pour prédire la suite la plus probable d’une séquence de mots⁷.

Le règlement européen AI Act classe spécifiquement ces modèles dans la catégorie des modèles d’IA à usage général, dont les capacités à servir un grand nombre de tâches justifient des obligations dédiées ^4,7.

L’IA générative produit des résultats fluides et plausibles, mais ces résultats ne sont pas fiables par défaut : ils peuvent être inexacts, biaisés ou obsolètes, en particulier lorsque la question dépasse le cadre des données d’entraînement.

L’IA agentique ou agents IA

Exemples : Perplexity, Devin, Claude en mode agent…

Un agent IA désigne un système capable d’enchaîner plusieurs actions dans un environnement donné pour atteindre un objectif fixé : consulter des sources, exécuter des étapes, interagir avec d’autres outils, ajuster sa trajectoire selon les résultats intermédiaires. Le niveau d’autonomie varie sensiblement d’un outil à l’autre.

La différence avec un chatbot classique tient à la nature de l’interaction : un chatbot répond généralement à une demande ponctuelle, tandis qu’un agent IA peut planifier et exécuter plusieurs étapes dans un cadre prédéfini. Les usages professionnels matures restent à ce jour limités et dépendent largement du cadre de déploiement, des garde-fous mis en place et de la supervision humaine maintenue.

Quelle place pour l’IA en médecine et en santé ?

Le domaine de la santé est l’un des secteurs où l’IA suscite à la fois un intérêt important et des exigences particulières de prudence. Les applications possibles, présentées de manière générale, recouvrent :

• la recherche biomédicale (analyse de données génomiques, criblage de molécules) ;
• le traitement de grands volumes de données cliniques ou de santé publique ;
• l’organisation des soins, la documentation et la structuration d’informations ;
• l’analyse d’imagerie médicale ou de signaux biologiques, dans un cadre validé ;
• la formation, la veille scientifique et l’information professionnelle.

L’ensemble de ces usages est encadré par plusieurs corpus réglementaires complémentaires.

Le règlement général sur la protection des données (RGPD) s’applique dès lors qu’un système traite des données personnelles, et a fortiori des données de santé, qualifiées de données sensibles bénéficiant d’une protection renforcée au titre de l’article 9 du RGPD ^8,9.

Le règlement européen sur l’intelligence artificielle⁷ classe les systèmes d’IA selon quatre niveaux de risque (inacceptable, élevé, limité, minimal). De nombreuses applications de l’IA en santé relèvent du risque élevé et sont soumises à des obligations renforcées de gestion des risques, de qualité des données, de transparence, de supervision humaine et de robustesse ^4,7.

La Haute Autorité de Santé (HAS) et la CNIL ont publié en février 2026 un guide conjoint pour accompagner le bon usage des systèmes d’IA en contexte de soins, précisant les obligations respectives des fournisseurs et des déployeurs (établissements et professionnels de santé) au regard de l’AI Act et du RGPD¹.

Les points de vigilance à intégrer dans tout usage de l’IA en santé incluent :

• la validation scientifique du système avant son déploiement clinique ;
• le maintien d’une supervision humaine effective ;
• la confidentialité et la sécurité des données de santé ;
• la conformité réglementaire ;
• la traçabilité des résultats produits ;
• la responsabilité professionnelle, qui reste celle du soignant ;
• la gestion des biais issus des données d’entraînement ;
• l’évaluation continue du bénéfice et des limites selon l’usage.

L’IA ne remplace ni l’expertise clinique, ni le jugement professionnel, ni la relation soignant-patient. Elle peut, dans certains cas et sous conditions strictes, en constituer un outil complémentaire.

Quelles limites et précautions retenir ?

Les limites d’un système d’IA varient selon le système, son usage, les données utilisées et le cadre de déploiement. Plusieurs catégories de limites se rencontrent toutefois de façon récurrente.

Erreurs factuelles et hallucinations. Les modèles génératifs peuvent produire des informations inexactes formulées avec assurance, phénomène désigné sous le terme d’hallucination. Cela concerne en particulier les références citées (publications, chiffres, citations) qui peuvent être inventées ou déformées.

Biais. Un modèle reproduit et parfois amplifie les biais présents dans ses données d’entraînement (sous-représentation de certaines populations, biais linguistiques, biais culturels). Les conséquences peuvent être particulièrement sensibles dans des contextes décisionnels.

Informations obsolètes. Les modèles ont généralement une date de connaissance limite et ne disposent pas, par défaut, des publications, recommandations ou données postérieures à leur entraînement.

Manque de transparence. Pour de nombreux systèmes, en particulier ceux reposant sur des réseaux de neurones profonds, le cheminement entre l’entrée et le résultat reste partiellement opaque (effet boîte noire).

Dépendance à la qualité des données. La performance d’une IA est étroitement liée à la qualité, à la représentativité et à l’actualisation des données utilisées pour son entraînement.

Confidentialité et protection des données. L’usage d’outils d’IA, particulièrement ceux accessibles en ligne, peut impliquer un transfert de données vers des serveurs tiers. Pour les données de santé, la CNIL a publié en mars 2026 une fiche pratique précisant les obligations applicables au développement et à l’évaluation de systèmes d’IA en santé, en complément du référentiel sur les entrepôts de données de santé ^2,9.

Vérification des sources. Toute information produite par une IA générative doit être vérifiée auprès de sources de référence avant tout usage professionnel d’autant plus dans le champ médical, où une information erronée peut avoir des conséquences directes.

À lire ensuite

Comment fonctionne l’IA ? Principes, données et limites