Souveraineté intellectuelle et illusion conversationnelle

L’intelligence artificielle a envahi nos écrans, nos journaux et nos imaginaires à travers une seule de ses incarnations, l’IA conversationnelle. Parce qu’elle parle, répond, imite, corrige et rédige, elle occupe tout l’espace médiatique. Cette forme d’IA a un visage, une voix, une interface. Pourtant, cette IA rendue visible médiatiquement ne représente qu’une frange du champ immense des technologies en intelligence artificielle. La plupart ne conversent pas. Elles calculent, conçoivent, prédisent, mesurent, simulent et expérimentent. Elles ne se déploient pas dans la parole, mais dans la matière, les données et les modèles.

L’IA conversationnelle relève d’une lignée bien spécifique, linguistique et cognitive. Elle repose sur des modèles de langage, et sont produites par des sociétés connues telles que GPT ou Mistral. Ces modèles exploitent des milliards de textes, et établissent des probabilités concernant les séquences de mots les plus probables pour établir les réponses qu'ils nous restituent dans un texte. Leur structure comprend des couches d’attention et des représentations vectorielles du langage. Ce sont des IA de type génératif, spécialisées dans la production de texte, mais dénuées de compréhension sémantique profonde. Finalement, la part « d'intelligence » y est négligeable. Selon les données croisées de McKinsey, Gartner, la Commission européenne, l’OCDE et le rapport AI Index de Stanford, l’intelligence artificielle générative ne constitue qu’une fraction modeste de l’écosystème global. Le rapport Technology Trends Outlook 2024 de McKinsey évalue sa part de marché entre 8 et 12 % du secteur mondial de l’IA, tandis que l’analyse Forecast Analysis: Artificial Intelligence Market Worldwide 2022–2028 publiée par Gartner en février 2025 indique qu’elle ne représente qu’environ 10 % des applications réellement déployées, tout en captant plus de 60 % des financements et de la couverture médiatique. En Europe, le rapport d’évaluation intermédiaire d’Horizon Europe, publié par la Commission européenne en novembre 2024, précise que seuls 4,6 % des projets financés concernent directement la génération de texte, d’image ou de son, contre plus de 70 % pour les IA appliquées à la santé, à l’énergie, à l’industrie et à la recherche scientifique. L’OCDE, dans AI Policy Trends 2025, alerte également sur ce déséquilibre entre visibilité médiatique et investissement industriel, confirmant que la majorité des progrès proviennent des IA de processus, de simulation et d’optimisation. Enfin, le AI Index Report 2025 de Stanford montre que la quasi-totalité des publications et des brevets portent sur l’IA appliquée, notamment en robotique, en vision et en apprentissage embarqué. Ces convergences statistiques dessinent une réalité dans laquelle la génération de contenu n’est qu’une façade spectaculaire.

Les autres familles d’intelligences artificielles poursuivent donc des finalités très différentes. Elles relèvent de l’apprentissage supervisé, non supervisé, par renforcement ou hybride et visent à comprendre le monde physique, à simuler des processus complexes, à générer des structures ou à anticiper des comportements. Dans les laboratoires de recherche, le projet CRESt du Massachusetts Institute of Technology a permis la synthèse de nouveaux matériaux polymériques qui servent à améliorer la résistance thermique et la durabilité des composants électroniques et des structures aéronautiques. Ces IA ont également contribué à l’accélération de la conception de catalyseurs permettant de créer plus rapidement des procédés chimiques moins énergivores pour l’industrie pharmaceutique, la production d’énergie et les matériaux durables. CRESt utilise un système hybride combinant apprentissage statistique, raisonnement symbolique et robotique expérimentale. Ce projet appartient à la catégorie des IA hybrides, c’est-à-dire associant modèles probabilistes et algorithmes logiques. Son architecture repose sur des graphes de contraintes et des modèles de prédiction (dits bayésiens) qui orientent des bras robotiques dans des expériences de chimie automatisée.

DeepMind, avec AlphaFold, a permis de prédire la structure tridimensionnelle de plus de 200 millions de protéines, révolutionnant la biologie structurale et donnant naissance à de nouvelles pistes thérapeutiques. Il emploie un réseau neuronal profond de type convolutionnel et attentionnel. Ce modèle, issu du deep learning, traite des séquences d’acides aminés pour prédire la structure tridimensionnelle des protéines à partir de représentations d’interactions physiques. TuneLab de Recursion Pharmaceuticals a permis la découverte accélérée de plusieurs candidats médicaments anticancéreux et antiviraux validés expérimentalement. Il repose sur des graphes de réseaux neuronaux (GNN), une architecture adaptée à la représentation des molécules. Elle appartient à la famille des IA relationnelles, capables d’extraire des propriétés à partir de structures connectées. Insilico Medicine a produit en 2023 le premier médicament pré‑clinique, conçu intégralement par intelligence artificielle pour la fibrose pulmonaire idiopathique. L’entreprise combine un autoencodeur variationnel (VAE) et un réseau antagoniste génératif (GAN) pour produire de nouvelles entités moléculaires. Ces approches, qualifiées de génératives et probabilistes, appartiennent à la catégorie des IA d’exploration et de conception inverse.

Dans l’industrie manufacturière, plusieurs architectures coexistent. MindSphere de Siemens a déjà permis d’améliorer de 20 % la performance énergétique de plusieurs sites industriels européens et asiatiques. Il s’appuie sur un ensemble d’IA distribuées. Ce système combine apprentissage automatique supervisé, apprentissage par renforcement pour la régulation de processus et intelligence embarquée dans les capteurs. Il relève de la catégorie des IA cyber-physiques, intégrées à des systèmes de contrôle industriels. La plateforme Predix de General Electric, aujourd’hui intégrée dans la suite Industrial AI, a permis de réduire les coûts de maintenance aéronautique de près de 15 % grâce à la détection anticipée des pannes de turbines. Elle fonctionne avec des réseaux de neurones récurrents et des modèles de séries temporelles pour la prédiction de pannes. Le programme DDMS d’Airbus a produit des prototypes de structures d’aile réduisant la masse de 5 % tout en augmentant la résistance mécanique. Il recourt à des algorithmes évolutionnaires et à la conception générative, une forme d’IA créative cherchant à optimiser des structures mécaniques selon des contraintes physiques. Amazon Robotics (Kiva Systems) a permis d’optimiser les flux logistiques dans plus de 300 entrepôts en réduisant de 30 % les temps de traitement des commandes. Il mobilise des agents d’apprentissage par renforcement pour coordonner les robots dans les entrepôts. Cette IA appartient à la catégorie des IA distribuées et coopératives.

Les intelligences dites agentiques représentent une autre catégorie, fondée sur l’apprentissage par renforcement, la planification et la mémoire contextuelle. Chez OpenAI, le projet Voyager repose sur un agent combinant modèle de langage et environnement simulé. Il s’agit d’une IA cognitive capable d’apprentissage continu et auto-dirigé, intégrant des modules de planification et d’exploration. Dans la cybersécurité, Darktrace utilise des modèles d’apprentissage non supervisé basés sur des algorithmes de clustering et d’analyse d’anomalies, appartenant à la famille des IA adaptatives. Le programme LOXM de JPMorgan applique des techniques de reinforcement learning profond à la gestion algorithmique d’actifs financiers. Waymo repose sur des architectures hybrides combinant perception neuronale, fusion de capteurs et planification probabiliste. Elles relèvent de la catégorie des IA embarquées pour systèmes autonomes.

La Chine et l’Inde avancent également dans des directions beaucoup plus diversifiées et pragmatiques. En Chine, Huawei, avec son framework MindSpore, a contribué à l’optimisation des réseaux 5G urbains de Shenzhen en réduisant de 10 % la consommation énergétique. Il soutient des applications d’IA distribuée pour les infrastructures urbaines et les réseaux de télécommunication. Ces initiatives s’inscrivent dans une stratégie nationale articulée autour du plan New Generation Artificial Intelligence Development lancé en 2017 et piloté par le Conseil d’État chinois. En Inde, le programme National AI Mission a déjà permis le déploiement de systèmes de diagnostic médical automatisé dans des hôpitaux publics et l’utilisation d’IA prédictive pour la gestion des cultures agricoles. Ce programme porté par le NITI Aayog favorise la recherche appliquée dans la santé, l’agriculture et l’éducation. L’IIT Madras, à travers son Artificial Intelligence Research Center, explore les IA frugales adaptées aux contraintes locales. Chine et Inde illustrent eux aussi une approche plus intégrée de l’intelligence artificielle, articulant innovation scientifique, souveraineté industrielle et développement sociétal.

L’ensemble de ces exemples illustre la diversité des architectures existantes. IA hybrides, génératives, relationnelles, cyber-physiques, cognitives ou infrastructurelles, toutes traduisent un déplacement du centre de gravité de l’intelligence artificielle vers l’action, la simulation et la modélisation. Ces technologies n’ont pas pour vocation de dialoguer mais de percevoir, d’évaluer, de concevoir et d’agir. L’avenir de l’IA ne réside pas dans la conversation, qui ne sera bientôt plus qu'une simple transformation de nos modes d'interactions, mais dans la coordination des systèmes complexes qui produisent le monde matériel et symbolique. Comprendre leur composition et leurs principes est désormais une condition de la souveraineté intellectuelle et politique de nos sociétés. Car pendant que la souveraineté industrielle occupe le discours public, c’est la souveraineté intellectuelle qui vacille. Cette perte de maîtrise intellectuelle est scientifique, philosophique et culturelle. Plusieurs penseurs contemporains ont mis en lumière ce glissement de la connaissance vers l’automatisation des systèmes symboliques. Une mention spéciale pour Bernard Stiegler, dans La Société automatique, qui analyse la manière dont les technologies numériques court-circuitent les processus de transmission du savoir et d’individuation collective.

En externalisant massivement la conception, la fabrication, la maintenance et aujourd'hui la compréhension de tous nos systèmes sociotechniques à des acteurs étrangers, l’Europe nous a exposé à une perte d’autonomie cognitive. La dépendance aux architectures, aux algorithmes et aux plateformes américaines ou chinoises ne relève plus d’un simple enjeu technologique, mais d’une délégation de la pensée et par là même de nos modes de vie futurs. La véritable fracture ne se situe donc plus entre ceux qui produisent les modèles et ceux qui les utilisent. Elle se place entre ceux qui comprennent les logiques et les sciences sous‑jacentes des systèmes d’IA et ceux qui n’en perçoivent que la surface fonctionnelle. Sans maîtrise intellectuelle, aucune souveraineté industrielle durable n’est possible. Comprendre les fondements épistémiques de l’IA, c’est maintenir la capacité de juger, d’arbitrer, d'orienter et d’innover selon nos propres référentiels culturels et normes scientifiques.

Alors que ces formes d’intelligence « silencieuse » s’imposent dans les laboratoires et les industries, le débat public et politique européen reste presque exclusivement centré sur l’IA générative. Bruxelles multiplie les régulations et les chartes éthiques autour des modèles de langage, pendant que les autres grands pays investissent massivement dans la robotique cognitive, les IA scientifiques et les architectures de calcul spécialisées. Certes l’Europe confond régulation du risque et stratégie d’innovation, ce n'est malheureusement pas une nouveauté. Mais elle oriente beaucoup les investissements et les programmes de recherche vers l'IA conversationnelle, en négligeant les infrastructures, la recherche algorithmique et les technologies de terrain. Les programmes Horizon Europe, le Pacte pour l’IA ou la réglementation AI Act témoignent d’un cadre juridique avancé mais d’une ambition industrielle inexistante et, encore une fois, décalée par rapport aux véritables enjeux.

Pourtant les chercheurs alertent sur ce déséquilibre. Dans les laboratoires européens, plusieurs programmes emblématiques illustrent la vitalité scientifique mais aussi les limites structurelles de l'Europe. Le projet AI4Science, coordonné par le Joint Research Centre de la Commission européenne et soutenu par le CERN, vise à intégrer l’apprentissage automatique dans la recherche fondamentale en physique des particules, en climatologie et en chimie quantique. Ses résultats incluent la modélisation accélérée de réactions moléculaires complexes et la prévision plus fine des phénomènes atmosphériques extrêmes. Le programme HumanE‑AI Network, piloté par l'université d’Amsterdam et l'université de Tübingen, cherche à développer une intelligence artificielle centrée sur l’humain et explicable. Il a permis la création de prototypes d’assistants cognitifs pour la recherche médicale et l’éducation personnalisée, mais souffre d’un manque de coordination industrielle. D’autres initiatives, comme CLAIRE (Confederation of Laboratories for AI Research in Europe) et ELLIS (European Laboratory for Learning and Intelligent Systems), fédèrent des centaines de chercheurs autour de l’apprentissage profond éthique et frugal. Ces projets produisent des avancées scientifiques majeures, par exemple en robotique souple, une branche de la robotique inspirée du vivant qui conçoit des machines flexibles et adaptatives à base de matériaux déformables comme le silicone ou les polymères intelligents. Ces technologies sont utilisées dans la chirurgie mini‑invasive, la manipulation de produits fragiles et l’exploration sous‑marine, illustrant une approche européenne de l’IA incarnée et responsable. Toutefois ils peinent à rivaliser avec les centres américains de Google DeepMind, OpenAI ou IBM Research, faute de financements équivalents, de partage de données à grande échelle et d’alliances industrielles consolidées.

Au-delà de la recherche académique, certaines collaborations publiques‑privées européennes témoignent aussi d’un effort d’intégration industrielle de l’intelligence artificielle. Airbus, Thales et Dassault Systèmes participent aux actions de l’EFFRA, soutenue par la Commission européenne, qui visent à déployer des IA d’ingénierie, de maintenance prédictive et de cybersécurité dans l’aéronautique et la défense. Bosch, Siemens et Volkswagen collaborent au sein de l’initiative Catena‑X pour créer un réseau de données sécurisé fondé sur l’IA, destiné à améliorer la traçabilité et la durabilité de la chaîne automobile. En France, le programme Confiance.AI, coordonné par le CEA et Airbus, développe des outils d’explicabilité et de certification des modèles embarqués, notamment pour les systèmes critiques. Enfin, la société italienne Leonardo et le CNRS explorent des IA de simulation énergétique et climatique pour le programme Destination Earth.

Ces collaborations montrent que l’Europe dispose d’un réel vivier industriel actif et compétent, mais elles souffrent encore d’une dispersion institutionnelle et d’un déficit drastique de moyens. Restaurer cette souveraineté intellectuelle exige désormais une refondation profonde et une gestion réelle des politiques de production de la connaissance. L’Europe ne pourra reconquérir son autonomie qu’en replaçant la recherche scientifique au cœur de sa stratégie technologique, non comme un simple prolongement de l’industrie, mais comme un espace d’élaboration solide des nouveaux paradigmes. Cela suppose d’investir non seulement dans les infrastructures de calcul, mais surtout dans les sciences fondamentales de l’apprentissage, de la cognition et de la complexité. Il faut également restaurer une véritable culture partagée de la technique. La souveraineté intellectuelle ne se décrète pas, elle se cultive. Elle suppose de former des ingénieurs capables de penser les architectures logicielles dans leur dimension philosophique, des chercheurs en humanités capables d’en saisir la structure computationnelle, et des institutions aptes à relier ces deux univers. C’est cette hybridation des savoirs qui constitue aujourd’hui la véritable frontière entre dépendance et émancipation technologique.

Enfin, la reconquête européenne passera par une mutualisation des données scientifiques, des capacités de calcul, des bibliothèques de modèles et des standards ouverts pour créer un espace de recherche unifié, capable de rivaliser avec les écosystèmes intégrés américains et chinois. L’Europe ne pourra restaurer sa puissance que si elle redevient auteur de ses concepts, architecte de ses technologies et garante de ses finalités. C’est à cette condition qu’elle pourra retrouver une souveraineté non pas de réaction, mais de conception.