L’IA pour tousApprendre l’ère de l’intelligence avec un meilleur jugement.

Votre progression: 0 terminé

Plus

Glossaire Ma carte CompteRéponses rapides Choisir mon parcours Histoire de l’IA Sources À propos de cette plateforme

Vous êtes ici

Mouvement actuelS’orienter

Voir ce qui a changé, ce qui n’a pas changé et pourquoi chaque jalon compte.

À faire maintenantCommencer par les fondations

Votre guide

Histoire de l’IA

Votre mouvement d’apprentissage

S’orienterClarifier un terme, une source, une personne ou un événement.

Pourquoi cette page existe

La chronologie empêche de traiter l’IA actuelle comme un événement sans histoire. Chaque jalon sépare changement, continuité, importance et débat.

Ce que vous en retirerez

Vingt et un jalons sourcés montrent ce qui a changé, ce qui n’a pas changé et comment se relient personnes, concepts, institutions et gouvernance.

Avant de commencer

Vous pouvez commencer par n’importe quelle époque. Commencez par les fondations si vous voulez suivre le développement du domaine.

Faites ceci maintenant

Choisissez une époque, puis ouvrez un jalon pour examiner contexte, débat et sources.

À faire maintenantCommencer par les fondationsComprendre la formation du domaine avant les systèmes génératifs actuels.Autre parcours valableExplorer les personnesSuivre les contributions et désaccords à travers des profils contextualisés.

Compte

Histoire reliée

L’IA n’a pas commencé avec les chatbots

Une chronologie critique de ce qui a changé, de ce qui n’a pas changé et des personnes, concepts et sources reliés.

Cinq époques, des relations qui continuentLes jalons sont reliés aux concepts, aux profils et aux sources qui permettent de les examiner.

Fondations et systèmes symboliques
Critique, renouveau et apprentissage statistique
Données, apprentissage profond et transformeurs
Mise à l’échelle, gouvernance et IA générative publique
Systèmes agentiques et gouvernance opérationnelle

Rechercher dans la chronologie21 / 21

Époque historique

Fondations et systèmes symboliques

Des premières idées computationnelles à l’organisation d’un domaine de recherche.

1943–1948

Fondations · foundations

Le calcul électronique, les modèles de neurones et la cybernétique se rencontrent

Entre 1943 et 1948, le calcul électronique, des neurones mathématiques simplifiés et la cybernétique du retour d’information ont formé plusieurs bases ensuite reprises par l’IA.

Examiner le jalon

Ce qui a changé

Les grands calculateurs électroniques ont rendu possibles certains calculs ; les modèles de neurones ont relié logique et inspiration biologique ; la cybernétique a fourni un vocabulaire du contrôle, de la communication et de la rétroaction.

Ce qui n’a pas changé

Ces courants ne formaient pas encore un domaine unifié, n’ont pas produit d’intelligence générale et dépendaient d’équipes, d’institutions militaires et de travaux bien antérieurs.

Pourquoi cela compte

Cette période montre que l’IA vient dès l’origine de plusieurs disciplines et ne peut être réduite à une invention isolée.

Débat ou réserve

Parler d’une naissance unique efface les travaux parallèles ainsi que les programmeuses et techniciens des premières machines. Le neurone de 1943 est une abstraction, pas une preuve d’identité entre cerveau et ordinateur.

Algorithme Réseau de neurones

A Logical Calculus of the Ideas Immanent in Nervous ActivityThe Bulletin of Mathematical Biophysics / Springer Nature A Short History of the Second American RevolutionUniversity of Pennsylvania Cybernetics: Or Control and Communication in the Animal and the MachineMIT Press

Continuer sur AI for Everybody

1950-10-01

1950 · foundations

Turing transforme une question philosophique en jeu observable

Dans son article, Alan Turing remplace la question mal définie « Une machine peut-elle penser ? » par un jeu d’imitation et examine apprentissage, objections et limites.

Examiner le jalon

Ce qui a changé

Le texte offre une expérience de pensée comportementale concrète pour discuter de l’intelligence des machines et prend au sérieux l’idée de machine apprenante.

Ce qui n’a pas changé

Il ne donne pas une définition définitive de l’intelligence, ne prouve pas que l’imitation verbale équivaut à la compréhension et ne fonde pas le mythe moderne d’un test universel.

Pourquoi cela compte

Lire l’original fait apparaître une argumentation plus nuancée que le slogan et ouvre des questions d’évaluation toujours actuelles.

Débat ou réserve

Les récits ultérieurs fusionnent souvent plusieurs versions du jeu en un benchmark unique. Une ressemblance comportementale dépend de conditions choisies ; elle ne démontre ni conscience ni fiabilité.

Alan Turing Intelligence artificielle Évaluation

Computing Machinery and IntelligenceMind / Oxford University Press

Continuer sur AI for Everybody

1956

1956 · field formation

Un atelier contribue à nommer et organiser un domaine de recherche

Le projet d’été de Dartmouth réunit des chercheurs autour de l’hypothèse que certains aspects de l’apprentissage et de l’intelligence pourraient être décrits assez précisément pour être simulés.

Examiner le jalon

Ce qui a changé

L’expression « intelligence artificielle » et un programme commun ont favorisé la formation de communautés, d’institutions et de financements.

Ce qui n’a pas changé

L’atelier n’a pas créé toutes les idées antérieures, produit un consensus sur l’intelligence ni représenté toutes les disciplines et populations concernées.

Pourquoi cela compte

Nommer un domaine modifie ce qui peut être financé, enseigné et discuté, mais aussi les histoires qui deviennent visibles.

Débat ou réserve

Dartmouth marque une organisation du champ, pas une invention solitaire. Le terme figure dans la proposition de 1955, l’atelier a lieu en 1956 et de nombreuses ambitions restent ouvertes.

John McCarthy Marvin Minsky Intelligence artificielle Algorithme

The Early Years (1940–1959)Dartmouth College Artificial Intelligence at DartmouthDartmouth College

Continuer sur AI for Everybody

1958

1958 · field formation

Le perceptron rend visible l’apprentissage à partir d’exemples

Les travaux de Frank Rosenblatt montrent un classifieur entraînable dont les poids changent après des erreurs, donnant aux premiers réseaux de neurones un algorithme et une machine concrets.

Examiner le jalon

Ce qui a changé

Un système peut ajuster ses paramètres à partir d’exemples étiquetés au lieu de dépendre uniquement de règles écrites à la main.

Ce qui n’a pas changé

Un perceptron à une couche ne résout qu’une famille limitée de problèmes ; il ne voit ni ne comprend le monde comme le promettaient certains titres.

Pourquoi cela compte

Le perceptron introduit une idée durable—apprendre des paramètres depuis des exemples—et une leçon tout aussi durable sur la différence entre démonstration et prévision.

Débat ou réserve

La publicité de l’époque lui attribuait de vastes capacités futures. Les critiques ont révélé de vraies limites, mais le récit selon lequel un seul livre aurait « tué » les réseaux est lui aussi trop simple.

Réseau de neurones Entraînement Classification

The Perceptron: A Probabilistic Model for Information Storage and Organization in the BrainPsychological Review / American Psychological Association Professor’s perceptron paved the way for AI — 60 years too soonCornell University

Continuer sur AI for Everybody

1965–1976

1965–1976 · symbolic systems

Des programmes symboliques encodent un savoir expert dans des domaines étroits

Des projets comme DENDRAL et MYCIN organisent connaissances, règles et procédures d’inférence pour soutenir un raisonnement scientifique ou médical bien délimité.

Examiner le jalon

Ce qui a changé

La recherche montre qu’un savoir soigneusement structuré peut produire un comportement utile et inspectable dans une tâche spécialisée, puis alimente une industrie des systèmes experts.

Ce qui n’a pas changé

Ces systèmes n’acquièrent pas un sens commun général, n’apprennent pas librement à partir de l’expérience brute et ne suppriment pas le besoin d’expertise et de validation.

Pourquoi cela compte

Ils constituent une lignée différente de l’apprentissage statistique et rappellent que le mot « IA » a désigné des approches techniques variées.

Débat ou réserve

Une performance dite experte dépend de la tâche, de l’évaluation et du contexte d’usage. Les prototypes médicaux ne doivent pas être décrits rétrospectivement comme des systèmes cliniques autonomes courants.

Algorithme Explicabilité Modèle

Edward A. Feigenbaum Collection — DENDRAL Original 1965Stanford University What is an Expert System?Stanford Institute for Human-Centered AI

Continuer sur AI for Everybody

Époque historique

Critique, renouveau et apprentissage statistique

Les limites deviennent visibles tandis que de nouvelles méthodes recentrent l’apprentissage et la généralisation.

1973–1980

1973–1980 · contraction and critique

Les attentes, les évaluations et les financements se contractent de façon inégale

Après le choc entre prédictions ambitieuses, limites techniques et examens critiques, certains soutiens institutionnels diminuent au Royaume-Uni et aux États-Unis.

Examiner le jalon

Ce qui a changé

La période révèle l’écart entre démonstrations, promesses de généralisation et systèmes réellement livrables ; certaines orientations perdent des moyens ou changent d’étiquette.

Ce qui n’a pas changé

La recherche en IA ne s’arrête pas partout et un rapport unique ne provoque pas à lui seul un hiver universel. Des travaux continuent en théorie, robotique et applications.

Pourquoi cela compte

L’épisode montre tôt que les trajectoires scientifiques dépendent des promesses, de l’évaluation, de la politique et du financement autant que de la technique.

Débat ou réserve

L’expression « hiver de l’IA » regroupe rétrospectivement des situations aux limites et causes discutées. Elle masque les différences nationales et les recherches poursuivies ; l’intervalle reste donc approximatif.

Intelligence artificielle Évaluation

AI in the UK: ready, willing and able? — paragraphs 23–24UK House of Lords Select Committee on Artificial Intelligence

Continuer sur AI for Everybody

1986-10-09

1986 · neural revival

La rétropropagation relance l’apprentissage de représentations multicouches

Rumelhart, Hinton et Williams montrent une procédure efficace pour ajuster les poids à travers plusieurs couches afin que des unités cachées apprennent des caractéristiques utiles.

Examiner le jalon

Ce qui a changé

Les chercheurs disposent d’une méthode plus claire et réutilisable pour entraîner des réseaux multicouches, ce qui relance les expériences sur les représentations apprises.

Ce qui n’a pas changé

La rétropropagation ne supprime ni les difficultés d’optimisation, ni les besoins en données et calcul ; des idées de différentiation connexes existaient auparavant.

Pourquoi cela compte

L’apprentissage profond moderne dépend largement de l’entraînement par gradient : cet article est un pont important, construit aussi grâce aux données, au matériel et à de nombreuses équipes.

Débat ou réserve

Certains récits en font une découverte unique de 1986. Les auteurs ont popularisé une formulation et des résultats puissants, sans effacer les travaux antérieurs ou parallèles.

Geoffrey Hinton Réseau de neurones Entraînement Paramètres Apprentissage profond

Learning representations by back-propagating errorsNature

Continuer sur AI for Everybody

1987–1993

1987–1993 · contraction and critique

Le marché des systèmes experts se contracte et un second « hiver » est nommé

Le coût des bases de connaissances fragiles, l’évolution du matériel spécialisé et des attentes commerciales déçues contribuent au recul d’entreprises et d’investissements liés aux systèmes experts.

Examiner le jalon

Ce qui a changé

La contraction favorise des méthodes apprenant depuis les données, le raisonnement probabiliste et des logiciels moins difficiles à maintenir.

Ce qui n’a pas changé

Les systèmes experts ne disparaissent pas, tous les marchés ne s’effondrent pas en même temps et des systèmes à règles utiles subsistent sous d’autres noms.

Pourquoi cela compte

Ce second recul aide à reconnaître un cycle récurrent : un succès étroit devient une promesse générale, puis le domaine est jugé à l’aune de cette promesse.

Débat ou réserve

Les limites varient selon pays, entreprises et sous-domaines. L’analogie éclaire les incitations, mais ne prouve pas que les systèmes actuels répéteront exactement le même cycle.

Intelligence artificielle Généralisation Évaluation

Implications for AI Research: Applying Lessons from the Expert Systems Boom and Bust to the Current Large-Language Model BoomAAAI Edward A. Feigenbaum Collection commentaryStanford University

Continuer sur AI for Everybody

1990s

Années 1990 · statistical learning

L’apprentissage statistique place prédiction et généralisation au centre

Pendant les années 1990, modèles probabilistes, machines à vecteurs de support, arbres, ensembles et évaluations par benchmarks renforcent la place de la prédiction fondée sur les données.

Examiner le jalon

Ce qui a changé

Les méthodes sont davantage comparées sur des données tenues à l’écart et le problème de la performance au-delà des exemples d’entraînement est formalisé.

Ce qui n’a pas changé

La réussite statistique ne rend pas les données neutres, ne garantit pas une compréhension causale et ne supprime pas l’expertise du domaine ou la conception de caractéristiques.

Pourquoi cela compte

Des pratiques actuelles—séparation entraînement/test, généralisation, incertitude et comparaison empirique—deviennent centrales à cette période.

Débat ou réserve

Il n’existe pas de date unique où « l’IA devient statistique ». Probabilités et reconnaissance de formes existaient auparavant, tandis que les approches symboliques, neuronales et statistiques se chevauchaient.

Apprentissage automatique Généralisation Évaluation Jeu de données

Support-vector networksMachine Learning / Springer Nature

Continuer sur AI for Everybody

Époque historique

Données, apprentissage profond et transformeurs

Les jeux de données, le calcul et les architectures changent l’échelle des systèmes.

2009

2009 · data and compute scaling

ImageNet transforme un grand jeu étiqueté en infrastructure commune pour la vision

ImageNet organise des millions d’images du web dans une vaste hiérarchie, puis soutient un défi partagé de reconnaissance à grande échelle.

Examiner le jalon

Ce qui a changé

Les équipes de vision peuvent entraîner et comparer leurs systèmes sur une base commune, faisant de l’échelle des données une ressource de recherche explicite.

Ce qui n’a pas changé

Le jeu ne représente pas le monde visuel de façon neutre ou complète ; étiquettes, collecte et cibles du benchmark portent des choix techniques et sociaux.

Pourquoi cela compte

ImageNet montre qu’une avancée dépend parfois autant des données et de l’infrastructure d’évaluation que d’un nouveau modèle.

Débat ou réserve

L’étiquetage participatif et la collecte web ont créé des problèmes de vie privée, de représentation et de catégories ensuite étudiés. Gagner un benchmark ne garantit pas une vision robuste en situation réelle.

Fei-Fei Li Jeu de données Étiquette Classification Benchmark

ImageNet: A Large-Scale Hierarchical Image DatabaseIEEE Conference on Computer Vision and Pattern Recognition About ImageNetImageNet project / Stanford Vision Lab

Continuer sur AI for Everybody

2012

2012 · deep learning

Un réseau convolutionnel profond bouleverse le benchmark de vision

Le système ImageNet de Krizhevsky, Sutskever et Hinton associe réseaux convolutionnels, grand jeu étiqueté, GPU et techniques d’entraînement pour améliorer fortement la classification.

Examiner le jalon

Ce qui a changé

Les réseaux profonds deviennent une orientation dominante en vision et attirent davantage d’investissements dans les données, les accélérateurs et les représentations apprises.

Ce qui n’a pas changé

Le résultat ne résout pas la compréhension visuelle, n’élimine pas les biais du jeu de données et ne prouve pas qu’une architecture convient à toutes les tâches.

Pourquoi cela compte

C’est un exemple de percée de système : des idées algorithmiques deviennent décisives lorsqu’elles rencontrent données, calcul, implémentation et évaluation.

Débat ou réserve

Dire que « l’apprentissage profond commence en 2012 » est faux. Les méthodes ont une longue histoire ; 2012 change leur position empirique et institutionnelle. La précision ImageNet reste une mesure étroite.

Geoffrey Hinton Apprentissage profond Réseau de neurones Accélérateur Benchmark

ImageNet Classification with Deep Convolutional Neural NetworksNeurIPS

Continuer sur AI for Everybody

2013–2014

2013–2014 · deep learning

Les vecteurs appris et les modèles séquence-à-séquence transforment le traitement du langage

Des plongements de mots efficaces rendent des régularités linguistiques utilisables sous forme de vecteurs, tandis que des réseaux apprennent des transformations entre séquences de longueur variable.

Examiner le jalon

Ce qui a changé

Les systèmes de langue apprennent davantage leurs représentations et transformations depuis les données, au lieu de dépendre uniquement de caractéristiques ou chaînes construites à la main.

Ce qui n’a pas changé

Les vecteurs de mots perdent contexte et ordre ; les réseaux récurrents restent en difficulté sur les longues dépendances, la couverture des données et les erreurs opaques.

Pourquoi cela compte

Ces travaux constituent un pont technique direct entre traitement statistique du langage, transformers et systèmes génératifs modernes.

Débat ou réserve

Les analogies vectorielles célèbres peuvent exagérer la compréhension et reproduire les stéréotypes des corpus. Un score de traduction ne garantit pas la fidélité dans toutes les langues ou domaines.

Yoshua Bengio Plongement vectoriel Jeton Modèle Entraînement

Distributed Representations of Words and Phrases and their CompositionalityNeurIPS Sequence to Sequence Learning with Neural NetworksNeurIPS

Continuer sur AI for Everybody

2017

2017 · foundation model architecture

Le transformer remplace la récurrence par l’attention pour modéliser les séquences

L’architecture transformer utilise auto-attention et couches feed-forward plutôt que la récurrence ou la convolution dans son système central de traduction.

Examiner le jalon

Ce qui a changé

L’entraînement devient plus parallélisable et les relations entre positions sont modélisées avec davantage de souplesse, ce qui facilite ensuite le changement d’échelle et de modalité.

Ce qui n’a pas changé

L’article initial traite de traduction, pas de toutes les capacités modernes ; l’attention n’apporte ni factualité, ni garantie de raisonnement, ni contexte illimité.

Pourquoi cela compte

La plupart des grands modèles de langue actuels héritent de ces idées : l’architecture compte autant que la taille des données ou l’interface.

Débat ou réserve

Huit auteurs sont crédités et le travail s’appuie sur l’attention, les plongements et les encodeurs-décodeurs antérieurs. Le titre n’affirme pas que tous les autres composants ou contraintes disparaissent.

Plongement vectoriel Grand modèle de langage Fenêtre de contexte

Attention Is All You NeedNeurIPS

Continuer sur AI for Everybody

Époque historique

Mise à l’échelle, gouvernance et IA générative publique

Les modèles généraux progressent pendant que les premiers cadres internationaux apparaissent.

2019-05-22

2019 · governance emerges

L’OCDE adopte la première norme intergouvernementale sur l’IA

Les membres de l’OCDE adoptent des principes reliant IA digne de confiance, droits humains, valeurs démocratiques, transparence, robustesse, responsabilité et bénéfice inclusif.

Examiner le jalon

Ce qui a changé

La gouvernance de l’IA acquiert un vocabulaire intergouvernemental commun qui influence ensuite des politiques nationales et internationales.

Ce qui n’a pas changé

Ces principes sont des recommandations, pas une loi mondiale ni un dispositif technique d’assurance ; leur adoption ne prouve pas leur mise en œuvre.

Pourquoi cela compte

Cette étape montre que la gouvernance se développe en parallèle du changement d’échelle technique, avant l’accès massif à l’IA générative.

Débat ou réserve

L’OCDE a actualisé les principes en 2024 pour les systèmes généraux et génératifs. Leur portée est large mais non universelle, et leur effet dépend des institutions, mesures et mécanismes d’application.

Culture de l’IA Équité Transparence Supervision humaine

OECD AI PrinciplesOECD Scoping the OECD AI PrinciplesOECD

Continuer sur AI for Everybody

2020-05-28

2020 · foundation model scaling

Un modèle de langue beaucoup plus grand s’adapte à diverses tâches par le prompt

GPT-3 montre qu’un modèle autorégressif changé d’échelle peut accomplir de nombreuses tâches à partir d’instructions ou d’exemples dans l’entrée, sans mise à jour spécialisée de ses poids.

Examiner le jalon

Ce qui a changé

Le prompting et les exemples en contexte deviennent un mode d’interaction pratique, tandis que la taille des modèles devient un axe majeur de recherche et d’investissement.

Ce qui n’a pas changé

Le système échoue encore sur certaines tâches, hérite des problèmes des données web, exige beaucoup de calcul et n’apprend pas de nouveaux poids à partir du prompt d’un utilisateur.

Pourquoi cela compte

L’article explique comment un même modèle peut soutenir plusieurs applications et pourquoi les interfaces se concentrent ensuite sur les instructions en langage naturel.

Débat ou réserve

C’est une étape influente du changement d’échelle, pas la preuve que plus grand est toujours meilleur ni qu’une seule organisation a créé les grands modèles. Le nombre de paramètres ne résume ni capacité ni valeur sociale.

Grand modèle de langage Modèle de fondation Invite Calcul informatique

Language models are few-shot learnersOpenAI Language Models are Few-Shot LearnersarXiv

Continuer sur AI for Everybody

2021-11-23

2021 · governance emerges

L’UNESCO adopte une recommandation mondiale sur l’éthique de l’IA

La Conférence générale de l’UNESCO adopte un instrument normatif couvrant droits humains, inclusion, environnement, gouvernance des données, éducation, culture et autres domaines publics.

Examiner le jalon

Ce qui a changé

La gouvernance de l’IA dépasse la sécurité et la croissance économique pour devenir un programme intersectoriel destiné aux États membres, avec des actions de politique publique.

Ce qui n’a pas changé

Une recommandation de l’UNESCO n’est pas directement une loi nationale exécutoire et l’adoption commune ne garantit ni capacités égales ni application cohérente.

Pourquoi cela compte

Cette étape introduit des dimensions mondiales, culturelles et environnementales et fournit une référence au-delà des seuls pays producteurs de technologies.

Débat ou réserve

Le texte reste volontairement large et doit devenir lois, budgets, institutions et évaluations. Citer des principes ne suffit pas à démontrer une « IA éthique ».

Équité Vie privée Transparence Supervision humaine

Recommendation on the Ethics of Artificial IntelligenceUNESCO

Continuer sur AI for Everybody

2022-11-30

2022 · public generative ai

L’IA générative conversationnelle atteint une interface grand public

La version de recherche de ChatGPT place un modèle de langue capable de suivre des instructions derrière un dialogue simple, utilisable sans développer de logiciel.

Examiner le jalon

Ce qui a changé

Les échanges de suivi et les demandes en langage courant rendent l’IA générative accessible à beaucoup plus d’élèves, travailleurs, créateurs et organisations, accélérant adoption et examen critique.

Ce qui n’a pas changé

L’interface ne vérifie pas les sorties, ne donne pas une compréhension humaine au modèle et n’invente pas à elle seule la génération, l’ajustement aux instructions ou les systèmes de chat.

Pourquoi cela compte

L’événement explique pourquoi l’IA semble soudainement nouvelle à beaucoup de personnes alors que ses lignées de recherche, données et modèles sont plus anciennes.

Débat ou réserve

Ce lancement n’est qu’un repère dans un changement impliquant plusieurs laboratoires, communautés ouvertes et systèmes de génération d’images. L’accès reste inégal selon langue, région, handicap et connexion.

IA générative Invite Hallucination Grand modèle de langage

Introducing ChatGPTOpenAI

Continuer sur AI for Everybody

2023

2023 · public generative ai

Des familles de modèles généraux combinent texte et autres modalités

En 2023, des systèmes relient des interfaces de modèles de langue à des entrées d’image et, selon les familles, à des combinaisons plus larges de texte, image, audio ou vidéo.

Examiner le jalon

Ce qui a changé

Une même interface peut interpréter ou générer plusieurs types de médias, élargissant les usages possibles et certaines options d’accessibilité.

Ce qui n’a pas changé

Multimodal ne signifie ni perception humaine, ni compétence égale dans chaque modalité, ni ancrage fiable ; l’accès produit arrive parfois après l’annonce de recherche.

Pourquoi cela compte

Ce changement modifie ce qui peut servir d’entrée ou de sortie et rend l’explication des couches du système plus importante que le nom d’un modèle.

Débat ou réserve

Il s’agit d’une transition et non d’une invention en un jour. Les affirmations viennent surtout des organisations productrices et les évaluations restent inégales entre langues, handicaps, cultures et situations.

Modèle multimodal Modèle de fondation Grand modèle de langage

GPT-4OpenAI Gemini: A Family of Highly Capable Multimodal ModelsGoogle DeepMind

Continuer sur AI for Everybody

Époque historique

Systèmes agentiques et gouvernance opérationnelle

Outils, multimodalité, cadres de risque et obligations contraignantes rapprochent l’IA des effets réels.

2023-01-26

2023 · operational governance

Le NIST publie un cadre volontaire de gestion opérationnelle des risques

AI RMF 1.0 organise le travail autour de la gouvernance, de la cartographie, de la mesure et de la gestion des systèmes tout au long de leur cycle de vie.

Examiner le jalon

Ce qui a changé

Les organisations disposent d’un vocabulaire commun, indépendant d’un cas d’usage précis, pour relier objectifs de confiance, rôles, preuves et actions.

Ce qui n’a pas changé

Le cadre est volontaire : ce n’est ni une certification, ni une loi, ni la preuve qu’un système est sûr. La qualité de mise en œuvre reste déterminante.

Pourquoi cela compte

Il marque le passage de principes généraux vers des processus répétables utilisables par les équipes produit, achat, risque et contrôle.

Débat ou réserve

Au 14 juillet 2026, le NIST indique que la version 1.0 est en révision. Il faut donc citer la version 2023 et l’associer au droit actuel, aux preuves du domaine et aux profils ultérieurs.

Incident lié à l’IA Usage à haut risque Supervision humaine Évaluation

Artificial Intelligence Risk Management Framework (AI RMF 1.0)NIST AI Risk Management FrameworkNIST

Continuer sur AI for Everybody

2023–2024

2023–2024 · agentic systems

Les modèles de langue utilisent des outils structurés et des boucles d’action

Des schémas de recherche comme ReAct, des interfaces d’appel de fonctions et de nouveaux protocoles facilitent la combinaison d’un modèle avec recherche, code, API et actions en plusieurs étapes.

Examiner le jalon

Ce qui a changé

Les développeurs peuvent construire des systèmes qui observent des résultats, choisissent des outils et agissent via des interfaces logicielles au lieu de seulement produire du texte.

Ce qui n’a pas changé

Un modèle relié à des outils ne devient pas un travailleur autonome et fiable ; permissions, état, reprise, sécurité et contrôle humain restent à la charge de l’application.

Pourquoi cela compte

La période rend concrète la distinction entre un modèle et le système agentique assemblé autour de lui.

Débat ou réserve

« Agent » devient un terme commercial appliqué à des systèmes très différents. L’accès aux outils augmente effets et surface d’attaque ; une démonstration ne prouve pas la fiabilité à long terme et les traces internes ne garantissent pas une explication.

Agent Utilisation d’outils Appel de fonction Permission

ReAct: Synergizing Reasoning and Acting in Language ModelsICLR / OpenReview Function calling and other API updatesOpenAI Introducing the Model Context ProtocolAnthropic

Continuer sur AI for Everybody

2024-08-01

2024 · binding governance

L’AI Act de l’Union européenne entre en vigueur par étapes

Le règlement (UE) 2024/1689 entre en vigueur le 1er août 2024 et crée un cadre juridique contraignant fondé sur le risque, avec des règles sur pratiques interdites, systèmes à haut risque, transparence et modèles généraux.

Examiner le jalon

Ce qui a changé

Dans une grande juridiction, la gouvernance dépasse les principes volontaires et répartit des obligations entre fournisseurs, déployeurs et autres acteurs.

Ce qui n’a pas changé

Toutes les obligations ne s’appliquent pas immédiatement, le règlement ne couvre pas tous les dommages possibles et la conformité ne garantit pas un système bénéfique ou sans erreur.

Pourquoi cela compte

Le texte influence conception, documentation, maîtrise de l’IA et contrôle au-delà de l’Europe, car systèmes et organisations traversent les frontières.

Débat ou réserve

Au 14 juillet 2026, l’application reste progressive et le calendrier officiel inclut des échéances ultérieures ainsi que des travaux de simplification. Vérifier texte juridique, rôle de l’acteur, catégorie du système et mesures en vigueur.

Culture de l’IA Usage à haut risque Transparence Supervision humaine

AI Act — regulatory framework and application timelineEuropean Commission Regulation (EU) 2024/1689EUR-Lex

Continuer sur AI for Everybody

Loading page content...

…