Algorithme ou IA : la vraie différence, c'est qui écrit les règles

Votre logiciel de paie n'est pas une IA, votre outil de pré-saisie l'est en partie. Deux définitions officielles, un tableau comparatif et une grille en quatre questions pour choisir le bon outil, sans se laisser piéger par l'étiquette.

Publié le 20/10/2026Par Olivier Lacombe10 min de lecture

Algorithme ou IA : la vraie différence, c'est qui écrit les règles

83 % des Français ont déjà entendu parler des algorithmes. Plus de la moitié, 52 %, ne savent pas précisément de quoi il s'agit. Le chiffre vient de la CNIL, et il date de 2017. Depuis, l'IA générative est arrivée, et la confusion a plutôt grandi.

Je le vois en atelier comme en rendez-vous de direction. Un éditeur vend « de l'IA » qui n'est qu'un moteur de règles. Un collaborateur fait confiance à ChatGPT comme à sa calculatrice. Un DAF refuse un outil d'aide à la saisie parce qu'il « ne veut pas d'IA dans les comptes », alors que l'outil se contente de proposer et que c'est son équipe qui valide.

Ces trois erreurs ont la même racine : on oppose algorithme et IA comme deux mondes. Ce n'est pas la bonne ligne de partage. La vraie question est : qui a écrit les règles, un humain ou la machine à partir de données ? Une fois cette question posée, le choix de l'outil devient beaucoup plus simple.

Deux définitions officielles à garder en tête

L'algorithme, selon la CNIL : « la description d'une suite finie et non ambigüe d'étapes (ou d'instructions) permettant d'obtenir un résultat à partir d'éléments fournis en entrée ». La CNIL donne elle-même l'exemple le plus parlant : une recette de cuisine est un algorithme. Mêmes ingrédients, mêmes étapes, même gâteau.

L'IA, selon l'OCDE, définition reprise presque mot pour mot par l'AI Act européen à son article 3 : « un système automatisé 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 ».

Le mot important est « déduit ». L'algorithme applique ce qu'on lui a écrit. Le système d'IA déduit lui-même comment produire sa réponse.

La vraie ligne de partage : règles écrites contre règles apprises

La CNIL relie d'ailleurs les deux notions : l'IA est « une nouvelle classe d'algorithmes, paramétrés à partir de techniques dites d'apprentissage ». Autrement dit, tout machine learning est algorithmique, mais tout algorithme n'est pas du machine learning.

Reprenons la recette.

  • L'algorithme classique, c'est la recette. Quelqu'un l'a écrite, chaque étape est explicite, et si le gâteau est raté, on sait relire la recette pour comprendre pourquoi.
  • L'IA, c'est l'apprenti cuisinier. Personne ne lui a donné la recette. Il a goûté des milliers de gâteaux et en a déduit ce qui fonctionne. Il peut improviser avec des ingrédients qu'il n'a jamais vus. Mais quand il rate, il est incapable d'expliquer précisément pourquoi.

Un exemple célèbre d'algorithme sans apprentissage : PageRank, publié par Larry Page et Sergey Brin à Stanford en 1998. Il calcule la popularité d'une page web à partir du nombre et de la qualité des liens qui pointent vers elle. Un calcul mathématique explicite, qui a pourtant bâti Google.

Une nuance pour éviter le piège inverse : l'IA n'a pas toujours appris. Les systèmes experts, qui ont dominé l'IA pendant des décennies, fonctionnaient avec des règles « SI… ALORS… » écrites par des spécialistes. C'était de l'IA, mais de l'IA à règles explicites. Ce qui a changé avec le machine learning, puis avec l'IA générative, c'est l'origine des règles.

Le tableau à garder sous la main

CritèreAlgorithme classiqueIA, machine learning
Origine des règlesÉcrites par un humainApprises à partir de données
NatureDéterministeProbabiliste
Données traitéesStructuréesStructurées et non structurées
ExplicabilitéTotalePartielle, effet « boîte noire »
AméliorationNon, les règles sont fixesOui, avec plus de données
ExactitudeExacte, sauf erreur de programmationJamais garantie à 100 %

La dernière ligne est celle que la plupart des utilisateurs oublient. Un algorithme se trompe quand il est mal écrit. Une IA peut se tromper même quand tout fonctionne normalement.

Pourquoi une IA peut se tromper avec aplomb

Un grand modèle de langage, celui qui fait tourner ChatGPT, Claude ou Copilot, est entraîné à prédire la suite la plus probable d'un texte. Il ne vérifie rien. Comme le résume Polytechnique Insights, ce que vise l'IA générative, « au détriment de la vérité, c'est la vraisemblance ».

Imaginez quelqu'un qui a lu des milliers de livres et qui, quand sa mémoire a un trou, invente un détail plausible, avec une totale assurance. C'est exactement ce qu'on appelle une hallucination.

Les chiffres sont parlants. Une équipe de Stanford a mesuré les erreurs des modèles généralistes sur des questions juridiques : de 58 % d'hallucinations avec GPT-4 à 88 % avec Llama 2. Les outils juridiques commerciaux, qui vont chercher leurs réponses dans une base documentaire, font mieux, mais restent entre 17 % et 33 % d'erreurs selon la même équipe.

L'illustration la plus célèbre reste l'affaire Mata v. Avianca, en 2023 à New York. Deux avocats ont déposé un mémoire citant six décisions de justice. Les six avaient été inventées par ChatGPT, qui avait même « confirmé » qu'elles existaient. Le juge a condamné les avocats et leur cabinet à 5 000 dollars d'amende.

Ces taux d'erreur portent sur le droit américain et sur des modèles testés en 2023 et 2024. Les modèles actuels font mieux. Ils servent à illustrer un phénomène structurel, pas à mesurer la performance d'aujourd'hui : un modèle probabiliste ne garantit jamais l'exactitude.

Quand l'algorithme classique reste le bon outil

Dès que les règles sont connues, stables et définies par la loi ou par contrat, l'algorithme classique est imbattable :

  • La paie, la TVA, les charges sociales : le calcul est réglementé, il doit être exact et auditable.
  • La facturation et les devis à grille tarifaire : même client, même quantité, même prix, à chaque fois.
  • Les rapprochements et contrôles de cohérence : un écart est un écart, il n'y a rien à interpréter.

IT for Business le formule simplement : « pour les opérations critiques, irréversibles ou à fort impact métier, un script déterministe reste souvent le meilleur outil ». Il coûte moins cher à faire tourner, il n'a pas besoin de données d'entraînement, et il se défend sans difficulté devant un auditeur ou un commissaire aux comptes.

Ses défauts sont connus : il est rigide, il ne gère pas l'imprévu, et chaque nouvelle exception à traiter alourdit sa maintenance.

Quand l'IA s'impose

L'IA prend l'avantage dès qu'il est impossible d'écrire toutes les règles à la main :

  • Les données non structurées : lire une facture fournisseur scannée, résumer un compte rendu, trier des e-mails entrants, traduire.
  • Les motifs trop complexes pour être codés : la détection de fraude en est l'exemple type. MIT Technology Review rapporte le cas d'une banque cliente de SAS qui, après le passage à des réseaux de neurones, a cessé de bloquer à tort près d'un million de dollars de transactions par mois et détecté 1,5 million de dollars de fraude mensuelle qui passait jusque-là inaperçue. C'est un cas client présenté par un éditeur, pas une moyenne du marché, mais il montre ce qu'un modèle peut voir qu'aucune règle écrite ne capte.

L'IA a aussi ses coûts cachés. Elle hérite des biais de ses données : Amazon a abandonné en 2018 un outil de tri de CV qui, entraîné sur dix ans de candidatures majoritairement masculines, avait appris à pénaliser les CV de femmes. C'est la raison pour laquelle la donnée doit précéder l'IA, et pas l'inverse.

Sur l'empreinte environnementale, les estimations varient beaucoup selon les sources. À titre d'ordre de grandeur, des chercheurs de UC Riverside estiment que l'entraînement de GPT-3 a consommé environ 700 000 litres d'eau douce, tandis qu'Epoch AI évalue une requête courante sur ChatGPT à environ 0,3 Wh.

Le meilleur des deux : l'hybride

Dans les entreprises que j'accompagne, les systèmes qui tiennent dans la durée ne choisissent pas. L'IA détecte ou propose, les règles valident ou appliquent, un humain arbitre.

La pré-saisie comptable en est l'exemple parfait, et c'est un cas que je retrouve dans tous les cabinets d'expertise comptable :

  1. L'IA lit la facture scannée, reconnaît le fournisseur et propose une imputation. C'est le travail sur des données non structurées.
  2. Les règles contrôlent : le compte existe, la TVA est cohérente, le total HT plus TVA égale le TTC. C'est du déterministe.
  3. Le collaborateur valide, et passe son temps sur les cas signalés plutôt que sur la saisie.

La lutte anti-fraude fonctionne de la même façon : le modèle attribue un score de risque, des règles métier fixent les seuils, un analyste tranche. Même logique pour les assistants qui répondent à partir de vos documents internes : ils réduisent les hallucinations sans les supprimer, d'où la nécessité de garder une relecture humaine.

Ce que dit le cadre réglementaire

Cette organisation n'est pas seulement une bonne pratique. Le droit la pousse dans la même direction.

  • Le RGPD, article 22, donne à chacun le droit de ne pas faire l'objet d'une décision fondée exclusivement sur un traitement automatisé lorsqu'elle produit des effets juridiques ou significatifs. Un refus de crédit ou un tri de candidatures entièrement automatisé est directement concerné.
  • L'AI Act, article 14, impose une supervision humaine effective pour les systèmes d'IA classés à haut risque.

Pour aller plus loin sur ces deux textes, j'ai détaillé ce que le RGPD change pour l'IA en PME et l'obligation de former vos équipes au titre de l'AI Act. Savoir distinguer un calcul déterministe d'une réponse probabiliste fait d'ailleurs partie des bases que cette obligation recouvre.

La grille de décision en quatre questions

Avant tout projet, posez ces quatre questions, dans cet ordre.

  1. Les règles sont-elles connues, stables et explicables ? Alors un algorithme classique suffit, et il sera moins cher, plus fiable et plus simple à auditer.
  2. Les données sont-elles non structurées, ou les cas trop nombreux pour être codés à la main ? Alors l'IA a toute sa place.
  3. Une erreur aurait-elle des conséquences juridiques, financières ou irréversibles ? Alors la traçabilité et la validation humaine ne sont pas négociables, quel que soit l'outil.
  4. Dans le doute, choisissez l'hybride : l'IA pour proposer, les règles pour contrôler, l'humain pour décider.

La question budgétaire, elle, reste celle que je posais déjà dans Algorithme vs IA : quel choix pour mon entreprise ? : un bon script qui automatise parfaitement un processus vaut souvent mieux qu'une IA qui fonctionne presque parfaitement.

Et si vous ne savez pas encore lesquels de vos processus relèvent de l'une ou l'autre approche, l'autodiagnostic de maturité IA vous donne une première lecture en cinq minutes.

Règles, IA ou les deux ?
Faisons le tri dans vos processus
En un entretien, on passe en revue vos tâches répétitives et on identifie celles qui relèvent d'un simple script, d'une IA ou d'un circuit hybride.

Sources

  • CNIL, rapport « Comment permettre à l'Homme de garder la main ? Les enjeux éthiques des algorithmes et de l'intelligence artificielle », 2017 : définition de l'algorithme, analogie de la recette, sondage 83 % et 52 %, l'IA comme nouvelle classe d'algorithmes.
  • OCDE, Principes sur l'IA, et Règlement (UE) 2024/1689, dit AI Act, articles 3 et 14 : définition du système d'IA et supervision humaine.
  • CNIL, « Profilage et décision entièrement automatisée » : article 22 du RGPD.
  • Page et Brin, « The Anatomy of a Large-Scale Hypertextual Web Search Engine », Stanford, 1998 : PageRank.
  • Polytechnique Insights, « Démystifier l'IA générative : le vrai, le faux et l'incertain » : vraisemblance et vérité.
  • Dahl, Magesh, Suzgun et Ho, « Large Legal Fictions », Journal of Legal Analysis, 2024 : taux d'hallucinations juridiques des modèles généralistes.
  • Magesh, Surani, Dahl, Suzgun, Manning et Ho, « Hallucination-Free? », Journal of Empirical Legal Studies, 2025 : taux d'hallucinations des outils juridiques commerciaux.
  • Mata v. Avianca, Inc., tribunal fédéral du district sud de New York, décision sur les sanctions du 22 juin 2023.
  • IT for Business, « Sécurité de l'IA : une compétence essentielle dans la course à l'innovation » : déterminisme et opérations critiques.
  • MIT Technology Review, « 6 essentials for fighting fraud with machine learning », 18 novembre 2019 : cas client SAS, rapporté par l'éditeur.
  • Reuters, Jeffrey Dastin, « Amazon scraps secret AI recruiting tool that showed bias against women », 10 octobre 2018.
  • Li, Yang, Islam et Ren, « Making AI Less Thirsty », UC Riverside et UT Arlington : consommation d'eau de l'entraînement de GPT-3.
  • Epoch AI, « How much energy does ChatGPT use? », 2025 : consommation électrique d'une requête.
Olivier Lacombe
A propos de l'auteur

Olivier Lacombe

Consultant en transformation digitale & IA

Depuis plus de 20 ans, j'accompagne les dirigeants de PME et ETI en Occitanie dans leur transformation digitale. J'ai piloté des projets pour Avis, Europcar ou EDF. Aujourd'hui consultant en transformation digitale et IA, j'aide mes clients à intégrer ces technologies pour renforcer productivité et performance des équipes.

Loading...