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.
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.
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 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.
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.
| Critère | Algorithme classique | IA, machine learning |
|---|---|---|
| Origine des règles | Écrites par un humain | Apprises à partir de données |
| Nature | Déterministe | Probabiliste |
| Données traitées | Structurées | Structurées et non structurées |
| Explicabilité | Totale | Partielle, effet « boîte noire » |
| Amélioration | Non, les règles sont fixes | Oui, avec plus de données |
| Exactitude | Exacte, sauf erreur de programmation | Jamais 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.
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.
Dès que les règles sont connues, stables et définies par la loi ou par contrat, l'algorithme classique est imbattable :
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.
L'IA prend l'avantage dès qu'il est impossible d'écrire toutes les règles à la main :
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.
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 :
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.
Cette organisation n'est pas seulement une bonne pratique. Le droit la pousse dans la même direction.
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.
Avant tout projet, posez ces quatre questions, dans cet ordre.
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.

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.

45 minutes pour partager vos enjeux
Pas de blabla, je partage les meilleures pratiques pour améliorer la performance de votre entreprise.