Qu'est-ce qui Compte comme IA ? Une Définition Utile pour l'Ingénierie en 2026
La définition standard manuel d'IA — « systèmes qui réalisent des tâches qui demandent normalement de l'intelligence humaine » — montrait déjà son âge il y a une décennie. En 2026, elle est activement inutile. Presque n'importe quel logiciel moderne réalise des tâches qui « demandent normalement de l'intelligence humaine ». Un tableau croisé dynamique d'un tableur demande normalement de l'intelligence humaine. Une requête SQL demande normalement de l'intelligence humaine. Les appeler IA est une erreur de catégorie ; prétendre qu'elles ne le sont pas aussi.
Les ingénieurs ont besoin d'une définition qui guide les décisions, pas qui guide les communiqués de presse. La proposition que Georgios Fradelos expose dans Updated Definition of Artificial Intelligence (décembre 2025) est le cadrage d'ingénierie le plus net que j'ai vu depuis longtemps. Cela vaut la peine de la travailler, parce que l'adopter change comment vous cadrez les projets, évaluez les vendeurs et budgétisez l'infrastructure.
La Définition
Enlever les références et il reste :
Tout logiciel qui analyse et/ou génère des données (même pour son propre entraînement) et peut produire de manière routinière, avec seulement une intervention humaine exceptionnelle :
- De meilleurs résultats pour des tâches d'analyse et/ou de synthèse que le professionnel humain moyen actuel, dans la même culture professionnelle, indépendamment du coût énergétique ; ou
- Des résultats comparables pour des tâches d'analyse et/ou de synthèse, obtenus plus rapidement et/ou avec un coût énergétique mesurablement plus bas ; ou
- Les deux.
Trois choses rendent cette définition utile pour les décisions d'ingénierie.
Elle est liée aux résultats, pas à l'architecture. Elle ne se soucie pas de savoir si le système utilise des réseaux neuronaux, de l'IA symbolique, de la recherche ou des règles écrites à la main. Si le système déployé surpasse de manière routinière une ligne de base professionnelle (en qualité, vitesse ou énergie), il compte. Sinon non, quelle que soit la mécanique interne. Cela tue le débat « est-ce que X est vraiment de l'IA ? » et le remplace par un test mesurable.
Elle est consciente de l'énergie. Le coût énergétique est une dimension de premier ordre de la définition, pas une externalité. Un système qui produit des résultats « comparables » à ceux d'un professionnel humain mais utilise 100× l'énergie pour le faire n'est pas une amélioration — c'est une dégradation avec des étapes en plus. Cela force l'honnêteté sur le fait que le déploiement d'IA est vraiment une amélioration nette ou une augmentation de coût à la mode.
Elle est bornée par la culture professionnelle. La ligne de base de référence est « le professionnel humain moyen actuel, dans la même culture professionnelle ». Pas la médiane humaine. Pas une ligne de base des années 90. Pas un objectif aspirationnel. Cela ancre la comparaison dans quelque chose de mesurable et actuel, et oblige à réévaluer à mesure que la ligne de base bouge.
Pourquoi Cela Aide un CTO
Trois décisions concrètes deviennent plus faciles sous ce cadrage.
Évaluation des vendeurs
Quand un vendeur dit que son produit est « propulsé par IA », la question devient spécifique : contre quelle ligne de base professionnelle surpasse-t-il, de combien et à quel coût énergétique ? Si le vendeur ne peut pas répondre, vous n'avez pas une affirmation d'IA — vous avez une affirmation marketing.
En pratique cette conversation fait remonter beaucoup de choses. Une fraction non négligeable d'outils « d'IA » en 2026 livre une qualité comparable à celle d'un professionnel junior à un coût d'infrastructure plus élevé qu'un professionnel junior. Ce n'est pas un déploiement d'IA ; c'est une expérience d'IA. Les deux sont légitimes, mais ils doivent être budgétés différemment.
Cadrage de projets
La définition vous donne un critère de livraison. Le système est livrable quand il produit de manière routinière des outputs (a) meilleurs, (b) plus rapides ou (c) moins chers par résultat que la ligne de base humaine qu'il remplace ou augmente. Pas « le démo impressionne ». Pas « le leadership aime les captures d'écran ». Routinier, mesurable, ancré à la ligne de base.
C'est la barrière que la plupart des pilotes GenAI ne réussissent pas à franchir silencieusement. La réponse honnête est : nous n'avons jamais mesuré la ligne de base, donc nous ne pouvons pas dire si nous l'avons dépassée. Établir la ligne de base d'abord et la re-mesurer à mesure que le modèle s'améliore élimine cette ambiguïté.
Comptabilité d'énergie et de coût
La plupart des discussions sur le coût de l'IA aujourd'hui se concentrent sur les coûts de tokens. C'est nécessaire mais pas suffisant. Le coût total d'énergie et d'infrastructure — temps GPU, refroidissement, sortie de données, orchestration de requêtes, infrastructure d'évaluation — est ce qui importe pour la comparaison énergétique. Une définition qui met l'énergie au même niveau que la qualité de l'output force cette comptabilité à se produire vraiment.
Version pratique : pour toute initiative d'IA, vous devriez pouvoir répondre « combien d'énergie le système d'IA consomme-t-il par output utile et comment cela se compare à la ligne de base humaine faisant la même tâche ». Si vous ne pouvez pas, vous n'êtes pas encore prêt à livrer en production — vous êtes prêt à instrumenter.
La Clause d'« Intervention Humaine Exceptionnelle »
Il y a une clause cachée dans la définition qui fait beaucoup de travail : avec seulement une intervention humaine exceptionnelle. La note clarificatrice spécifie que « exceptionnelle » signifie réorienter le logiciel dans des situations mathématiques qui cassent ses approximations.
En termes d'ingénierie : un flux constant de prompt engineering, ajustement de pipelines RAG, filtrage de sortie et correction avec humain dans la boucle n'est pas une intervention exceptionnelle. C'est une intervention routinière. Un système qui demande une intervention humaine routinière pour produire un output utile est, selon cette définition, un logiciel d'IA en développement, pas de l'IA déployée.
Cela importe parce que la plupart des « déploiements d'IA » que je vois en 2026 sont encore en régime d'intervention routinière. Ils produisent des sorties qui ont besoin de curation humaine pour être fiables. C'est une étape de développement légitime, mais appeler ces systèmes « IA déployée » dénature le coût opérationnel. Adopter cette définition force l'honnêteté sur quels systèmes ont vraiment été diplômés.
Vers Quoi Cette Définition Vous Pousse
Certaines choses deviennent plus difficiles à affirmer une fois ce cadrage adopté :
« IA pour l'IA. » Si le système ne dépasse pas la ligne de base humaine en qualité, vitesse ou énergie, le déploiement ne produit pas de valeur. Cela ne veut pas dire le tuer — il peut être un échelon vers un système qui le fera. Mais il devrait être honnêtement étiqueté comme R&D, pas comme IA en production.
« IA comme case à cocher de fonctionnalité. » Mettre un bouton propulsé par LLM dans le produit parce que les concurrents en ont un est bien comme marketing. Ce n'est pas, selon cette définition, un déploiement d'IA, parce qu'il n'a pas de surperformance mesurée contre une ligne de base. Ne le budgétez pas comme tel.
Affirmations d'architecture de « saut quantique ». La définition est agnostique d'architecture. Un algorithme classique bien réglé qui dépasse une ligne de base neuronale à un coût énergétique plus bas est, selon cette définition, plus IA que la ligne de base neuronale qu'il a remplacée. C'est un correctif utile contre l'hypothèse que plus grand et plus complexe est toujours plus IA.
Vers Quoi Cette Définition Vous Permet de Défendre
Elle rend aussi certaines positions peu à la mode défendables.
Une requête SQL de 200 lignes qui surpasse de manière constante un analyste junior sur une classe spécifique de rapports, s'exécute en secondes et coûte des centimes à exécuter est, selon cette définition, de l'IA. Elle analyse des données, produit des résultats meilleurs que la ligne de base professionnelle moyenne, plus rapidement et à un coût énergétique inférieur que les alternatives à ligne de base humaine. Le fait qu'elle ne soit pas un réseau neuronal est sans importance.
Ce n'est pas une fioriture rhétorique. C'est une posture pratique. La requête SQL fait le travail. L'alternative coûteuse basée sur LLM pourrait le faire pire et plus lentement à un coût plus élevé. Adopter la définition vous permet de livrer la requête SQL et d'être honnête sur le fait que vous avez livré de l'IA — sans le cadrage d'excuse que la « vraie » IA demande des architectures neuronales.
Ce que je Suggère de Faire avec Cela
Trois actions concrètes pour le trimestre :
- Pour chaque système que vous appelez actuellement « IA », écrivez la ligne de base humaine. Qualité, vitesse et énergie. Si vous ne pouvez pas, vous ne savez pas encore si le système franchit la barre.
- Re-budgétez l'IA-marketing et l'IA-production séparément. Si un système ne surpasse pas de manière routinière une ligne de base, c'est de la R&D. La R&D va dans un budget R&D avec des attentes R&D.
- Ajoutez énergie/coût-par-output-utile à vos tableaux de bord d'IA. Si votre roadmap d'IA a un budget mais pas de télémétrie de coût par output, vous volez à l'aveugle sur la partie de la définition qui contraint vraiment la viabilité à long terme.
Les définitions manuel d'IA existent pour la continuité académique. La définition d'ingénierie existe pour prendre de meilleures décisions de déploiement. Cela vaut la peine d'en adopter une de chaque.
Source : Fradelos, G. Updated Definition of Artificial Intelligence (Genève, 14 décembre 2025). SSRN 6292000.
Si votre roadmap d'IA est plein de pilotes et court en systèmes livrés qui dépassent vraiment leurs lignes de base, parlez à un CTO sur le déploiement de capacité d'ingénierie centrée sur des résultats d'IA mesurables, pas des démos.
