Les différents types d'IA : classements, exemples et usages en entreprise

IA faible, IA générale, IA générative, IA agentique, IA à mémoire limitée… Quand on cherche les types d'IA, on tombe sur des listes qui se contredisent. Un site en compte quatre, un autre sept, un troisième vous parle de superintelligence. De quoi décourager un dirigeant qui se pose une question simple : qu'est-ce que l'IA peut faire pour mon entreprise ?

Le sujet n'a pourtant plus rien de théorique. En 2025, 18 % des entreprises françaises de 10 salariés ou plus utilisent au moins une technologie d'intelligence artificielle, trois fois plus qu'en 2023, selon l'Insee. Et parmi celles qui ne s'y sont pas mises, la moitié citent le manque d'expertise.

Ces listes ne se contredisent pas vraiment : elles ne classent pas les systèmes selon le même critère. Ce guide vous présente les quatre grilles de lecture les plus courantes, avec des exemples concrets. Puis il vous montre celle qui compte vraiment pour une PME, et ce que la loi européenne impose selon l'usage. Pour une vue d'ensemble, voyez aussi notre guide de l'IA en PME et ETI.

Combien existe-t-il de types d'IA ?

Il n'existe pas de liste officielle. On classe l'intelligence artificielle selon quatre grilles : ses capacités (faible, générale, superintelligence), son fonctionnement (les quatre types d'Arend Hintze), sa technique (règles écrites ou apprentissage) et son usage en entreprise (prédire, générer, agir).

C'est ce mélange de critères qui brouille les pistes. Comparer « IA générative » et « IA faible », c'est comparer un usage à un niveau de capacité. Un même outil appartient souvent à plusieurs catégories. Un assistant conversationnel est à la fois faible, à mémoire limitée, issu de l'apprentissage et génératif.

IA faible, IA générale : le classement par capacités

C'est le classement le plus ancien. Il mesure la machine à l'aune de l'intelligence humaine, en trois niveaux.

L'IA faible, ou étroite, réalise une tâche précise, souvent mieux et plus vite qu'un humain, mais rien d'autre. Un logiciel de traduction ne sait pas lire une facture. Selon IBM, c'est le seul type qui existe aujourd'hui. Toutes les autres formes restent théoriques.

L'IA générale, parfois appelée IA forte, serait capable d'apprendre n'importe quelle tâche intellectuelle, comme un humain. Aucun système ne l'atteint à ce jour.

La superintelligence, elle, dépasserait l'humain dans tous les domaines. Elle relève pour l'instant de la prospective.

Les 4 types d'IA d'Arend Hintze

En 2016, le chercheur Arend Hintze a proposé une autre grille, devenue très populaire. Il classe les machines selon ce qu'elles retiennent et comprennent (The Conversation) :

1. Les machines réactives répondent à une situation sans aucune mémoire. Deep Blue, l'ordinateur d'IBM qui a battu Garry Kasparov aux échecs en 1997, en est l'exemple type.
2. La mémoire limitée : la machine s'appuie sur des données récentes pour décider. C'est le cas de la plupart des outils actuels, des voitures autonomes aux assistants conversationnels.
3. La théorie de l'esprit : la machine comprendrait les émotions et les intentions des personnes. Ce niveau reste au stade de la recherche.
4. La conscience de soi : la machine aurait une conscience propre. Ce niveau est purement hypothétique.

Seuls les deux premiers types existent. Pour un dirigeant, ces deux grilles éclairent le débat public, mais elles n'aident guère à choisir un logiciel.

IA symbolique ou apprentissage automatique : comment raisonnent les systèmes d'IA ?

Il existe deux grandes façons de faire. Soit un humain écrit les règles à la main : c'est l'approche symbolique, celle des systèmes experts. Soit la machine déduit les règles à partir d'exemples : c'est l'apprentissage automatique, dont le deep learning est la forme la plus puissante.

L'approche symbolique applique des règles explicites du type « si le stock passe sous tel seuil, alors commander ». Elle est transparente : on sait toujours pourquoi une décision a été prise. Sa limite, c'est qu'elle ne connaît que ce qu'on lui a écrit.

L'apprentissage automatique (machine learning) donne aux machines la capacité d'apprendre à partir de données, via des modèles mathématiques, selon la CNIL. Les algorithmes repèrent des régularités dans de grands ensembles de données. En apprentissage supervisé, on leur montre des exemples déjà étiquetés. En non supervisé, ils cherchent seuls des regroupements. Le deep learning pousse la logique plus loin grâce aux réseaux de neurones artificiels. C'est lui qui rend possible le traitement du langage naturel, la vision ou la reconnaissance vocale. Revers de la médaille : les algorithmes reproduisent les préjugés présents dans les données qui les ont nourris.

Plus puissant ne veut pas dire plus adapté. Chez un distributeur de matériel électrique sous Sage 100, nous avons construit des alertes d'achat sur des règles explicites. Le délai réel de chaque fournisseur est recalculé à partir de l'historique des réceptions, et jugé fiable dès trois réceptions. Résultat : 202 références en alerte, dont 146 en rupture, et 322 k€ à commander. La liste arrive chaque matin dans la boîte mail de l'équipe achats. Aucun modèle d'apprentissage n'était nécessaire, et chaque alerte s'explique en une phrase.

Quels types d'IA utiliser en entreprise ?

Pour une PME, trois usages couvrent l'essentiel. L'IA prédictive anticipe à partir de l'historique, par exemple une vente ou une rupture. L'IA générative produit du contenu : texte, résumé, image. L'IA agentique enchaîne des actions de manière autonome pour atteindre un objectif.

C'est la grille la plus utile, car elle part d'un besoin métier. Elle aide aussi à repérer les cas d'utilisation de l'IA les plus rentables chez vous. L'Insee retient de son côté huit technologies dans son enquête. Chez les entreprises utilisatrices, l'analyse automatique de texte arrive en tête, à 56 %. La génération de texte ou de parole suit, à 43 % (Insee). Les éditeurs comme Salesforce retiennent la même logique d'usage : prédire, générer, agir.

IA prédictive : l'IA traditionnelle qui repère les tendances

C'est la plus ancienne en entreprise, et l'outil du pilotage opérationnel. Les modèles apprennent sur votre historique et prolongent ce qu'ils y observent : prévision des ventes, détection d'impayés, maintenance des machines. Son atout : une prise de décision plus rapide, fondée sur des chiffres plutôt que sur l'intuition. Sa condition : un historique propre et structuré.

IA générative : rédiger, résumer, répondre au service client

L'IA générative s'appuie sur les grands modèles de langage (LLM), entraînés à grande échelle sur d'immenses volumes de textes. Elle rédige un mail, résume un appel d'offres ou prépare une fiche produit à partir de consignes en langage naturel. On la retrouve dans les assistants de messagerie et dans les applications de bureautique.

Pour tirer parti de l'IA générative au quotidien, le service client est un bon point de départ. Les chatbots traitent les demandes des clients les plus fréquentes, de jour comme de nuit, et transmettent les cas complexes à un conseiller. L'expérience client y gagne, et l'équipe se concentre sur les interactions qui demandent un vrai conseil. Reste à vérifier comment l'IA générative traite vos données : où sont-elles hébergées, servent-elles à entraîner le modèle ?

IA agentique : les agents IA qui passent à l'action

L'IA agentique va plus loin. Les agents IA ne se contentent pas de répondre : ils planifient et exécutent plusieurs étapes, en s'appuyant sur les logiciels de l'entreprise. Par exemple, relancer un fournisseur, puis mettre à jour la commande dans l'ERP.

Ces agents autonomes automatisent les tâches répétitives et fluidifient les flux de travail entre plusieurs outils. Ils aident à rationaliser les processus qui traversent plusieurs services, comme les workflows de commande ou de facturation. Mais plus les agents d'IA agissent seuls, plus une intervention humaine doit rester possible aux étapes sensibles, comme un paiement.

Par où commencer ?

Pas besoin de mobiliser les ingénieurs pour l'IA générative, utilisable dès le premier jour. C'est différent pour l'IA prédictive, qui exige des données historiques fiables. Partez d'une tâche précise et répétitive, dont l'amélioration se mesure. L'objectif : réduire les coûts d'une tâche ou améliorer les délais de réponse, chiffres à l'appui. Il s'agit d'automatiser les tâches qui pèsent sur les opérations, pas de tout transformer d'un coup.

Notre guide pour automatiser ses tâches avec l'IA vous aide à repérer la bonne tâche. Puis comparez les solutions d'IA avec notre méthode pour choisir la bonne IA.

Que dit l'AI Act sur les types d'IA ?

Le règlement européen classe les systèmes non par technique, mais par niveau de risque. Il en distingue quatre : inacceptable (interdit), haut risque (exigences renforcées), risque limité (obligation de transparence) et risque minimal (usage libre). Vos obligations dépendent de l'usage, pas de la technologie.

Le règlement (UE) 2024/1689 fixe ces quatre niveaux :

• Risque inacceptable : notation sociale, manipulation des personnes vulnérables. Ces pratiques sont interdites depuis le 2 février 2025.
• Haut risque : outils utilisés pour recruter, évaluer des salariés ou accorder un crédit. Ils exigent documentation, contrôle humain et évaluation de conformité.
• Risque limité : assistants conversationnels, comme un chatbot de service à la clientèle, et contenus générés. L'utilisateur doit savoir qu'il échange avec une machine.
• Risque minimal : filtres anti-spam, recommandations, prévisions de stock. Aucune obligation particulière.

Bonne nouvelle : la plupart des usages d'une PME relèvent du risque limité ou minimal. Le point de vigilance concerne les ressources humaines. Un outil qui trie des candidatures bascule dans le haut risque, quelle que soit sa technique.

Avant le type d'IA, la qualité des données

Quel que soit le type retenu, un système ne vaut que ce que valent les données qui l'alimentent. Un modèle prédictif entraîné sur un historique de ventes incomplet prévoit faux. Et une IA générative peut inventer des réponses plausibles quand elle manque d'informations fiables : ce sont les hallucinations de l'IA.

Chez un thermoformeur sous Clipper, nous avons construit un suivi de la consommation matière en plus de 60 étapes. Il a fallu unifier les matières : rattacher les codes inactifs à leur remplaçant, tout convertir en kilos. Et la première version du calcul était fausse. C'est la revue avec l'équipe métier qui a permis de repérer l'erreur et de la corriger. Aucun algorithme ne l'aurait détectée seul.

D'où une règle simple : avant de choisir un type d'IA, vérifiez que vos données sont centralisées, fiables et comprises par les métiers. C'est ce socle qui distingue les projets d'IA qui produisent des résultats de ceux qui produisent des surprises.

Conclusion : partir de la décision, pas de la technologie

Le nombre de types d'IA dépend de la grille utilisée. Les classements par capacités et par fonctionnement nourrissent le débat public, mais ils décrivent surtout l'avenir : seule l'IA faible existe aujourd'hui. Pour une entreprise, une seule grille aide vraiment à agir, celle de l'usage. Prédire une rupture, rédiger une réponse, enchaîner des actions : chaque usage a ses conditions de réussite et son niveau de risque au sens de l'AI Act.

Le point commun de tous ces systèmes compte pourtant plus que leurs différences. Aucun ne fera mieux que les données qu'on lui confie. Les étiquettes changeront au fil des innovations, cette règle restera. Avant de vous demander quel type d'IA adopter, demandez-vous quelle décision vous voulez mieux prendre, et si vos données sont prêtes à la soutenir.