Qu’est-ce que l’IA native ?

Alors que l’intelligence artificielle (IA) s’intègre dans tous les secteurs, les entreprises décrivent de plus en plus leurs produits, plateformes et workflows comme étant optimisés ou enrichis par l’IA. Pourtant, l’expression « IA native » désigne quelque chose de plus profond et de plus structurel. Les systèmes augmentés par l’IA s’appuient sur celle-ci comme outil d’assistance, tandis que les systèmes IA natifs sont intrinsèquement pilotés par l’IA.

Les startups qui font de l’IA un axe stratégique central peuvent être considérées comme IA natives, tout comme les entreprises établies qui réorientent entièrement leur modèle économique autour des données et des modèles d’IA. Ce qualificatif ne désigne pas simplement l’utilisation d’outils d’IA, mais une approche fondamentale dans laquelle l’IA façonne dès le départ l’architecture, la prise de décision, l’expérience utilisateur et l’ensemble du cycle de vie du système. Cela comprend la manière dont les données sont collectées, les workloads exécutées, la latence gérée et les systèmes mis à l’échelle.

Cependant, en raison de l’enthousiasme et des investissements considérables que suscite l’IA dans le secteur technologique, l’expression « IA native » est souvent employée comme un mot à la mode dans des contextes où elle ne s’applique pas réellement. Elle possède néanmoins une véritable utilité. Comprendre ce que signifie réellement être natif de l’IA est important pour évaluer le foisonnement actuel d’avancées technologiques et distinguer les véritables avantages concurrentiels du battage marketing.

De la même manière que l’expression « mobile native » désignait les applications conçues spécifiquement pour les smartphones, par opposition aux ordinateurs de bureau, « IA native » indique une relation avec l’IA qui se manifeste de bout en bout dans l’ensemble de l’architecture et de la pile technologique. On peut s’attendre à ce que l’utilité de cette expression diminue avec le temps, à mesure que l’IA se généralisera.

Le développement logiciel traditionnel repose sur des conceptions fondées sur une logique déterministe et des règles prédéfinies établies par des programmeurs humains. L’accomplissement d’une tâche complexe à l’aide d’outils logiciels peut donc nécessiter de guider manuellement un système logiciel en lui fournissant différentes données et en ajustant ses paramètres jusqu’à obtenir le résultat souhaité. Une calculatrice ou une macro de feuille de calcul n’a aucune capacité d’apprentissage ou d’adaptation ; tous ses comportements sont prédéterminés.

L’IA, en revanche, n’a pas besoin d’instructions explicites : elle « apprend » elle-même les règles en examinant de nombreux exemples d’une tâche. Les applications et systèmes d’IA utilisent des algorithmes de machine learning pour repérer des tendances dans d’immenses volumes de données afin de prendre des décisions ou d’établir des prédictions. Ce processus leur permet d’exceller dans le traitement de données non structurées et, dans certains cas, d’effectuer un apprentissage continu au fil du temps. Cet apprentissage dépend de pipelines de traitement des données, de jeux de données tenant compte du contexte et de pratiques permanentes de gestion des données.

Pour qu’un produit ou un workflow soit véritablement natif de l’IA, ses capacités d’IA ne peuvent pas constituer un simple ajout à un système existant. L’IA ne peut pas être un composant amovible. Autrement dit, si l’IA était supprimée, le produit ne se contenterait pas de cesser de fonctionner comme prévu : il perdrait toute utilité.

Un navigateur web qui utilise l’IA de manière limitée, par exemple pour proposer une fonctionnalité intelligente de narration destinée à améliorer l’accessibilité, ne pourrait pas être considéré comme natif de l’IA.

À l’inverse, dans les conceptions IA natives, les utilisateurs interagissent souvent en langage naturel, et l’automatisation fait intrinsèquement partie du fonctionnement central du produit plutôt que d’être une fonction auxiliaire. Ces systèmes s’appuient fréquemment sur des couches d’orchestration qui coordonnent des modèles, des outils, des API et des services externes.

Le navigateur Comet de Perplexity est un exemple de navigateur IA natif. Un assistant d’IA est intégré à l’expérience et peut résumer du contenu, rédiger des e-mails ou comparer des résultats d’achat : l’expérience passe par l’IA à chaque étape. Il n’est pas nécessaire d’ouvrir une barre latérale pour utiliser l’IA : elle est déjà présente.

IBM Bob est un environnement de développement intégré (IDE) natif de l’IA dédié aux entreprises. Il ne s’agit pas simplement d’un chatbot ajouté à un éditeur. Il est conçu pour fonctionner au sein de l’IDE et de la ligne de commande afin d’aller au-delà de la simple complétion de code en prenant en charge des workflows agentiques complexes.

Comme l’architecture native de l’IA repose sur des résultats probabilistes, l’itération et l’adaptation, plutôt que sur les règles rigides et les processus déterministes des logiciels traditionnels, ses workflows ne sont pas de simples versions automatisées d’anciens processus qui exécuteraient plus rapidement les mêmes étapes. De longs processus comportant plusieurs étapes peuvent être condensés en un seul prompt. Un agent d’IA peut alors partir de cette interaction et effectuer une série d’étapes de raisonnement pour accomplir la tâche. Ces agents peuvent exécuter en amont des workloads telles que la planification, la sélection des outils et l’évaluation avant de produire des résultats.

En s’appuyant sur les schémas comportementaux de l’utilisateur, un système IA natif peut s’améliorer au fil du temps et devenir plus utile, non seulement dans l’exécution de tâches précises, mais aussi dans sa manière fondamentale d’interagir avec l’utilisateur.

Les progrès récents de l’IA générative ont accéléré l’essor de nouveaux systèmes natifs de l’IA. Les modèles d’IA générative permettent aux systèmes de créer dynamiquement du texte, des images, du code et d’autres résultats, ce qui permet de dépasser les automatisations limitées au profit de systèmes d’IA agentique capables de raisonner et de prendre des décisions de manière autonome. L’IA générative n’est pas une simple nouveauté : elle constitue le cœur cognitif du système. Les systèmes intelligents qui en résultent ont redéfini l’expérience utilisateur et transformé l’interface en un assistant ou un copilote en temps réel plutôt qu’en un panneau de commande.

Avant l’IA générative, les systèmes natifs de l’IA étaient généralement spécialisés, car les concepteurs les optimisaient pour des tâches précises. Les frameworks génératifs ont regroupé plusieurs pipelines au sein d’architectures unifiées capables de prendre en charge de nombreux types de cas d’utilisation.

Créer un système natif de l’IA ne consiste pas simplement à lui greffer un produit d’IA prêt à l’emploi. Les systèmes IA natifs présentent souvent des structures de coûts non linéaires. La collecte et le traitement des données nécessaires constituent à eux seuls une entreprise considérable, tout comme l’entraînement, la maintenance et l’orchestration des modèles ou des agents. Il faut également intégrer un paradigme de gouvernance de l’IA fondé sur des principes d’IA responsable, afin que les déploiements d’IA ne menacent pas la mission de l’entreprise. Les systèmes d’IA peuvent connaître des défaillances spectaculaires : hallucinations, erreurs de raisonnement, mauvaise utilisation des outils ou dérive progressive des modèles.

Un système natif de l’IA implique généralement la création d’un système global de gestion de l’IA, qui fournit un cadre pour le développement, le déploiement et la surveillance continue des systèmes d’IA. Ces systèmes atténuent les risques liés à l’IA et favorisent la conformité réglementaire.

Ces difficultés méritent toutefois d’être surmontées pour deux raisons principales.

Tout d’abord, les systèmes d’IA matures sont difficiles à reproduire, car leur intelligence est intégrée aux workflows plutôt qu’à des fonctionnalités. Les workflows sont dynamiques. Leur logique est répartie dans le code d’orchestration, éclairée par les données historiques d’utilisation et affinée par essais et erreurs. Les modèles apprennent constamment à mieux effectuer leurs tâches au fil du temps, et reproduire cette intelligence accumulée n’est pas un projet simple. En outre, cette amélioration génère des rendements cumulatifs que les logiciels traditionnels ne peuvent pas obtenir.

Le fait de se positionner entre les utilisateurs et les grandes entreprises qui créent et assurent la maintenance des modèles les plus connus offre de nombreuses possibilités de créer de la valeur : déterminer quelles données sont pertinentes, quels outils doivent être consultés, quelles informations doivent être présentées et de quelle manière. Cette couche contrôle le contexte et façonne l’intelligence, tout en masquant derrière le langage naturel la complexité sous-jacente. L’entreprise native de l’IA joue le rôle d’une sorte de coordinatrice au sein de l’écosystème. Elle aide l’utilisateur à tirer le maximum de valeur du modèle pour répondre à ses besoins spécialisés. Ainsi, même sans posséder le modèle, ces entreprises peuvent apporter une valeur considérable.