« Faut-il réorienter le budget IA vers l’IA générative ? » La question arrive en comité de direction sous cette forme, ou sous une autre : « ce projet de prévision des ventes, est-ce de l’IA générative ? ». Elle suppose deux technologies concurrentes. La différence entre IA et IA générative est d’une autre nature. L’IA désigne le domaine entier : tous les systèmes qui tirent de données ou de règles une prédiction, un classement, une recommandation ou une décision. L’IA générative en est une branche, dont la sortie est un contenu nouveau : texte, image, son ou code.
Ce que les comités opposent en pratique, ce sont deux familles de modèles. La première, souvent appelée IA prédictive, estime une valeur ou range un cas dans une catégorie. La seconde rédige, résume ou répond. Elles ne se remplacent pas. Le choix part de ce que le système doit produire : un chiffre ou une catégorie, que les faits confirmeront ou démentiront, ou un contenu, qu’une personne devra lire et juger.
IA, apprentissage automatique, IA générative : des ensembles emboîtés
L’intelligence artificielle est un domaine ancien. Elle couvre les systèmes à base de règles écrites par des experts, les méthodes d’optimisation et l’apprentissage automatique (machine learning), dans lequel un modèle apprend à partir d’exemples plutôt que de règles. L’apprentissage profond, fondé sur des réseaux de neurones, est une partie de l’apprentissage automatique.
L’IA générative, telle qu’elle se déploie aujourd’hui, appartient à son tour à l’apprentissage profond. Elle regroupe les modèles entraînés à produire un contenu : les grands modèles de langage pour le texte et le code, les modèles de diffusion pour l’image. Toute IA générative est donc de l’IA. L’inverse est faux : un moteur de règles ou un modèle de score ne génère aucun contenu.
Le vocabulaire entretient la confusion. « IA prédictive », « IA traditionnelle », « IA classique » ou « IA discriminative » désignent, par contraste, ce qui n’est pas génératif. Aucun de ces termes n’est normalisé : dans une note de cadrage, faites préciser ce que chacun recouvre. La frontière tient d’ailleurs autant à l’usage qu’à la technique. Un grand modèle de langage (LLM) peut classer un courriel ou extraire une date d’un contrat, ce qui revient à confier une tâche de classement ou d’extraction à un modèle génératif.
Différence entre IA et IA générative : le comparatif point par point
Le tableau compare les deux familles telles qu’elles se présentent dans un projet : d’un côté des modèles prédictifs spécialisés, de l’autre des modèles génératifs préentraînés.
| Critère | IA prédictive | IA générative |
|---|---|---|
| Sortie | Une valeur, une probabilité, une catégorie, un classement | Un contenu : texte, image, son, code |
| Matière première | Des données structurées et historisées, souvent étiquetées, propres à l’organisation | De très grands corpus généraux pour l’entraînement initial, puis vos documents fournis au moment de la demande |
| Origine du modèle | Entraîné par vos équipes, ou paramétré dans un logiciel, pour une tâche donnée | Préentraîné, le plus souvent par un tiers, puis adapté par des consignes, des documents ou un ajustement |
| Étendue | Une tâche par modèle | De nombreuses tâches avec le même modèle |
| Stabilité de la sortie | À version égale, la même entrée donne la même sortie | La sortie peut varier d’un appel à l’autre |
| Vérification | Comparaison de la prédiction à ce qui s’est réellement produit | Lecture critique : exactitude, fidélité aux sources, respect de la forme attendue |
| Erreur typique | Une prédiction fausse, dénombrable après coup | Un contenu plausible et faux, que rien ne signale |
Les deux dernières lignes pèsent le plus dans une décision. Un modèle prédictif se trompe d’une manière que l’on peut compter : sur un jeu de test, le taux d’erreur est connu avant la mise en service. Un modèle génératif se trompe en écrivant avec la même assurance une phrase juste et une phrase fausse. Son évaluation demande un jeu de cas de référence et une part de jugement humain. Les deux familles ne s’exploitent pas non plus de la même manière : la comparaison figure dans notre page MLOps et LLMOps.
Les situations où un modèle prédictif reste le bon choix
La sortie attendue est un nombre ou une catégorie, et la réalité finit par trancher. Prévision de la demande, score de risque, détection de fraude, maintenance prévisionnelle, probabilité de résiliation : dans tous ces cas, la prédiction se compare tôt ou tard à un fait observé. Cette comparaison permet de mesurer le modèle, puis de le corriger.
La matière première est faite de données structurées : transactions, relevés de capteurs, séries temporelles. Un modèle de langage ne calcule pas à partir de vos historiques. Il produit du texte vraisemblable, chiffres compris.
La décision doit être reproductible et expliquée. Lorsqu’un résultat touche une personne (un tarif, une priorité de traitement, l’issue d’une demande), il faut pouvoir montrer que deux dossiers identiques reçoivent la même réponse et dire quelles variables ont pesé. Un modèle prédictif dont la version est figée s’y prête mieux qu’un modèle dont la sortie varie.
Le volume est élevé et le délai de réponse court. Un modèle spécialisé, de petite taille, traite un flux continu de cas. Son exploitation demande surtout de surveiller sa dérive.
Là où l’IA générative l’emporte
La matière est du langage ou du contenu non structuré : contrats, procédures, courriels, comptes rendus, code. Rédiger un premier jet, résumer un dossier, reformuler, traduire, répondre à une question à partir d’un fonds documentaire sont des tâches auxquelles les modèles prédictifs n’apportent pas de réponse générale. L’interrogation d’un corpus interne repose le plus souvent sur une architecture de RAG.
Il n’existe pas de jeu de données étiqueté. Un modèle prédictif suppose de réunir un historique et de le qualifier avant le premier résultat. Un modèle préentraîné démarre avec une consigne et quelques exemples, ce qui raccourcit le chemin jusqu’à un premier essai, sans dispenser de l’évaluer.
Les tâches sont nombreuses et changeantes. Un même modèle traite des demandes de nature différente, là où chacune aurait exigé son propre modèle.
Une personne lit la sortie et peut la corriger. C’est la condition qui rend l’erreur plausible supportable : un brouillon relu, une synthèse vérifiée sur ses sources, une réponse qui cite les passages utilisés. Les conditions d’une mise en service fiable (jeu de test, réponses sourcées, refus prévus, exploitation) sont détaillées dans notre page consacrée à l’IA générative en entreprise.
Quand les deux familles travaillent ensemble
Beaucoup de processus appellent les deux, à des étapes différentes.
En amont d’un modèle prédictif, un modèle de langage transforme du texte libre en données exploitables. Il extrait d’une déclaration de sinistre le motif, la date et les circonstances, qui deviennent des variables pour un modèle de score.
En aval, il met en mots un résultat calculé ailleurs. Le modèle prédictif produit la prévision, le modèle de langage rédige le commentaire destiné au responsable métier, avec pour consigne de ne modifier aucun chiffre.
Le montage inverse est le piège à éviter : demander à un assistant de produire lui-même la prévision ou le score, parce qu’il est déjà en place et qu’il répond toujours quelque chose.
Ce que la distinction change dans un arbitrage de comité
Le budget ne se partage pas entre deux enveloppes concurrentes. Il s’arbitre cas d’usage par cas d’usage, et la famille de modèles découle du besoin. Les postes de dépense diffèrent : un projet prédictif investit d’abord dans la préparation des données et la construction du modèle, un projet génératif dans le corpus, l’intégration et l’évaluation, puis, le plus souvent, dans un usage facturé au volume.
Les compétences ne sont pas les mêmes non plus. Les premiers projets mobilisent la statistique et la science des données. Les seconds relèvent davantage de l’ingénierie logicielle, de la préparation documentaire et de la conception de jeux d’évaluation.
Le cadre réglementaire, enfin, ne suit pas cette frontière. Le règlement (UE) 2024/1689 gradue les obligations selon le niveau de risque de l’usage et prévoit un régime propre aux modèles d’IA à usage général, comme le rappelle notre fiche sur l’AI Act. Un score prédictif employé dans un domaine sensible peut appeler davantage d’exigences qu’un assistant de rédaction.
La priorisation des cas d’usage et leur business case relèvent de la stratégie IA. Pour chaque ligne du portefeuille, la question posée en comité se reformule alors ainsi : que doit produire le système, à partir de quelles données, et qui en vérifiera la sortie ?