Concepts · IA générative
IA générative, machine learning, deep learning : quelle différence ?
20 juin 2026 · 6 min de lecture · Mis à jour le 4 juin 2026
Ce sont des poupées russes : le machine learning est une branche de l'intelligence artificielle, le deep learning est un type de machine learning, et l'IA générative est une application du deep learning qui produit du contenu nouveau. Chaque terme est contenu dans le précédent, du plus large au plus précis.
Ces quatre mots sont souvent employés comme synonymes dans les discussions sur l'IA. Ils ne le sont pas. Savoir lequel s'emboîte dans lequel t'évite de confondre une calculatrice de risque avec un robot qui écrit des e-mails, et de payer pour le mauvais outil.
L'intelligence artificielle, le terme parapluie
L'intelligence artificielle (IA) désigne tout système informatique qui accomplit une tâche qui semblerait demander de l'intelligence si un humain la faisait : reconnaître un visage, jouer aux échecs, classer un courrier en spam.
C'est le cercle le plus large, et le plus vieux. Bien avant le machine learning, on faisait de l'IA avec des règles écrites à la main : des systèmes experts, des arbres de décision codés par des humains, du genre « si le montant dépasse 10 000 euros et que le client est nouveau, alors signaler ». Ces approches existent toujours et marchent très bien quand les règles sont stables et connues. Elles ne sont juste pas ce dont tout le monde parle depuis 2023.
Le machine learning : apprendre des exemples, pas des règles
Le machine learning (apprentissage automatique) est la branche de l'IA où le système apprend des régularités à partir de données, au lieu de suivre des règles écrites à la main.
La différence est concrète. Dans l'ancienne approche, un humain écrit la règle « un avis qui contient le mot horrible est négatif ». En machine learning, tu donnes au système des milliers d'avis déjà étiquetés positif ou négatif, et il déduit tout seul les régularités qui séparent les deux. Personne n'a écrit la règle ; elle a été apprise.
Ça vaut le coup quand les règles sont trop nombreuses, trop floues ou trop changeantes pour être listées à la main. Reconnaître un chat sur une photo se décrit mal en règles ; ça s'apprend bien par l'exemple.
Le deep learning : des réseaux de neurones à plusieurs couches
Le deep learning (apprentissage profond) est un sous-ensemble du machine learning qui utilise des réseaux de neurones artificiels organisés en plusieurs couches.
Un réseau de neurones est un empilement de calculs simples, en couches successives, où chaque couche transforme un peu plus la donnée. Le mot « profond » désigne exactement ça : beaucoup de couches empilées. Cette profondeur lui permet d'apprendre des motifs très complexes, comme la forme d'un visage ou la structure d'une phrase, sans qu'un humain ait à décrire ces motifs.
Le deep learning n'est pas toujours le bon choix. Il a besoin de beaucoup de données et de puissance de calcul. Pour prédire si une facture sera payée en retard à partir de dix colonnes d'un tableur, un modèle de machine learning plus simple est souvent aussi bon, plus rapide et plus explicable.
L'IA générative : produire du nouveau, pas seulement classer
L'IA générative est une application du deep learning qui produit du contenu nouveau (texte, image, son, parfois vidéo) au lieu de seulement classer ou prédire une étiquette.
C'est la bascule clé. Un modèle de machine learning classique répond à une question fermée : cet avis est-il positif ou négatif ? Cette facture sera-t-elle payée en retard, oui ou non ? Un modèle génératif, lui, fabrique une réponse ouverte : il rédige le texte, dessine l'image, compose le son. Les grands modèles de langage (LLM, pour large language models) qui font tourner les assistants conversationnels récents sont l'exemple le plus connu d'IA générative. Pour comprendre comment ils marchent, vois c'est quoi un LLM.
L'exemple Maisons&Mobilia : trier les avis ou y répondre
Maisons&Mobilia (M&M), une enseigne de meubles, reçoit des centaines d'avis clients par semaine. Deux besoins, deux familles d'IA.
D'abord, savoir combien d'avis sont mécontents cette semaine, et lesquels. C'est une tâche de classification : chaque avis reçoit une étiquette, positif ou négatif. Un modèle de machine learning entraîné sur des avis déjà étiquetés fait ça très bien, vite et à bas coût. Il ne crée rien, il range.
Ensuite, Sophie veut envoyer à chaque client mécontent une réponse personnalisée qui reprend son problème précis. Là, classer ne suffit plus : il faut écrire un texte neuf, différent à chaque fois. C'est une tâche générative, et c'est un LLM qui s'en charge. Même sujet, les avis clients, mais deux outils différents selon que tu ranges ou que tu rédiges.
Le tableau pour s'y retrouver
| Terme | Ce que ça fait | Exemple chez M&M |
|---|---|---|
| IA classique (règles) | Suit des règles écrites à la main | Signaler toute commande au-dessus de 10 000 euros |
| Machine learning | Apprend des régularités à partir de données | Classer un avis client en positif ou négatif |
| Deep learning | Machine learning avec des réseaux de neurones à plusieurs couches | Reconnaître un meuble abîmé sur une photo |
| IA générative | Crée du contenu nouveau (texte, image, son) | Rédiger une réponse personnalisée à un avis |
Retiens le sens des emboîtements : toute IA générative est du deep learning, tout deep learning est du machine learning, tout machine learning est de l'IA. L'inverse est faux. Une règle « si montant > 10 000 » est de l'IA, mais ni du machine learning, ni du deep learning, ni du génératif.
Pourquoi la distinction compte pour ton budget
Confondre ces niveaux coûte cher. Brancher un LLM génératif sur une tâche de simple classification, c'est sortir un outil lourd et facturé au token pour un travail qu'un modèle de machine learning ferait pour une fraction du prix. À l'inverse, espérer qu'un classifieur rédige des réponses, c'est lui demander une chose qu'il ne sait pas faire par construction.
La bonne question n'est donc pas « quelle IA est la plus puissante », mais « ma tâche range-t-elle des choses dans des cases, ou fabrique-t-elle quelque chose de neuf ». La réponse t'oriente vers la bonne famille, et souvent vers la plus économique.
Aller plus loin
Maintenant que la hiérarchie est posée, le maillon le plus utile au quotidien est le LLM, le moteur de l'IA générative textuelle : c'est quoi un LLM. Et pour brancher un de ces modèles sur tes propres documents sans le réentraîner, regarde qu'est-ce qu'un RAG.
Tu peux aussi tester ces notions en pratique dans l'app saisir.ai, qui décompose chacune en modules courts et concrets.
Questions fréquentes
- Le deep learning et le machine learning, c'est pareil ?
- Non. Le deep learning est un sous-ensemble du machine learning : c'est du machine learning qui utilise des réseaux de neurones à plusieurs couches. Tout deep learning est du machine learning, mais beaucoup de machine learning (forêts aléatoires, régressions) n'utilise pas de réseaux de neurones et n'est donc pas du deep learning.
- L'IA générative est-elle forcément du deep learning ?
- Oui. Les modèles génératifs grand public reposent tous sur des réseaux de neurones profonds, donc sur du deep learning. C'est ce qui leur permet d'apprendre des structures assez riches pour produire du texte ou des images cohérents plutôt que de simplement ranger une donnée dans une case.
- Quand vaut-il mieux du machine learning classique que de l'IA générative ?
- Quand la tâche consiste à classer ou prédire une étiquette à partir de données structurées : détecter une fraude, prévoir un retard de paiement, trier des avis. Un modèle plus simple est alors souvent plus rapide, moins cher et plus facile à expliquer qu'un grand modèle génératif facturé au token.
- Un système à base de règles, c'est de l'IA ?
- Oui, au sens large. L'IA inclut les approches anciennes par règles écrites à la main (systèmes experts, arbres de décision codés par des humains). Ce n'est ni du machine learning ni du deep learning, car le système n'apprend rien à partir de données : il applique des règles qu'un humain a fixées.