L'intelligence artificielle générative, l'IA générative, l'IAG (aussi orthographié IAg), l'IAgen ou la GenIA. (en anglais : generative artificial intelligence ou GenAI) est un type de système d'intelligence artificielle (IA) capable de générer du texte, des images, des vidéos ou d'autres médias en réponse à des requêtes (aussi appelées invites, ou en anglais )... Depuis le boom de l'IA au milieu des années 2020, elle est présente dans la vie quotidienne via les chatbots, les modèles texte-image et textes-vidéo, ainsi que la génération de musique par intelligence artificielle.
Elle semble avoir des applications possibles dans presque tous les domaines, avec une balance des risques et des opportunités encore discutée : l'IA générative est en effet aussi source d'inquiétudes et de défis éthiques, techniques et socioéconomiques à la hauteur des espoirs qu'elle suscite. Elle peut contribuer à des usages abusifs, accidentels ou détournés (militaires notamment), à une suppression massive d'emplois, à une manipulation de la population via la création de fausses nouvelles, de deepfakes. ou de nudges numériques..
L'IA générative questionne aussi philosophiquement la nature de la conscience, de la créativité, de la paternité., et crée de nouvelles interactions humain-machine. Elle est encore (en 2024) peu régulée et la difficulté d’évaluer la qualité et la fiabilité des contenus générés ou l’impact sur la créativité et la propriété intellectuelle humaines est croissante. Certains experts craignent que des IA génératives à venir soient capables de manipuler les humains, d'accéder à des systèmes d'armes, d'exploiter des failles de cybersécurité, voire peut-être bientôt d'acquérir une forme de conscience ou de devenir incontrôlable au point de menacer l'existence de l'humanité.. Un premier sommet mondial en sûreté de l'IA a été organisé en à Bletchley Park au Royaume-Uni, où la création d'un équivalent du GIEC pour informer sur les risques liés à l'IA a notamment été discutée..
Vocabulaire
La littérature anglophone spécialisée parle aussi d'AIGC, l'acronyme de ..
L'IA générative est associée à des « modèles génératifs », qui produisent de multiples sorties (outputs ou résultats, qui vont du texte et de l'image à des agents conversationnels ou à l'impression 3D). Un modèle génératif peut être utilisé comme « fondation » d’autres systèmes.. Et plusieurs modèles génératifs peuvent être associés. Par exemple avec ChatGPT, où le générateur de texte GPT-4 peut envoyer des requêtes à DALL-E 3 pour générer des images..
Une IA est dite multimodale quand elle peut analyser ou générer différents types de données. Par exemple, l'IA générative Google Gemini est multimodale, car bien que ne générant que du texte, elle peut analyser du texte, des images, du son, et des vidéos..
L'IA générative ne doit pas être confondue avec l'IA générale, qui est souvent définie comme une IA au moins aussi compétente que l'humain dans pratiquement toutes les tâches cognitives..
Un modèle de fondation, tel que défini par l’université de Stanford, est un modèle large (de grande taille) fondé sur une architecture de réseau de neurones profond, et entraîné sur une quantité massive de données non annotées (généralement par apprentissage auto-supervisé). Les grands modèles de langage (LLM pour Large Language Model) en font partie (entraînés sur un grand corpus de textes). Leur préentraînement est long et couteux, mais ils peuvent ensuite, moyennant quelques réglages, être adaptés et optimisés pour de nouvelles tâches, sans nécessiter beaucoup de données supplémentaires.
Le , Open source initiative propose une première version de sa définition d'IA open source., inspirée des 4 libertés de la définition du logiciel libre par la Free Software Foundation.. Celle-ci impose une description complète des données d'entraînement sans pour autant imposer de mécanisme juridique pour décrire ces données. Cette définition exclut notamment Llama, l'IA générative de l'entreprise Meta, anciennement Facebook..
Histoire Origines L'origine des médias générés par algorithme remonte au développement de la chaîne de Markov, utilisée pour modéliser le langage naturel depuis le début du siècle. Le mathématicien russe Andreï Markov a introduit ce concept en 1906.., notamment par une analyse des schémas vocaliques et consonantiques dEugène Onéguine. Une fois entraînée sur un corpus textuel, une chaîne de Markov peut générer du texte probabiliste...
Au début des années 1970, les artistes ont commencé à utiliser l'informatique pour étendre les techniques génératives au-delà des modèles de Markov. Harold Cohen a développé et exposé des œuvres produites par AARON, un programme informatique novateur conçu pour créer des peintures de manière autonome.. Les termes « planification par IA générative » ou « planification générative » ont été utilisés dans les années 1980 et 1990 pour désigner les systèmes de planification par IA, en particulier la planification des processus assistée par ordinateur, utilisés pour générer des séquences d'actions permettant d'atteindre un objectif précis... Les systèmes de planification par IA générative utilisaient des méthodes d'IA symbolique telles que la recherche état-espace et la satisfaction de contraintes, et constituaient une technologie « relativement mature » au début des années 1990. Ils ont été utilisés pour générer des plans d'action de crise à usage militaire., des plans de processus pour la production et des plans de décision, notamment pour les prototypes de vaisseaux spatiaux autonomes..
Réseaux de neurones génératifs (depuis la fin des années 2000) vignette|En haut : Un classificateur d’images, exemple de réseau neuronal entraîné avec un objectif discriminatif . En bas : Un modèle de conversion texte-image, exemple de réseau entraîné avec un objectif génératif . L'apprentissage automatique utilise à la fois des modèles discriminatifs et des modèles génératifs pour prédire les données. À partir de la fin des années 2000 et du début des années 2010, les progrès de l’apprentissage profond ont permis des améliorations majeures dans la classification d’images, la reconnaissance vocale et le traitement automatique des langues.. Durant cette période, les réseaux de neurones étaient généralement entraînés comme des modèles discriminatifs en raison de la relative difficulté d’entraîner des modèles génératifs..
En 2014, l'introduction de modèles tels que l'auto-encodeur variationnel (variational autoencoder, VAE) et le réseau antagoniste génératif (generative adversarial network, GAN) a permis une modélisation générative profonde efficace de données complexes telles que les images...
En 2017, l'architecture transformeur a permis de réaliser de nouvelles avancées dans la modélisation générative par rapport aux précédents réseaux LSTM (long short-term memory, signifiant mémoire à long et court terme).. Ces avancées ont conduit au développement de modèles transformeur génératifs préentraînés (generative pre-trained transformer, GPT), à commencer par GPT-1 en 2018..
Adoption de l'IA générative vignette|280x280px|De 2014 à nos jours, les images générées par l'IA sont de plus en plus sophistiquées.
En mars 2020, le lancement de 15.ai, une application web gratuite créée par un chercheur anonyme du MIT capable de générer des voix convaincantes à partir de peu de données d'entraînement, a été l'une des premières applications publiques de l'IA générative.. Cette plateforme est aussi considérée comme étant le premier service grand public de deepfakes audios...
L'adoption mondiale de l'IA générative dans les années 2020 a ensuite été particulièrement rapide. ChatGPT, sorti en novembre 2022, est devenu le logiciel grand public à la croissance la plus fulgurante de l'histoire : 100 millions d'utilisateurs en 64 jours. Les 40 outils d'IA les plus populaires cumulent 3 milliards de visites mensuelles dès 2024..
Cette expansion s'est accompagnée d'une intégration massive dans les organisations : 75 % des travailleurs du savoir utilisaient des outils d'IA générative 4 ans plus tard (en 2024, et 88 % des entreprises disaient les employer dans au moins une fonction en 2025, tandis que 40 % des adultes américains disaient l'utiliser en 2024, et environ 16 % de la population mondiale en 2025–2026.. De fortes disparités géographiques existent néanmoins : ainsi, les Émirats arabes unis et Singapour dépassaient 60 % d'usage dans la population, contre 28–31 % aux États‑Unis, illustrant un fossé croissant entre économies riches et des pays à infrastructures plus limitées..
Des observateurs signalent un rejet croissant de l'IA et une demande de régulation aux États-Unis au milieu des années 2020.. Cela semble lié à une inquiétude populaire face à la disruption de l'emploi et une montée du pessimisme bipartisan documentée par l'Annenberg Public Policy Center, où les opinions favorables et défavorables se sont retrouvées presque à parité (48 % contre 46 %). La demande de régulation s'est fortement accrue, y compris de la part des experts en IA et de personnalités à la tête de l'industrie de l'IA, comme Dario Amodei, Sam Altman et Elon Musk, inquiets par les difficultés à aligner l'IA, qui, en septembre 2026, demandent une législation capable de freiner la course à l'IA générale, demande non suivie par Donald Trump et son administration. Ce rejet (parfois dit « techlash » ) semble être géographiquement concentré dans les secteurs où les emplois sont les plus exposés à l'automatisation — majoritairement des comtés démocrates selon Brookings. Ce rejet semble aussi amplifié par une coalition transpartisane et parfois populiste opposée aux infrastructures de l'IA, dans les territoires où les centres de données s'imposent (+ 40 % à 70 % en moins d'un an en 2025-2026). Cette fronde opposée aux centres de données leur reproche notamment leur consommation de ressources, et s'est traduite par des moratoires adoptés dans plus de 100 municipalités américaines.
Des études ont montré que les électeurs démocrates sont statistiquement plus susceptibles d'utiliser l'IA et d'occuper des emplois menacés ou concernés par l'automatisation. Les comtés présentant le plus d'offres d'emplois liés à l'IA affichent un vote démocrate plus élevé. Une analyse des données d'Anthropic révèle une corrélation robuste (sans preuves de causalité) entre le degré d'implication locale de l'IA dans les emplois et le vote démocrate lors de l'élection présidentielle de 2024. Ces éléments suggèrent que l'IA devient sociopolitiquement structurante dans les territoires et secteurs où elle transforme le marché du travail., et où une demande croissante de frein ou de régulation se développe.
En 2021, DALL-E, un modèle génératif développé par OpenAI et basé sur un transformeur à code source fermé, a attiré l'attention générale sur la génération d'images à partir de texte..
D'autres projets, notamment des approches open source telles que VQGAN+CLIP et DALL·E Mini (renommé plus tard Craiyon), ont rendu des systèmes similaires plus accessibles au public..
L'application Dream de Wombo est sortie fin 2021., suivie des sorties de Midjourney et Stable Diffusion en 2022..
En novembre 2022, la publication de ChatGPT a popularisé l'IA générative pour les tâches textuelles générales.... vignette|Investissements privés dans l'IA (rose) et l'IA générative (vert).