PRÉFACE — 21

• L’IA générative, une bulle technologique ? — 21

NOTE DE L’AUTEUR — 25

• Pourquoi ce livre ? — 25

• Comment lire ce livre ? — 27

INTRODUCTION — 29

• Synthèse et mise en perspective — 44

COMPRENDRE LES FONDATIONS TECHNIQUES

HISTORIQUE DE L’IA GÉNÉRATIVE — 53

• Des origines conceptuelles à la pensée symbolique — 54

• L’essor du Deep Learning : données, GPU et open source — 56

• Vers l’IA générative — 56

• La puissance des Transformers — 57

• L’âge industriel de l’IA générative — 59

FONDATIONS DU MACHINE LEARNING — 61

• Vocabulaire de base — 61

COMMENT UNE MACHINE APPREND-ELLE ? — 67

• La fonction de coût : mesurer l’erreur — 70

• La descente de gradient — 72

• Étapes de la descente de gradient — 72

DE L’APPRENTISSAGE À LA GÉNÉRALISATION : BIAIS ET VARIANCE — 75

• Jeux de données : entraînement, validation, test — 75

• Le sous- et le sur-apprentissage — 77

• Les grands paradigmes du Machine Learning — 79

PLONGÉE DANS LES RÉSEAUX NEURONAUX : DU NEURONE AU DEEP LEARNING — 83

• Le neurone artificiel — 83

• Neurones artificiels — 84

• Le théorème d’approximation universelle — 86

• Fonctionnement d’un réseau de neurones — 87

• Rétropropagation : comment la machine apprend de ses erreurs — 88

DU DEEP LEARNING À L’IA GÉNÉRATIVE — 91

• Les différents modèles d’IA générative — 92

• Autoencoders & Variational Autoencoders — 92

• GANs (Generative Adversarial Networks) — 94

• Modèles de Diffusion — 97

• L’architecture du Transformer — 99

• D’autres modèles — 101

LES PROGRÈS RÉCENTS ET LES NOUVEAUX PARADIGMES — 107

• Fine-tuning — 107

• L’entraînement par renforcement — 109

• Les agents IA — 111

• Retrieval Augmented Generation (RAG) : la mémoire externe — 115

• L’inférence optimisée : plus vite, moins cher — 118

• Les modèles multimodaux : quand l’IA apprend à voir, entendre et comprendre — 121

• Les Reasoning Models : quand l’IA apprend à réfléchir — 123

• Le MCP : l’USB-C de l’intelligence artificielle — 125

COMMENT ENTRAÎNE-T-ON UNE IA ? LES GRANDES ÉTAPES — 127

ANATOMIE DE L’IA GÉNÉRATIVE : DES INFRASTRUCTURES AUX USAGES

L’ÉCOSYSTÈME DE L’IA GÉNÉRATIVE — 135

• Couche d’infrastructures : le socle matériel de l’IA — 137

• Données & plateformes de gestion : le nerf de la guerre — 141

• Les modèles fondationnels : le cerveau de l’écosystème — 145

• La couche applicative : l’innovation sous pression — 152

• Étude de cas – OpenAI : l’entreprise qui a fait basculer l’IA générative — 157

NOUVELLES DYNAMIQUES DE L’INNOVATION À L’ÈRE DE L’IA — 163

• De l’expertise à la commodité : la fin des barrières traditionnelles — 164

• Là où se construisent désormais les vraies barrières — 168

• L’IA agentique comme nouveau moteur de différenciation — 174

• Les barrières à l’entrée des modèles fondationnels — 175

• La fin du SaaS tel que nous l’avons connu — 177

L’OPEN SOURCE COMME CONTRE-POUVOIR DANS L’IA GÉNÉRATIVE — 181

• L’open source et l’IA générative — 182

• Open source vs closed-source : arbitrer entre contrôle et performance — 185

• Monétiser l’ouverture : les modèles économiques de l’open source — 187

L’IA GÉNÉRATIVE, UN NOUVEL ÉCHIQUIER GÉOPOLITIQUE — 191

L’IA générative : nouveau champ de bataille géopolitique — 192

• États-Unis vs Chine : la nouvelle guerre froide technologique — 194

• IA et cyberguerre : l’automatisation du conflit invisible — 200

• L’Europe et la France face au duopole américano-chinois — 202

• La régulation de l’IA, les nouveaux enjeux géopolitiques — 211

UN MONDE EN TRANSFORMATION : IMPACTS SOCIAUX, PROFESSIONNELS ET ENVIRONNEMENTAUX

L’IMPACT MACROÉCONOMIQUE RÉEL DE L’IA GÉNÉRATIVE — 221

• Les limites des études de marchés — 225

• Méthode historique — 226

• Une méthode basée sur les tâches — 227

• Des estimations profondément divergentes — 232

• Deux visions de la transformation économique par l’IA — 234

LE FUTUR DU TRAVAIL À L’ÈRE DE L’IA GÉNÉRATIVE — 239

• Comprendre les métiers à travers leurs tâches — 240

• L’IA transforme plus qu’elle ne détruit (actuellement...) — 245

• Professions les plus exposées et celles protégées — 248

• La pyramide des talents sous pression — 251

• Réinventer l’organisation, le management et le leadership — 253

LES NOUVELLES COMPÉTENCES HUMAINES INDISPENSABLES — 261

• Le déplacement des compétences et l’émergence des profils hybrides — 261

• La complémentarité humain-IA : sommes-nous réellement complémentaires ? — 268

REPENSER L’ÉDUCATION ET LA FORMATION — 273

• Adoption et usages dans l’éducation — 275

• Dangers et mécanismes de risque pour l’esprit critique — 276

• Ce que l’IA change dans la nature de la pensée critique — 279

• Pédagogie et évaluation à repenser — 282

• Leçons des précédentes révolutions technologiques — 283

IMPACT ÉCOLOGIQUE, HYDRIQUE ET MATÉRIEL — 287

• Analyse du cycle de vie des modèles d’IA générative — 290

• Où agir pour réduire l’empreinte carbone de l’IA ? — 296

• Coût énergétique : ce que disent (mal) les chiffres — 298

• L’effet rebond et les externalités positives — 301

• L’eau et le refroidissement — 305

• Impact sur les ressources matérielles — 307

HORIZONS ET RISQUES : ALIGNEMENT, CONSCIENCE ET FUTUR

LES NOUVELLES FRONTIÈRES DE L’IA GÉNÉRATIVE — 315

• La fin des données abondantes : un nouveau goulet d’étranglement — 315

• Données synthétiques : l’or artificiel de l’intelligence — 317

• L’énergie, le nouveau goulet d’étranglement — 319

• L’IA se miniaturise : l’avènement de l’intelligence embarquée — 320

• Robotique cognitive : du code à la commande naturelle — 323

• Les véhicules autonomes — 325

• Le métavers — 327

• L’IA générative au service de la recherche scientifique — 328

L’INTELLIGENCE ARTIFICIELLE GÉNÉRALE (AGI) — 335

• Benchmarks & évaluation : comment mesure-t-on vraiment le progrès ? — 335

• Vers l’AGI : définitions et trajectoires — 342

• Les trajectoires vers la super-intelligence — 346

CONSCIENCE & IA — 351

• Cadres théoriques : comment la science décrit la conscience — 351

• Perspectives philosophiques : le fonctionnalisme et ses critiques — 353

• L’interprétation côté neurosciences — 355

• Implications éthiques — 357

LES RISQUES LIÉS À L’IA GÉNÉRATIVE — 359

• Les risques de mauvaise utilisation : quand l’humain détourne la machine — 362

• Les risques systémiques : l’onde de choc silencieuse — 368

• Alignement & sécurité — 379

• Les limites de ces études — 386

QUELQUES RÉFLEXIONS SUR LA GRANDE BASCULE — 393

• La question de la bulle technologique — 393

• La nature et l’avenir de l’IA générative — 394

• Apprendre à penser et à vivre avec l’IA — 397

• Travail, croissance et nouveau contrat social — 401

• L’écosystème et la géopolitique — 406

• Les risques — 409

CONCLUSION — 413

• Première conviction : l’IA n’est pas une bulle technologique — 414

• Deuxième conviction : l’IA crée énormément de valeur — 415

• Troisième conviction : refuser d’adopter l’IA nous exposerait davantage — 416

• Quatrième conviction : la régulation est une condition du progrès — 417

GLOSSAIRE — 419

Julien Roubaud, ancien étudiant à HEC, est lauréat du Prix de la thèse X-HEC Entrepreneurs 2025 pour ses travaux sur l’IA générative. Engagé depuis plusieurs années sur ces sujets, il accompagne aujourd’hui des organisations dans l’intégration de l’IA dans leurs activités. 

Préface de Gautier Cloix, fondateur de H Company, ancien dirigeant de Palantir, enseignant à Sciences Po, ancien élève de Navale et d’HEC, a notamment été start-upper en Chine, skipper, prof de maths ou collaborateur de JPMorgan.