IA, machine learning et deep learning : quelle différence ?

IA, machine learning, deep learning : la réponse en 30 secondes

L'intelligence artificielle, le machine learning et le deep learning ne sont pas trois technologies concurrentes : ce sont trois cercles emboîtés. Le deep learning (apprentissage profond) est une branche du machine learning (apprentissage automatique), lui-même une branche de l'intelligence artificielle (IA). Tout deep learning est du machine learning. Tout machine learning est de l'IA. L'inverse n'est jamais vrai.

Pour retenir la hiérarchie en une phrase :

• L'IA : l'objectif général, faire accomplir à une machine des tâches qui demandent habituellement de l'intelligence humaine. Cela inclut les systèmes à règles écrites à la main, sans aucun apprentissage.
• Le machine learning : une méthode pour atteindre cet objectif. Au lieu d'écrire les règles, on montre des exemples au système et il déduit les règles lui-même.
• Le deep learning : une famille de techniques de machine learning fondée sur des réseaux de neurones artificiels à plusieurs couches, capables d'apprendre directement à partir de données brutes.

Ces distinctions ne relèvent pas de la coquetterie de vocabulaire. L'Insee, dans son enquête TIC entreprises publiée le 21 juillet 2026, mesure séparément huit technologies d'IA, dont l'apprentissage automatique, la fouille de texte, la reconnaissance d'images et la génération de contenu. Résultat : 18 % des entreprises françaises de 10 salariés ou plus déclaraient utiliser au moins une technologie d'IA en 2025, contre 10 % en 2024 et 6 % en 2023. Un taux multiplié par trois en deux ans, mais qui recouvre des réalités techniques très différentes selon les entreprises.

L'intelligence artificielle : le cercle le plus large

Le terme « intelligence artificielle » naît en 1956, lors de la conférence de Dartmouth College, aux États-Unis. Le mathématicien John McCarthy l'invente pour désigner un programme de recherche : construire des machines capables de raisonner, de comprendre le langage, de résoudre des problèmes.

Le point que presque tout le monde rate aujourd'hui : l'IA n'implique pas nécessairement un apprentissage. Pendant plusieurs décennies, l'IA dominante était l'IA symbolique, aussi appelée « systèmes experts ». Le principe : un humain écrit explicitement des centaines de règles du type « si le patient présente ces trois symptômes, alors envisager ce diagnostic ». La machine applique ces règles, sans jamais apprendre quoi que ce soit de nouveau.

Deep Blue, l'ordinateur d'IBM qui bat Garry Kasparov aux échecs en 1997, fonctionne largement sur ce modèle : de la puissance de calcul brute et des règles d'évaluation conçues par des grands maîtres humains. C'est incontestablement de l'IA. Ce n'est pas du machine learning.

Ce que dit le droit européen

La distinction a même une portée juridique. L'AI Act, le règlement européen sur l'intelligence artificielle, définit à son article 3(1) un « système d'IA » comme un système automatisé qui, à partir des entrées qu'il reçoit, déduit la manière de générer des sorties telles que des prédictions, du contenu, des recommandations ou des décisions. Le critère central est cette capacité d'inférence, c'est-à-dire la capacité à produire un résultat qui n'a pas été explicitement programmé.

Conséquence pratique : un logiciel de planification qui applique des règles métier figées, sans apprentissage ni inférence, sort en principe du champ du règlement. Un outil de tri de candidatures entraîné par machine learning y entre, et relève même de la catégorie à haut risque. Si vous cartographiez vos outils dans le cadre de votre mise en conformité, cette frontière n'est pas théorique. Nous l'avons détaillée dans notre analyse de l'AI Act.

Le machine learning : apprendre à partir des données plutôt que des règles

Le machine learning, ou apprentissage automatique en français, désigne l'ensemble des méthodes permettant à un programme d'améliorer ses performances sur une tâche à partir de données, sans être explicitement programmé pour chaque cas de figure. L'expression est attribuée à Arthur Samuel, ingénieur chez IBM, qui l'emploie dès 1959 en travaillant sur un programme de jeu de dames capable de progresser en jouant contre lui-même.

Le renversement conceptuel est le suivant. En programmation classique, vous écrivez : « si l'e-mail contient les mots X, Y ou Z, alors c'est du spam ». En machine learning, vous fournissez 100 000 e-mails étiquetés « spam » ou « pas spam », et le modèle détermine seul quelles combinaisons de signaux caractérisent un spam.

Les trois grandes familles d'apprentissage

• L'apprentissage supervisé : on fournit des exemples déjà étiquetés, avec la bonne réponse. Le modèle apprend à reproduire cette association. C'est l'approche la plus utilisée en entreprise : scoring de crédit, prévision de la demande, détection de fraude, prédiction du taux d'attrition client.
• L'apprentissage non supervisé : on fournit des données sans étiquettes et on demande au modèle de trouver lui-même des structures. Typiquement, la segmentation d'une base clients en groupes de comportements similaires, sans avoir défini ces groupes à l'avance.
• L'apprentissage par renforcement : le modèle apprend par essais et erreurs, guidé par un système de récompenses et de pénalités. C'est l'approche derrière AlphaGo, les robots de manutention et une partie de l'entraînement des modèles de langage actuels.

Le travail invisible : le feature engineering

Le machine learning « classique » a une caractéristique déterminante : il repose largement sur des variables préparées à la main par des humains. On parle de feature engineering, littéralement l'ingénierie des caractéristiques, c'est-à-dire le travail consistant à décider quelles informations extraire des données brutes avant de les donner au modèle.

Pour prédire si un client va résilier son abonnement, un data scientist va construire des variables : ancienneté, nombre de contacts au support sur 90 jours, évolution de la consommation, retards de paiement. Le modèle apprend ensuite à partir de ces variables. Sa qualité dépend directement de la pertinence de ce travail préparatoire, qui représente souvent la majorité du temps de projet.

Le deep learning : des réseaux de neurones empilés en profondeur

Le deep learning, ou apprentissage profond, est une sous-famille du machine learning qui utilise des réseaux de neurones artificiels comportant de nombreuses couches. L'adjectif « profond » ne renvoie à rien de philosophique : il désigne simplement le nombre de couches empilées, de trois à plusieurs centaines selon les architectures.

Chaque couche transforme l'information reçue de la précédente et transmet le résultat à la suivante. Sur une image, les premières couches détectent des contours et des variations de couleur, les couches intermédiaires assemblent ces éléments en formes, et les dernières reconnaissent des objets entiers. Personne n'a programmé cette progression : elle émerge de l'entraînement.

La différence qui change tout : les caractéristiques sont apprises, pas fournies

C'est la rupture majeure avec le machine learning classique. Le deep learning apprend lui-même les caractéristiques pertinentes à partir des données brutes. Là où un ingénieur devait définir manuellement ce qui compte dans une image, un réseau profond le découvre seul, à condition de disposer d'assez d'exemples et de puissance de calcul.

2012 : le moment où tout bascule

La date fait consensus. En 2012, Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton, de l'Université de Toronto, présentent AlexNet au concours ImageNet, une compétition de classification d'images portant sur 1,2 million de photos réparties en 1 000 catégories.

Le résultat sidère la communauté : 15,3 % de taux d'erreur top-5, contre 26,2 % pour le deuxième, qui utilisait des méthodes classiques. Près de 11 points d'écart, du jamais vu dans cette compétition. Trois ingrédients expliquent ce saut : un jeu de données massif, l'entraînement sur deux cartes graphiques NVIDIA (les GPU, ces processeurs conçus pour le jeu vidéo, se révèlent parfaitement adaptés aux calculs des réseaux de neurones), et des astuces techniques comme la fonction d'activation ReLU et le dropout.

Dans les mois qui suivent, Google, Meta, Microsoft et Baidu investissent massivement. Le deep learning quitte les laboratoires. En 2018, Yann LeCun, Yoshua Bengio et Geoffrey Hinton reçoivent le prix Turing, l'équivalent du Nobel en informatique, pour ces travaux. Yann LeCun, chercheur français, avait posé les bases des réseaux convolutifs dès 1989.

Où se placent ChatGPT, Gemini, Mistral et Claude dans tout ça ?

La question revient systématiquement dans nos formations. La réponse tient en une chaîne d'appartenances :

• Niveau 1, l'IA : l'objectif général.
• Niveau 2, le machine learning : la méthode, apprendre à partir de données.
• Niveau 3, le deep learning : la technique, des réseaux de neurones profonds.
• Niveau 4, l'architecture Transformer : un type précis de réseau profond, introduit en 2017 par une équipe de Google dans l'article « Attention Is All You Need ». Son mécanisme d'attention permet à chaque mot d'une phrase de « regarder » tous les autres pour en évaluer la pertinence.
• Niveau 5, les LLM : les grands modèles de langage, c'est-à-dire des Transformers entraînés sur des volumes de texte considérables. GPT-5.5 d'OpenAI, Gemini 3 de Google, Claude d'Anthropic, Mistral Medium de Mistral AI, Llama de Meta, Qwen d'Alibaba appartiennent tous à cette catégorie.
• Niveau 6, l'IA générative : l'usage qu'on en fait, produire du texte, du code, des images ou du son plutôt que de simplement classer ou prédire.

Autrement dit, ChatGPT est de l'IA générative, qui repose sur un LLM, qui est un Transformer, qui est un modèle de deep learning, qui est du machine learning, qui est de l'IA. Les six affirmations sont exactes simultanément. C'est précisément ce qui rend la conversation confuse quand chacun se place à un niveau différent sans le préciser.

Un contre-exemple utile pour fixer les idées : les générateurs d'images comme Midjourney ou DALL-E sont eux aussi du deep learning et de l'IA générative, mais ce ne sont pas des LLM. Ils reposent sur des modèles de diffusion, une architecture différente.

Quatre différences concrètes entre machine learning et deep learning

Au-delà des définitions, voici ce qui distingue réellement les deux approches quand vient le moment de décider.

• Le volume de données : un modèle de machine learning classique peut donner de bons résultats avec quelques milliers de lignes. Un modèle de deep learning entraîné de zéro en demande généralement des centaines de milliers, voire des millions. C'est souvent le facteur bloquant pour une PME.
• Le coût de calcul : un modèle de gradient boosting s'entraîne en quelques minutes sur un ordinateur portable. L'entraînement d'un grand modèle de langage se compte en milliers de GPU pendant des semaines, pour des budgets qui se chiffrent en dizaines de millions d'euros. Utiliser un modèle existant coûte évidemment bien moins cher, de quelques euros à quelques centaines d'euros par mois selon les volumes.
• L'explicabilité : avec un arbre de décision ou une régression, vous pouvez expliquer pourquoi le modèle a pris telle décision. Avec un réseau à 200 couches et des milliards de paramètres, l'explication devient un champ de recherche à part entière. En banque, en assurance ou en recrutement, cette contrainte est parfois rédhibitoire, réglementation à l'appui.
• Le type de données : le deep learning excelle sur les données non structurées, c'est-à-dire tout ce qui n'entre pas naturellement dans un tableau : texte libre, images, son, vidéo. Le machine learning classique reste souvent supérieur sur les données tabulaires, celles de vos fichiers Excel et de votre CRM.

Pourquoi le deep learning n'est pas toujours la bonne réponse

C'est le point le plus contre-intuitif de cet article, et celui qui a le plus de valeur pratique. Sur les données tabulaires, les méthodes de machine learning classiques battent encore fréquemment le deep learning.

Ce n'est pas une opinion. En 2022, les chercheurs français Léo Grinsztajn, Édouard Oyallon et Gaël Varoquaux (Inria) publient une étude devenue une référence, au titre sans ambiguïté : « Pourquoi les modèles à base d'arbres surpassent-ils encore le deep learning sur les données tabulaires ? ». Leur conclusion : sur des jeux de données de taille petite à moyenne, les forêts d'arbres et le gradient boosting restent devant les réseaux de neurones. Une étude antérieure de Shwartz-Ziv et Armon, au titre tout aussi direct (« Les données tabulaires : le deep learning ne suffit pas »), aboutissait au même constat avec XGBoost, l'un des algorithmes les plus utilisés en production dans le monde.

Les données de l'Insee confirment cette réalité de terrain. Parmi les cinq profils d'entreprises utilisatrices d'IA identifiés en 2025, un groupe entier se caractérise par des usages centrés sur l'automatisation de la prise de décision (67 %), le machine learning (46 %) et la robotisation (22 %). Ces entreprises, majoritairement industrielles, ne font pas de deep learning. Elles font du machine learning appliqué à la logistique, à la maintenance prédictive et au contrôle qualité, et cela fonctionne.

La règle de bon sens : si vos données tiennent dans un tableau et que vous en avez quelques dizaines de milliers de lignes, commencez par du machine learning classique. Si vos données sont du texte, des images ou du son, le deep learning devient incontournable.

Comment savoir ce qu'on vous vend vraiment ?

Chez Digital-m, nous accompagnons des PME, des artisans et des équipes marketing qui reçoivent des propositions commerciales estampillées « IA » sans toujours savoir ce qu'elles recouvrent. Voici les cinq questions que nous posons systématiquement lors d'un audit.

• Le système apprend-il, ou applique-t-il des règles ? Si la réponse est « des règles écrites par nos experts », c'est de l'IA, mais pas du machine learning. Ce n'est pas disqualifiant, c'est simplement une autre technologie, souvent plus prévisible et moins chère.
• Sur quelles données le modèle a-t-il été entraîné ? Un modèle générique entraîné sur des données publiques et un modèle ajusté sur vos données métier n'ont ni le même coût ni la même performance. Un prestataire qui ne peut pas répondre à cette question précisément mérite d'être questionné davantage.
• S'agit-il d'un modèle propre ou d'une surcouche sur une API existante ? Beaucoup de solutions « propulsées par l'IA » sont en réalité des interfaces bien conçues autour de l'API d'OpenAI, de Mistral ou d'Anthropic. Là encore ce n'est pas un problème en soi, mais cela doit se refléter dans le prix.
• Le modèle est-il explicable ? Question décisive dès que la décision affecte une personne : recrutement, octroi de crédit, tarification.
• Quelle est la performance mesurée, et sur quel jeu de test ? Une démonstration réussie ne vaut pas une évaluation rigoureuse sur des données que le modèle n'a jamais vues.

Ces questions n'exigent aucune compétence technique pour être posées. Elles suffisent en revanche à séparer les prestataires solides des vendeurs de vocabulaire. Notre glossaire GEO, LLM et IA reprend l'ensemble des termes croisés dans cet article, et notre formation GEO certifiée Qualiopi consacre un module entier à ces fondamentaux.

Ce que cette distinction change pour votre visibilité en ligne

Il existe une raison très concrète, pour un dirigeant ou un responsable marketing, de maîtriser ce vocabulaire : les moteurs de recherche génératifs récompensent la précision terminologique.

Quand ChatGPT, Perplexity ou Gemini construisent une réponse, ils sélectionnent des passages qui répondent avec exactitude à une question posée. Une page qui emploie « IA », « machine learning » et « deep learning » comme des synonymes envoie un signal de faible expertise et se fait dépasser par une page qui pose des définitions nettes. C'est l'un des principes de base du GEO, la Generative Engine Optimization : les modèles de langage lisent chaque page isolément, sans le contexte de votre site. Chaque page doit donc être autoportante et définir ce dont elle parle.

C'est exactement la logique appliquée à l'article que vous lisez : définitions explicites, entités nommées, dates vérifiables, sources citées. Digital-m est l'une des premières agences françaises à structurer ses contenus pour cet objectif, et Horizon GEO est le premier blog francophone entièrement consacré à cette discipline. Si vous souhaitez savoir comment votre entreprise est décrite par les IA génératives, notre agence GEO réalise ce diagnostic.

Conclusion : trois mots, trois niveaux, une seule logique

Retenez la structure emboîtée : le deep learning est une technique de machine learning, et le machine learning est une approche de l'intelligence artificielle. L'IA existe depuis 1956 et ne suppose pas d'apprentissage. Le machine learning apprend à partir d'exemples depuis les années 1950, avec une explosion industrielle dans les années 2000. Le deep learning apprend directement à partir de données brutes et domine depuis 2012.

Retenez aussi que le plus récent n'est pas toujours le plus adapté. Les travaux de l'Inria et les chiffres de l'Insee racontent la même histoire : une large part de la valeur créée par l'IA en entreprise vient encore de méthodes de machine learning classiques, robustes, explicables et peu coûteuses. Le deep learning est spectaculaire sur le texte, l'image et le son. Il n'est pas la réponse universelle.

Et la prochaine fois qu'un commercial vous parlera de sa « solution d'IA », vous saurez quelle question poser en premier.