Imaginez la scène. Un projet arrive, tout le monde s’enthousiasme, les promesses sont grandes, les budgets suivent… et quelques années plus tard, les résultats sont décevants, les délais explosent, l’argent s’en va, et plus personne n’y croit vraiment.
On connaît bien ce scénario, non ?
Les “hivers de l’IA”, c’est exactement ce mécanisme… mais appliqué à tout un domaine de recherche. Quand on parle d’« hiver », on parle de périodes où l’enthousiasme retombe brutalement, où les budgets reculent, et où l’intelligence artificielle cesse d’apparaître comme une priorité. On ne parle pas d’une petite baisse de forme, mais d’un vrai coup d’arrêt.
Deux périodes comptent surtout : 1974-1980, puis 1987-1993.
Et pour comprendre ce qui se passe, il faut partir d’une idée simple. Le problème, ce n’est pas seulement que l’IA avançait lentement. Le vrai problème, c’est que les promesses publiques étaient bien plus grandes que ce que les systèmes pouvaient réellement faire. Et là, forcément, la réalité finit par rattraper tout le monde.
Revenons au milieu des années 1970.
Avant ça, l’ambiance est à l’optimisme. On a l’impression qu’on pourra bientôt construire des systèmes capables de raisonner, de dialoguer, de résoudre plein de problèmes complexes. Certains travaux donnent vraiment le sentiment qu’on n’est qu’à quelques pas de cette réalité.
Mais si on regarde de près, les résultats restent limités à des cas très précis. Les prototypes fonctionnent… mais dans des contextes très restreints. Ils se généralisent mal. Et surtout, ils demandent beaucoup de ressources matérielles, alors que la puissance de calcul de l’époque est très limitée. En clair, sur le papier ça paraît brillant, mais dans la pratique, ça coince très vite.
Et là, un moment joue un rôle clé.
En 1973, le gouvernement britannique commande ce qu’on appelle le rapport Lighthill. Sa conclusion est directe, sans détour : l’IA n’a pas tenu ses promesses, sauf dans quelques domaines spécialisés. Pas de nuance, pas de formule rassurante.
Et ce diagnostic ne reste pas dans un tiroir. Il entraîne de fortes coupes de financement au Royaume-Uni et contribue à un recul plus large en Europe et aux États-Unis. L’hiver s’installe.
La première leçon de cet épisode est claire. L’IA ne manque pas seulement d’idées brillantes. Elle se heurte aussi à des limites structurelles : une puissance de calcul trop faible, et des approches qui passent mal à l’échelle. En gros, ça marche tant qu’on reste dans un petit cadre bien contrôlé… et ça s’effondre dès qu’on essaie d’élargir.
Prenons un instant.
Après cette première désillusion, on pourrait croire que tout s’arrête là. Mais non. Un nouvel espoir arrive au début des années 1980.
Cette fois, il repose en grande partie sur les systèmes experts. L’idée semble simple et séduisante : on prend les règles d’un expert humain, on les encode dans un programme, et ce programme produit des décisions ou des diagnostics. Sur le papier, c’est presque rassurant : on formalise l’expertise, et on la met dans une machine.
Et au début, ça marche dans certains cas ciblés. On se dit que ça y est, on tient enfin une voie concrète vers des usages vraiment utiles.
Mais là encore, quelque chose cloche.
Ces systèmes sont rigides. Ils fonctionnent tant que la situation ressemble à ce qui avait été prévu. Dès qu’un cas sort un peu du cadre, tout devient fragile. Ils sont aussi coûteux à développer et à maintenir. Il faut sans cesse mettre à jour les règles, ajuster, corriger. Peu à peu, les limites deviennent trop visibles, trop coûteuses.
Résultat : beaucoup de projets sont abandonnés. Entre 1987 et 1993, un second hiver s’installe. Les investissements reculent. La confiance chute à nouveau.
Si on rapproche ces deux périodes, on voit le même film se rejouer. D’abord, une phase d’enthousiasme. Ensuite, des promesses publiques très ambitieuses. Puis des résultats trop limités, qui ne tiennent vraiment que dans des conditions très étroites. Et enfin, les financeurs qui se retirent.
Mais attention. Ces hivers n’ont pas seulement freiné l’IA. Ils ont aussi forcé une remise en question.
Les méthodes fondées sur des règles écrites à l’avance ont montré leurs limites. Cela pousse la communauté à explorer davantage une autre direction : l’apprentissage à partir de données. L’idée n’est plus de tout décrire sous forme de règles, mais de laisser les systèmes apprendre à partir d’exemples.
Ce déplacement ne règle pas tout d’un coup, bien sûr. Mais il marque un changement profond dans la manière d’envisager l’IA.
Au fond, ces hivers racontent moins une disparition de l’IA qu’une correction brutale de l’enthousiasme. Un rappel que les limites concrètes — données, puissance de calcul, et parfois mauvaise approche — finissent toujours par s’imposer, même face aux plus belles promesses.
