Les hivers de l'IA : pourquoi le domaine s'est effondré deux fois

On appelle « hivers de l'IA » deux périodes où le financement et la crédibilité du domaine se sont effondrés, à la fin des années 1970 puis à la fin des années 1980. Les deux fois, la chute suit une phase où les promesses ont dépassé les démonstrations. Mais les deux fois, ce qui casse n'est pas la même chose, et c'est précisément cette différence qui rend l'histoire utile aujourd'hui.

Le mot est né d'un avertissement, pas d'un constat

L'expression apparaît publiquement en 1984, à la réunion annuelle de l'association américaine pour l'intelligence artificielle. Roger Schank et Marvin Minsky, qui avaient traversé la disette des années 1970, préviennent le monde des affaires que l'enthousiasme est reparti trop vite. La métaphore vient de l'hiver nucléaire, omniprésent dans la presse d'alors : le pessimisme gagne la communauté scientifique, puis la presse, puis les financeurs, et la recherche s'arrête. Trois ans plus tard, l'industrie spécialisée de l'IA s'effondrait.

Un hiver de l'IA n'est pas un arrêt de la recherche

Voici le point le plus souvent escamoté, et il est peu documenté en français : pendant le premier hiver, la recherche n'a pas ralenti. Elle a perdu son financement public et son crédit médiatique, ce qui n'est pas la même chose.

Les adhésions au SIGART, le groupe de l'ACM consacré à l'intelligence artificielle, sont explicites. D'après les données rassemblées par l'historien Thomas Haigh, le groupe comptait 1 241 membres en 1973, l'année du rapport Lighthill, soit environ le double de 1969. Les cinq années suivantes passent pour le cœur du premier hiver. À la mi-1978, les effectifs avaient presque triplé, à 3 500 membres, alors que l'ACM plafonnait.

Un hiver de l'IA est donc un hiver du financement et de la réputation. Les chercheurs restent, quitte à rebaptiser leur travail « informatique » ou « systèmes à base de connaissances » pour passer les commissions. La nuance change ce qu'il faut surveiller pour repérer le suivant.

1966 : ALPAC, un rapport d'économie plus que de linguistique

Le premier grand désaveu ne vise pas l'IA en général, mais la traduction automatique. En 1964, le gouvernement américain crée l'Automatic Language Processing Advisory Committee, sept scientifiques présidés par John R. Pierce, dont aucun ne travaillait alors sur le sujet. Leur rapport, Languages and Machines: Computers in Translation and Linguistics, paraît en 1966 sous l'égide de l'Académie nationale des sciences.

L'argument est d'abord économique. Le comité compare la vingtaine de millions de dollars engagés en une décennie de recherche au coût réel de la traduction pour le gouvernement, de l'ordre du million par an. Il examine ensuite l'offre : au Joint Publications Research Service, sur environ 4 000 traducteurs sous contrat, à peine 300 étaient sollicités chaque mois. La pénurie de traducteurs, argument central des demandes de financement, n'existait pas.

Le détail qui fait mal est ailleurs. Un document confié à un prestataire extérieur revenait en 65 jours minimum. En passant par le système de traduction automatique de la division concernée, il revenait en 109 jours, à cause de la post-édition. La machine était plus lente que l'humain.

ALPAC ne recommande pas d'arrêter la recherche : il recommande d'arrêter de financer la traduction entièrement automatique à court terme, et de financer à la place la linguistique computationnelle fondamentale et les aides à la traduction, ancêtres de nos mémoires de traduction. L'historien W. John Hutchins, qui a repris le dossier en 1996, ajoute une correction utile : le financement déclinait déjà depuis le début des années 1960. ALPAC a moins déclenché la chute qu'il ne l'a formalisée.

1973 : ce que dit vraiment le rapport Lighthill

Le rapport britannique est le plus cité et le plus déformé. Sir James Lighthill, mathématicien étranger au domaine, est mandaté par le Science Research Council. Il passe 1972 à lire et à visiter les laboratoires, remet son texte en juillet, et Artificial Intelligence: A General Survey paraît début 1973, sur quarante-neuf pages.

La phrase que tout le monde retient dit que dans aucune partie du domaine les découvertes réalisées jusque-là n'ont produit l'impact majeur qui avait été promis. Elle ne dit pas qu'il n'y a pas eu de découvertes. Elle dit que l'écart entre l'annonce et la livraison est constant partout.

Surtout, Lighthill découpe le domaine en trois catégories, et n'en condamne qu'une.

• Catégorie A, l'automatisation avancée. Reconnaissance de formes, atterrissage automatique, bras manipulateurs. Il l'approuve, et prédit qu'elle deviendra en vingt-cinq ans de l'ingénierie ordinaire, fondue dans les métiers qu'elle sert.
• Catégorie C, l'étude du système nerveux central par ordinateur. Modéliser le cerveau et le comportement. Il l'approuve aussi, et prédit sa fusion avec la psychologie expérimentale et la neurobiologie.
• Catégorie B, la « passerelle », c'est-à-dire la construction de robots. C'est là que se trouve, selon lui, le cœur intellectuel de l'IA. C'est la seule dont il annonce la disparition, absorbée par A et par C.

Sa définition de la catégorie B est si vague que McCarthy, dans sa réponse, souligne qu'on ne sait pas qui y travaille. Lighthill y range des dispositifs construits ni pour servir un usage pratique ni pour étudier le cerveau, ce qui exclut les robots industriels et ne laisse guère que le laboratoire.

Ce ne sont donc pas les recommandations qui coupent tout, ce sont les décisions politiques prises ensuite. Le financement de la recherche fondamentale en IA disparaît de la quasi-totalité des universités britanniques, avec deux ou trois exceptions selon les sources, Édimbourg et Sussex pour les unes, Édimbourg et Essex pour les autres. Il faudra attendre le programme Alvey, lancé en 1983 et doté de 350 millions de livres dont 200 d'argent public, pour qu'un effort national reprenne. Dix ans de retard, exactement au moment où le marché des systèmes experts se formait ailleurs.

L'historien des sciences Jon Agar a proposé une relecture qui circule peu en français : le rapport a été commandé dans un contexte de tension budgétaire au Science Research Council, notamment autour d'une demande d'Édimbourg pour acheter un DEC-10. Lighthill aurait fourni la légitimité intellectuelle à des arbitrages que la contrainte budgétaire rendait déjà probables. Le rapport aurait moins causé les coupes qu'il ne les aurait justifiées.

L'explosion combinatoire, le mécanisme sous les deux chutes

Lighthill nomme une cause unique aux déceptions, et c'est sa contribution la plus durable : l'explosion combinatoire.

Les méthodes générales de l'IA symbolique explorent un espace de possibilités qui grandit exponentiellement avec la taille du problème. Sur un problème jouet, la recherche exhaustive suffit. Sur un problème réel, elle devient impraticable, quelle que soit la machine.

La parade consiste à injecter de la connaissance du domaine pour élaguer l'arbre des possibles. Elle fonctionne, et c'est ce qui a fait le succès des programmes de la catégorie A. Mais elle a une conséquence que les chercheurs ont mis longtemps à accepter : les heuristiques efficaces sont spécifiques au domaine et ne se transportent pas. Chaque nouveau problème redemande le même travail manuel de saisie de connaissances. La méthode générale, celle qui devait tout résoudre, n'existe pas.

Le programme de reconnaissance de la parole financé par la DARPA de 1971 à 1976 illustre le piège. Le cahier des charges demandait de reconnaître mille mots dans un domaine contraint. Harpy, à Carnegie Mellon, y est parvenu, mais en précompilant le réseau de toutes les phrases attendues : la lettre du contrat sans son esprit, une approche qui s'écroule dès que le vocabulaire s'ouvre. La DARPA a estimé s'être fait berner et a mis fin au financement.

1987 : la seconde chute ne tue pas une promesse, elle tue un modèle d'affaires

La différence est fondamentale, et rarement posée ainsi.

En 1973, ce qui s'effondre est une promesse scientifique sans client. En 1987, ce qui s'effondre est une industrie qui gagnait réellement de l'argent. Les systèmes experts fonctionnaient. XCON, développé à Carnegie Mellon pour Digital Equipment Corporation, configurait les commandes de VAX et faisait économiser à l'entreprise entre 25 et 40 millions de dollars par an selon des estimations qui divergent nettement d'une source à l'autre. Le produit était bon. Deux choses cèdent en même temps.

Le coût de maintenance croît plus vite que la valeur. XCON démarre en 1981 avec 777 règles. Quatre ans plus tard, environ 3 300. À la fin de la décennie, le système gère 31 000 composants et de l'ordre de 17 000 règles. Le catalogue de pièces d'un constructeur informatique change d'un tiers par an : la base de règles doit suivre, et elle ne s'auto-corrige pas. La connaissance était codée en dur par des programmeurs, pas écrite par les experts. Le système devient lent, redondant, coûteux à faire évoluer. C'est ce qui rapproche le plus ce moment du nôtre, où la question du maintien des connaissances dans un système d'IA reste entière, comme le montrent aussi les origines très concrètes des biais algorithmiques.

Le matériel spécialisé devient absurde. Les machines Lisp étaient des stations dédiées, autour de 100 000 dollars pièce. En 1987, une station Sun exécutait du Common Lisp à des performances comparables pour une fraction du prix, et faisait tourner tout le reste. Les chiffres de Symbolics, relevés dans l'étude de cas d'Alvin Graylin pour le MIT, racontent la chute sans commentaire : le chiffre d'affaires produits passe de 101,6 millions de dollars pour l'exercice 1986 à 82,1 millions en 1987, puis 55,6 millions en 1988. Seuls la formation et le conseil progressent, de 12,6 à 25,5 millions, loin de compenser.

L'étude ajoute un détail décisif. Beaucoup de clients voulaient le logiciel de Symbolics et pas sa machine, mais ne pouvaient pas acheter l'un sans l'autre. Ils sont partis vers une machine banalisée moins chère en gardant leur budget pour du logiciel. La verticalisation, atout de l'entreprise en croissance, est devenue le mécanisme de sa sortie de marché.

Le reste suit. La DARPA taille dans la Strategic Computing Initiative à partir de 1987, après une centaine de millions de dollars engagés sur quatre-vingt-douze projets. Le projet japonais de cinquième génération, lancé en 1982 par le MITI et doté d'environ 54 milliards de yens, s'achève en 1992 sur des prototypes qui n'ont jamais quitté la démonstration. Le terme « intelligence artificielle » devient impraticable dans un dossier de financement.

Ce que les deux hivers ont en commun

Trois traits, un seul mécanisme.

L'écart entre la promesse et la démonstration. Dans les deux cas, la démonstration existait et fonctionnait. C'est le périmètre annoncé qui était faux. Le problème n'est jamais le prototype, c'est la phrase prononcée à côté du prototype.

La fragilité au bord du domaine. Un système symbolique qui sort de son périmètre ne se dégrade pas doucement, il se trompe avec assurance. Cela détruit la confiance plus sûrement qu'un refus de répondre.

Le coût caché de la connaissance. Faire entrer le monde réel dans le système coûte cher, à l'entrée comme à l'entretien, et ce coût ne baisse pas avec l'échelle : il augmente. Les deux hivers sont d'abord des crises de coût marginal.

Une note de fin qu'on oublie : ce n'est pas un modèle qui a sorti le domaine du second hiver, c'est un usage. DART, un outil de planification logistique déployé en 1991 pendant l'opération Tempête du désert, a été présenté par le directeur de la DARPA d'alors comme ayant remboursé à lui seul trente ans d'investissement de l'agence dans l'IA. L'affirmation vient de l'agence et n'a jamais été auditée, mais elle dit ce qui rouvre les robinets : un cas d'usage mesuré, pas une percée théorique.

À quoi ressemblerait un troisième hiver

Trois différences de fond avec 1987 méritent d'être posées avant d'agiter le mot. Le matériel d'aujourd'hui est généraliste : un GPU ne sert pas qu'à l'IA, et il se revend. Il existe des revenus grand public réels, ce que les systèmes experts n'ont jamais eu. Et l'accès se fait par des interfaces standardisées, ce qui rend le changement de fournisseur techniquement possible, à condition d'isoler l'appel au modèle derrière une couche d'abstraction, comme nous le recommandons dans notre guide d'intégration de l'API OpenAI.

Un troisième hiver ne ressemblerait donc pas à des modèles qui deviennent mauvais. La leçon des machines Lisp est que ce qui meurt en premier n'est pas la capacité, mais la couche spécialisée bâtie autour d'elle. Il ressemblerait à un réajustement du prix payé pour une capacité qui, elle, resterait là.

Les signes à surveiller

1. L'écart entre le score de banc d'essai et le compte de résultat. Le rapport de l'initiative NANDA du MIT publié en août 2025 estimait que 95 % des projets pilotes d'IA générative en entreprise n'avaient produit aucun effet mesurable sur le résultat, pour une dépense évaluée entre 30 et 40 milliards de dollars. Le chiffre est contesté sur sa définition étroite du succès, jugée sur six mois environ, mais la direction du signal est celle de 1966 : une dépense sans contrepartie mesurée en face.
2. La courbe de maintenance. Si le coût d'entretien d'un système déployé croît plus vite que le volume qu'il traite, vous êtes dans la situation de XCON, quelle que soit la technologie employée.
3. Le retour des euphémismes. Le jour où les dossiers cessent d'écrire « IA » pour écrire autre chose, le financement a déjà commencé à se retirer. C'est le signal le plus fiable des deux épisodes précédents, et le plus facile à observer.
4. La rétractation de la couche spécialisée. Surveillez les acteurs dont l'offre est verticalement intégrée et dont le client voudrait n'acheter qu'une partie. C'est le point de rupture exact de Symbolics.
5. Le déplacement du discours vers la prochaine génération. Quand un investissement se justifie par ce que le système fera dans deux versions plutôt que par ce qu'il fait maintenant, l'écart promesse-démonstration se rouvre.

Isolé, aucun de ces signaux n'annonce quoi que ce soit. Les cinq ensemble décrivent assez bien 1987. Ce que l'histoire des deux hivers apprend n'est pas que l'IA échoue périodiquement : c'est que le domaine survit chaque fois, et que ce qui meurt est la couche qui avait le plus promis.