Quelle différence entre une IA conversationnelle et une IA générative ?

L’IA conversationnelle et l’IA générative peuvent être facilement confondues avec l’arrivée d’outils comme ChatGPT (OpenAI), Claude (Anthropic), Le Chat (Mistral) ou Gemini (Google).

Bien que ces deux branches de l’IA puissent fonctionner ensemble, chacune a des fonctions et des capacités bien distinctes.

L’IA conversationnelle fait référence à toutes les technologies qui aident les machines à dialoguer de manière plus naturelle avec les humains, grâce à une communication de type question-réponse. Pensez, par exemple, aux chatbots des services client ou aux assistants virtuels comme Siri et Alexa.

Quant à l’IA générative, elle permet de créer des contenus, qu’il s’agisse de textes, d’images, d’animations ou de sons. Elle s’appuie sur des algorithmes de machine learning (plus exactement de deep learning) entraînés sur de grands jeux de données.

Par exemple, Gemini, ChatGPT, Copilot (Microsoft), Jasper, Gamma ou d’autres ne se contentent pas de générer des réponses à des questions (ce qu’ils savent faire comme les IA conversationnelles), ils sont aussi capables d’exécuter des tâches (résumer, créer une image, etc.)

Outre ces différences de fonctionnalités, il existe également des différences dans le fonctionnement de ces deux branches de l’IA. Elles s’appuient certes toutes les deux sur des données d’entraînement, mais elles les utilisent de manière différente.

Les IA conversationnelles, par exemple, sont entraînées sur des dialogues humains afin de comprendre le flux du langage et de répondre à l’utilisateur de manière plus naturelle. Elles s’appuient le plus souvent sur un mix de technologies comme le NLU et le NLP. Sans oublier, les bons vieux moteurs de règles.

L’IA générative, elle, utilise des réseaux neuronaux pour identifier des schémas récurrents (des patterns) dans d’énormes volumes de données d’entraînement. Grâce à ces schémas, les algorithmes d’IA génératives tentent de prédire le « prochain mot » en s’appuyant sur les probabilités d’occurrence. Les grands modèles de langage qui en découlent (les LLMs) peuvent remplacer les briques NLU, et NLP des IA conversationnelles.

Autrement dit, un LLM peut motoriser une IA conversationnelle. Mais l’IA générative peut faire plus, donc, en générant des contenus. Forrester classe d’ailleurs l’IA générative dans trois catégories, en fonction de ce qu’elles génèrent :

• l’IA générative textuelle (à la ChatGPT),
• les algorithmes de génération d’image (à la Stable Diffusion ou à la Sora),
• et les « Turing Bots », nom maison pour les assistants au développement de code.

On le voit, bien que ces deux branches de l’IA soient distinctes, elles ne s’excluent pas. Au contraire. Une IA comme ChatGPT est les deux à la fois : il est conversationnel, puisqu’il s’agit d’un chatbot qui « converse », mais il est aussi génératif, puisqu’il fournit aux utilisateurs un contenu écrit en réponse à des prompts.

Reste la question de quand utiliser un LLM (IA générative) dans un chatbot plutôt que les technologies d’IA conversationnelle classiques. La réponse dépend du contexte du chatbot, et bien sûr des coûts.