L’expression « IA cognitive » désigne, dans son ambition d’origine, des systèmes cherchant à reproduire certains mécanismes du raisonnement humain : comprendre un langage naturel ambigu, mobiliser une base de connaissances structurée, tirer des inférences logiques à partir de faits, et apprendre progressivement de nouvelles situations plutôt que de se contenter d’associations statistiques. C’est un objectif plus qu’une technique unique — ce qui explique pourquoi le terme a longtemps désigné des approches très différentes selon l’éditeur qui l’employait.

Concrètement, l’informatique cognitive historique combinait souvent plusieurs briques : des systèmes à base de règles capables de représenter explicitement des connaissances métier, des moteurs d’inférence capables d’en tirer des conclusions logiques, et des couches de traitement du langage pour interagir avec un humain. Cette approche, dite « symbolique », a dominé une bonne partie de l’histoire de l’intelligence artificielle avant l’essor du deep learning — et elle a un point fort que les modèles génératifs actuels peinent parfois à égaler : la transparence. Un système à base de règles peut, en théorie, justifier chacune de ses conclusions en remontant la chaîne de raisonnement qui y a mené — quand un grand modèle de langage reste, encore aujourd’hui, largement une boîte noire.

Les modèles génératifs récents ont ajouté une nouvelle couche à ce paysage : des versions dites « de raisonnement », entraînées à dérouler explicitement des étapes intermédiaires avant de produire une réponse finale, pour traiter des problèmes complexes — mathématiques, logiques, ou de planification. Le résultat ressemble, en surface, à un raisonnement. Il reste toutefois d’une nature différente du raisonnement symbolique classique : ces modèles restent fondamentalement des systèmes statistiques qui prédisent la suite la plus probable d’un texte, même lorsque ce texte prend la forme d’un raisonnement structuré.

Le point à retenir pour un lecteur non spécialiste : « IA cognitive » n’est pas, aujourd’hui, une catégorie technique aussi nette que « IA prédictive » ou « IA générative ». C’est davantage une promesse commerciale — celle d’une machine qui comprend et raisonne plutôt qu’elle ne calcule — qui recouvre des réalités techniques très diverses selon qui l’emploie. Face à un produit vendu comme « cognitif », la question la plus utile n’est pas « est-ce vraiment cognitif ? », mais « que fait-il concrètement, et sur quelle base ? ».