The captivating history of artificial intelligence in 7 key dates (AI)

Points clés
- L'histoire de l'IA s'étend sur 75 ans, de l'article de Turing (1950) à l'IA agentique de 2026.
- 7 dates clés : 1950 (Turing), 1956 (Dartmouth), 1966 (ELIZA), 1997 (Deep Blue), 2012 (deep learning), 2017 (Transformer), 2022 (ChatGPT).
- Le marché mondial de l'IA atteint 391 milliards USD en 2025 et devrait dépasser 3 497 milliards USD en 2033 (Grand View Research).
- 91 % des entreprises utilisent l'IA dans au moins un processus en 2026.
- Comprendre l'historique aide à anticiper les ruptures à venir : agents autonomes, AGI, multimodal.
L'intelligence artificielle trouve ses racines dans les années 1940 avec les neurones formels de McCulloch et Pitts, mais bascule en discipline scientifique en 1956 lors du séminaire de Dartmouth. En 75 ans, elle est passée du laboratoire à la poche de chaque utilisateur de smartphone. Selon Grand View Research, le marché mondial pèse 391 milliards USD en 2025 et grossit à 30,6 % par an. Voici les 7 dates qui ont façonné cette révolution.
L'histoire de l'intelligence artificielle se structure en quatre vagues. La première (1943-1956) pose les bases théoriques avec McCulloch, Pitts et le séminaire de Dartmouth où John McCarthy invente le terme "artificial intelligence". La deuxième (1956-1980) développe les systèmes experts et les premiers chatbots comme ELIZA (1966) puis traverse deux "hivers de l'IA" en 1974 et 1987 lorsque les promesses dépassent les capacités. La troisième (1990-2010) voit l'avènement du machine learning statistique : Deep Blue bat Kasparov aux échecs en 1997, IBM Watson gagne Jeopardy en 2011. La quatrième (2012-aujourd'hui) explose avec le deep learning : AlexNet en 2012, l'architecture Transformer publiée par Google en 2017 ("Attention is All You Need"), GPT-3 en 2020 et ChatGPT en novembre 2022 qui touche 100 millions d'utilisateurs en deux mois. En 2026, l'IA agentique multimodale prend le relais.
Date 1 : 1950 — Alan Turing publie le test de Turing
En 1950, Alan Turing publie l'article fondateur "Computing Machinery and Intelligence" et propose le célèbre test de Turing : une machine est intelligente si un humain ne peut la distinguer d'un autre humain via une conversation textuelle. C'est la première définition opérationnelle de l'intelligence machine. Le concept reste central : en 2024-2025, plusieurs études (Cambridge, UC San Diego) suggèrent que GPT-4 le franchit dans certaines conditions.
Date 2 : 1956 — Le séminaire de Dartmouth fonde la discipline
L'été 1956, John McCarthy, Marvin Minsky, Claude Shannon et Nathaniel Rochester réunissent une vingtaine de chercheurs au Dartmouth College. C'est là qu'ils baptisent le champ "artificial intelligence". Selon Britannica, ce séminaire fixe les ambitions originelles : raisonnement symbolique, traduction automatique, jeu d'échecs, vision par ordinateur. La plupart de ces objectifs prendront 60 ans à se réaliser.
Date 3 : 1966 — ELIZA, le premier chatbot
Joseph Weizenbaum, au MIT, crée ELIZA, un programme qui simule un psychothérapeute rogerien en reformulant les phrases de l'utilisateur. ELIZA n'a aucune compréhension, mais ses réponses bluffent les premiers utilisateurs. Weizenbaum lui-même s'inquiète de l'effet ELIZA : la tendance humaine à attribuer une intelligence à un système qui n'en a pas. Cinquante ans plus tard, ce biais explique encore l'engouement pour ChatGPT.
Date 4 : 1997 — Deep Blue bat Garry Kasparov
Le 11 mai 1997, l'ordinateur Deep Blue d'IBM bat le champion du monde d'échecs Garry Kasparov 3,5 à 2,5. C'est la première fois qu'une machine bat un humain dans une discipline considérée comme un sommet de l'intelligence. Deep Blue n'apprenait pas : il calculait 200 millions de coups par seconde grâce à du matériel dédié. La leçon : la force brute combinée à des heuristiques humaines suffit dans des domaines bornés. Pour comprendre la suite, lisez notre glossaire de l'IA.
Date 5 : 2012 — AlexNet et la révolution du deep learning
En 2012, l'équipe de Geoffrey Hinton remporte la compétition ImageNet avec un réseau de neurones convolutif (AlexNet), divisant par deux le taux d'erreur sur la reconnaissance d'images. C'est l'allumage du deep learning moderne. Trois facteurs convergent : grosses bases de données étiquetées, GPU pour entraîner des modèles profonds, et des techniques comme le dropout et la ReLU. À partir de 2012, la vision par ordinateur, la traduction et la reconnaissance vocale font un bond historique.
Date 6 : 2017 — Le Transformer ouvre l'ère des LLM
Google publie l'article "Attention is All You Need" en juin 2017, introduisant l'architecture Transformer. Elle remplace les réseaux récurrents par un mécanisme d'attention qui parallélise l'entraînement. Toutes les IA génératives modernes en descendent : BERT, GPT, Claude, Gemini, Mistral. Sans Transformer, pas de ChatGPT.
Date 7 : 2022 — ChatGPT démocratise l'IA générative
Le 30 novembre 2022, OpenAI lance ChatGPT. En cinq jours, 1 million d'utilisateurs. En deux mois, 100 millions, soit le produit grand public à la croissance la plus rapide de l'histoire. Cet événement déclenche la course aux LLM (Anthropic, Google, Meta, Mistral) et la transformation de quasi tous les métiers. En 2026, 91 % des entreprises utilisent l'IA dans au moins un processus, contre 55 % en 2023, selon les données compilées par notre article sur l'automatisation.
Quels sont les précurseurs de l'IA ?
Six pionniers méritent d'être cités : Alan Turing (test de Turing, 1950), John McCarthy (terme "AI", Lisp), Marvin Minsky (perceptrons), Frank Rosenblatt (premier perceptron, 1958), Geoffrey Hinton (deep learning, prix Turing 2018), et Yann LeCun (CNN, Meta AI). Pour aller plus loin sur les figures actuelles, consultez notre dossier quel pays domine l'IA.
Comment l'IA a-t-elle évolué récemment ?
Depuis 2022, l'IA est devenue grand public et multimodale : texte, image, audio et vidéo dans un même modèle. En 2026, les agents IA (Claude, GPT, Gemini) exécutent des tâches multi-étapes en autonomie, rédigent du code, naviguent sur le web. La prochaine étape : agents personnels, robots humanoïdes, et IA scientifique. Pour rester à jour, parcourez les assistants IA et notre guide pour choisir une IA selon votre métier sur lacreme.ai.
Conclusion
L'histoire de l'IA enseigne une leçon : les ruptures arrivent par cycles, après des hivers. Trois ruptures se profilent en 2026-2030 : agents autonomes capables de raisonnement, intégration robotique massive, et possibles premières formes d'AGI partielle. Pour suivre ces évolutions et trouver les outils pertinents pour votre métier, parcourez les catégories automatisation et analyse de données sur lacreme.ai.
Frequently Asked Questions
What is the history of artificial intelligence?
The history of AI began in 1950 with Alan Turing's article "Computing Machinery and Intelligence". The field took shape in 1956 at the Dartmouth seminar, where John McCarthy coined the term "artificial intelligence". This was followed by ELIZA (1966), Deep Blue (1997), AlexNet (2012), the Transformer (2017) and ChatGPT (2022). In 2026, generative and agentic AI will transform every business: according to Grand View Research, the market is worth 391 billion USD. Understanding this story helps us anticipate the next disruptions.
How to choose a training course to understand AI?
There are three ways to learn about AI in 2026: foundational MOOCs (Andrew Ng's Coursera, fast.ai), business-oriented short courses (Le Wagon, OpenClassrooms), or vendor certifications (Google Cloud, AWS, Microsoft Azure AI). Choose training that combines theory (deep learning, NLP) and practice (Python, prompt engineering, LangChain). Count on 60 to 200 hours for a solid foundation. For non-technical profiles, training courses dedicated to prompt engineering offer an excellent time/result ratio. See our guide to choosing the right AI for your business.
Is understanding the history of AI worth it in 2026?
Yes. Knowing the history of AI avoids three common pitfalls in 2026: overestimating current capabilities (the ELIZA effect), confusing AI with classic automation, and repeating mistakes from past winters. It also gives you a grid for evaluating announcements: is a new model a real breakthrough or an incremental improvement? This culture is now as useful as general computer science was in the 1990s. Fifteen minutes a week of monitoring is enough to keep you up to date.
