De Siri à Jarvis : comment notre vision de l’intelligence artificielle a changé
Pendant longtemps, l’intelligence artificielle a été perçue comme une simple automatisation sophistiquée, incarnée dans les années 2010 par des assistants comme Siri. Aujourd’hui, avec l’émergence des agents IA et des protocoles comme les MCP, notre vision a profondément changé : l’IA n’est plus seulement un outil qui répond, mais un système capable d’agir. De Siri à J.A.R.V.I.S., cet article explore comment nous sommes passés du fantasme de l’assistant intelligent à l’émergence d’IA véritableme
L’intelligence artificielle n’a pas seulement évolué technologiquement ces quinze dernières années ; notre manière de l’imaginer a, elle aussi, profondément changé. Dans les années 2010, l’IA était encore largement perçue comme une technologie spécialisée, capable d’automatiser certaines tâches impressionnantes mais limitées. Aujourd’hui, elle tend à être envisagée comme un partenaire, parfois même comme un agent capable de raisonner, de planifier et d’agir. Ce changement de perception raconte autant notre évolution culturelle que les progrès des modèles eux-mêmes.
Au début des années 2010, lorsque l’on parlait d’intelligence artificielle, on pensait souvent à des systèmes invisibles qui optimisaient des moteurs de recherche, recommandaient des contenus ou réalisaient des prouesses très ciblées comme reconnaître des visages ou battre un champion d’échecs. L’intelligence artificielle fascinait, mais elle restait perçue comme un outil. Elle était une technologie performante, pas encore une présence avec laquelle dialoguer réellement.
À cette époque, l’imaginaire collectif oscillait entre deux visions. D’un côté, une IA très concrète mais limitée, presque administrative, faite d’algorithmes et d’automatisation. De l’autre, une vision héritée de la science-fiction, nourrie par des figures comme J.A.R.V.I.S. ou HAL 9000, qui incarnait une intelligence presque autonome. Ce qui est intéressant, c’est que la réalité technique de l’époque était bien plus proche de la première vision, tandis que le marketing et l’imaginaire populaire entretenaient souvent la seconde.
C’est précisément ce que le cas de Siri illustre parfaitement.
Lorsque Apple Inc. présente Siri avec l’iPhone 4S en 2011, beaucoup ont le sentiment de toucher au futur. Pour la première fois, un assistant vocal grand public semble rendre tangible cette vieille promesse d’une machine capable de nous comprendre. Poser une question à son téléphone et obtenir une réponse vocale avait quelque chose de presque spectaculaire.
Siri symbolisait alors une certaine idée de l’IA : une intelligence personnelle, accessible, presque familière.
Pourtant, avec le recul, cette promesse apparaît ambiguë. Siri donnait l’impression de converser, mais il s’agissait surtout d’un système de commandes relativement sophistiqué. Il reconnaissait des intentions prédéfinies, exécutait des scénarios conçus à l’avance, mais comprenait peu le contexte et possédait très peu de capacité d’initiative. L’assistant semblait intelligent, mais cette intelligence restait largement scénarisée.
C’est là que se situe une grande différence entre notre perception de l’IA dans les années 2010 et aujourd’hui. À l’époque, nous étions fascinés par le simple fait qu’une machine réponde. Aujourd’hui, répondre ne suffit plus ; nous attendons qu’elle raisonne, anticipe et participe.
Cette évolution des attentes est considérable. Ce que nous appelions “intelligence artificielle” en 2010 relevait souvent de l’automatisation avancée. Ce que nous désignons aujourd’hui par ce même terme se rapproche davantage d’une intelligence perçue comme collaborative.
L’émergence des modèles génératifs a profondément déplacé cette frontière. Désormais, l’IA n’est plus seulement un outil auquel on donne des ordres, mais un système avec lequel on dialogue pour explorer des idées, produire du contenu ou déléguer des tâches complexes. Cette bascule change tout : l’IA n’est plus seulement un logiciel performant, elle devient une interface de collaboration.
Et c’est ici qu’entre en scène la notion d’agent.
L’un des grands changements récents tient dans cette idée d’agenticité, c’est-à-dire la capacité d’un système à poursuivre un objectif plutôt que simplement répondre à une requête. Une IA agentique ne se contente pas d’attendre des instructions pas à pas ; elle peut décomposer une tâche, choisir des outils, ajuster son approche en fonction des résultats et enchaîner plusieurs actions.
Cette évolution rapproche étonnamment l’IA contemporaine de certaines intuitions anciennes de la science-fiction.
Car si Siri représentait la promesse encore incomplète de l’assistant intelligent, Jarvis, dans Iron Man, représentait déjà autre chose : non pas seulement une IA conversationnelle, mais une intelligence orchestratrice. Ce qui rend Jarvis fascinant n’est pas qu’il parle avec Tony Stark, c’est qu’il coordonne des systèmes, pilote des outils, comprend des objectifs et agit sur le monde.
Pendant longtemps, cela relevait du fantasme.
Aujourd’hui, cette vision commence à prendre une forme technique.
C’est dans ce contexte qu’il faut comprendre le rôle des MCP, ou Model Context Protocols. Derrière ce terme parfois technique se cache une idée très simple mais fondamentale : donner aux modèles une capacité structurée à interagir avec des outils, des services et des environnements externes.
Un modèle isolé peut produire du langage, mais il reste limité à sa génération. Lorsqu’il est connecté, grâce à des protocoles comme les MCP, à des bases de données, des API, des logiciels ou d’autres agents, il cesse d’être simplement conversationnel. Il devient opérant.
C’est un changement de nature.
L’IA ne se contente plus de “savoir”, elle peut commencer à “faire”.
Et c’est là que la comparaison avec Jarvis devient intéressante, presque plus conceptuelle que fictionnelle. Jarvis n’est pas magique parce qu’il est conscient ; il paraît intelligent parce qu’il est branché sur un écosystème complet d’outils et qu’il orchestre cet ensemble.
Les MCP jouent précisément ce rôle dans les architectures agentiques modernes : ils sont une couche connective qui permet à une IA d’utiliser le monde extérieur plutôt que de simplement le décrire.
D’une certaine manière, ils rapprochent l’IA actuelle d’une forme très pragmatique du rêve Jarvis.
Ce qui a changé, au fond, ce n’est pas seulement la technologie mais notre définition implicite de l’intelligence. Dans les années 2010, nous pensions qu’une machine intelligente était une machine capable de répondre correctement. Aujourd’hui, nous avons tendance à penser qu’une machine devient vraiment intelligente lorsqu’elle peut prendre part à l’action.
C’est une différence philosophique majeure.
Autrefois, l’intelligence artificielle était évaluée par sa performance.
Aujourd’hui, elle est de plus en plus jugée sur sa capacité d’initiative.
Le parcours qui mène de Siri aux agents orchestrés par des protocoles comme les MCP raconte précisément cela. Nous sommes passés d’une vision de l’IA comme automatisation sophistiquée à une vision où elle devient infrastructure cognitive et potentiellement agent.
Il y a là une forme d’ironie historique. Nous avions imaginé Jarvis avant de construire Siri. Puis nous avons commencé par bâtir quelque chose de beaucoup plus limité que nos rêves. Et aujourd’hui, en passant par les agents et les protocoles, nous revenons progressivement vers cette intuition initiale — non pas sous la forme d’une conscience artificielle, mais comme une architecture.
Et peut-être est-ce cela, le vrai tournant de l’intelligence artificielle contemporaine : nous ne lui demandons plus seulement de comprendre nos instructions.
Nous commençons à lui demander d’agir avec nous.
Au début des années 2010, lorsque l’on parlait d’intelligence artificielle, on pensait souvent à des systèmes invisibles qui optimisaient des moteurs de recherche, recommandaient des contenus ou réalisaient des prouesses très ciblées comme reconnaître des visages ou battre un champion d’échecs. L’intelligence artificielle fascinait, mais elle restait perçue comme un outil. Elle était une technologie performante, pas encore une présence avec laquelle dialoguer réellement.
À cette époque, l’imaginaire collectif oscillait entre deux visions. D’un côté, une IA très concrète mais limitée, presque administrative, faite d’algorithmes et d’automatisation. De l’autre, une vision héritée de la science-fiction, nourrie par des figures comme J.A.R.V.I.S. ou HAL 9000, qui incarnait une intelligence presque autonome. Ce qui est intéressant, c’est que la réalité technique de l’époque était bien plus proche de la première vision, tandis que le marketing et l’imaginaire populaire entretenaient souvent la seconde.
C’est précisément ce que le cas de Siri illustre parfaitement.
Lorsque Apple Inc. présente Siri avec l’iPhone 4S en 2011, beaucoup ont le sentiment de toucher au futur. Pour la première fois, un assistant vocal grand public semble rendre tangible cette vieille promesse d’une machine capable de nous comprendre. Poser une question à son téléphone et obtenir une réponse vocale avait quelque chose de presque spectaculaire.
Siri symbolisait alors une certaine idée de l’IA : une intelligence personnelle, accessible, presque familière.
Pourtant, avec le recul, cette promesse apparaît ambiguë. Siri donnait l’impression de converser, mais il s’agissait surtout d’un système de commandes relativement sophistiqué. Il reconnaissait des intentions prédéfinies, exécutait des scénarios conçus à l’avance, mais comprenait peu le contexte et possédait très peu de capacité d’initiative. L’assistant semblait intelligent, mais cette intelligence restait largement scénarisée.
C’est là que se situe une grande différence entre notre perception de l’IA dans les années 2010 et aujourd’hui. À l’époque, nous étions fascinés par le simple fait qu’une machine réponde. Aujourd’hui, répondre ne suffit plus ; nous attendons qu’elle raisonne, anticipe et participe.
Cette évolution des attentes est considérable. Ce que nous appelions “intelligence artificielle” en 2010 relevait souvent de l’automatisation avancée. Ce que nous désignons aujourd’hui par ce même terme se rapproche davantage d’une intelligence perçue comme collaborative.
L’émergence des modèles génératifs a profondément déplacé cette frontière. Désormais, l’IA n’est plus seulement un outil auquel on donne des ordres, mais un système avec lequel on dialogue pour explorer des idées, produire du contenu ou déléguer des tâches complexes. Cette bascule change tout : l’IA n’est plus seulement un logiciel performant, elle devient une interface de collaboration.
Et c’est ici qu’entre en scène la notion d’agent.
L’un des grands changements récents tient dans cette idée d’agenticité, c’est-à-dire la capacité d’un système à poursuivre un objectif plutôt que simplement répondre à une requête. Une IA agentique ne se contente pas d’attendre des instructions pas à pas ; elle peut décomposer une tâche, choisir des outils, ajuster son approche en fonction des résultats et enchaîner plusieurs actions.
Cette évolution rapproche étonnamment l’IA contemporaine de certaines intuitions anciennes de la science-fiction.
Car si Siri représentait la promesse encore incomplète de l’assistant intelligent, Jarvis, dans Iron Man, représentait déjà autre chose : non pas seulement une IA conversationnelle, mais une intelligence orchestratrice. Ce qui rend Jarvis fascinant n’est pas qu’il parle avec Tony Stark, c’est qu’il coordonne des systèmes, pilote des outils, comprend des objectifs et agit sur le monde.
Pendant longtemps, cela relevait du fantasme.
Aujourd’hui, cette vision commence à prendre une forme technique.
C’est dans ce contexte qu’il faut comprendre le rôle des MCP, ou Model Context Protocols. Derrière ce terme parfois technique se cache une idée très simple mais fondamentale : donner aux modèles une capacité structurée à interagir avec des outils, des services et des environnements externes.
Un modèle isolé peut produire du langage, mais il reste limité à sa génération. Lorsqu’il est connecté, grâce à des protocoles comme les MCP, à des bases de données, des API, des logiciels ou d’autres agents, il cesse d’être simplement conversationnel. Il devient opérant.
C’est un changement de nature.
L’IA ne se contente plus de “savoir”, elle peut commencer à “faire”.
Et c’est là que la comparaison avec Jarvis devient intéressante, presque plus conceptuelle que fictionnelle. Jarvis n’est pas magique parce qu’il est conscient ; il paraît intelligent parce qu’il est branché sur un écosystème complet d’outils et qu’il orchestre cet ensemble.
Les MCP jouent précisément ce rôle dans les architectures agentiques modernes : ils sont une couche connective qui permet à une IA d’utiliser le monde extérieur plutôt que de simplement le décrire.
D’une certaine manière, ils rapprochent l’IA actuelle d’une forme très pragmatique du rêve Jarvis.
Ce qui a changé, au fond, ce n’est pas seulement la technologie mais notre définition implicite de l’intelligence. Dans les années 2010, nous pensions qu’une machine intelligente était une machine capable de répondre correctement. Aujourd’hui, nous avons tendance à penser qu’une machine devient vraiment intelligente lorsqu’elle peut prendre part à l’action.
C’est une différence philosophique majeure.
Autrefois, l’intelligence artificielle était évaluée par sa performance.
Aujourd’hui, elle est de plus en plus jugée sur sa capacité d’initiative.
Le parcours qui mène de Siri aux agents orchestrés par des protocoles comme les MCP raconte précisément cela. Nous sommes passés d’une vision de l’IA comme automatisation sophistiquée à une vision où elle devient infrastructure cognitive et potentiellement agent.
Il y a là une forme d’ironie historique. Nous avions imaginé Jarvis avant de construire Siri. Puis nous avons commencé par bâtir quelque chose de beaucoup plus limité que nos rêves. Et aujourd’hui, en passant par les agents et les protocoles, nous revenons progressivement vers cette intuition initiale — non pas sous la forme d’une conscience artificielle, mais comme une architecture.
Et peut-être est-ce cela, le vrai tournant de l’intelligence artificielle contemporaine : nous ne lui demandons plus seulement de comprendre nos instructions.
Nous commençons à lui demander d’agir avec nous.