Cette cartographie n’est pas un comparatif marketing. C’est un outil d’aide au choix responsable : pour chaque catégorie d’IA, nous indiquons les usages adaptés, les risques principaux et le niveau de supervision humaine recommandé.
Mise à jour prévue tous les 3 à 6 mois. v1.0 — Mars 2026
Niveaux de supervision : Faible = vérification recommandée / Moyenne = relecture humaine nécessaire / Élevée = validation experte requise / Totale = validation humaine obligatoire avant toute diffusion ou action externe.
Cadre méthodologique
- Critères d’évaluation : documentation officielle des éditeurs, usages déclarés, risques structurels identifiés.
- Logique de supervision : basée sur le niveau d’impact potentiel, la réversibilité des actions et le cadre réglementaire applicable.
- Aucun score commercial : aucun modèle n’est classé ou noté. Aucun lien affilié sur cette page.
- Mise à jour semestrielle : révision prévue tous les 6 mois. Version et date visibles en haut de page.
Tableau 1
LLM — Grands modèles de langage
Modèles développés pour analyser et générer du langage naturel à partir de vastes corpus textuels.
| Modèle | Éditeur | Type | Spécialité dominante | Usage adapté | Risque principal | Supervision recommandée |
|---|---|---|---|---|---|---|
| GPT-4o | OpenAI | Propriétaire | Polyvalent, multimodal | Rédaction, code, analyse, image | Hallucinations, dépendance API | Moyenne |
| Claude 3.7 Sonnet | Anthropic | Propriétaire | Raisonnement, instructions longues | Analyse documentaire, code, éthique | Refus de tâches légitimes | Moyenne |
| Gemini 2.0 Flash | Google DeepMind | Propriétaire | Intégration écosystème Google | Productivité, recherche, G Workspace | Dépendance à l’écosystème Google | Moyenne |
| Mistral Large 2 | Mistral AI | Hybride | Multilangue, efficacité européenne | Entreprise, RGPD, déploiement EU | Couverture corpus plus restreinte | Moyenne |
| DeepSeek R1 | DeepSeek | Open-source | Raisonnement mathématique, code | Maths, science, analyse logique | Données hébergées hors UE (Chine) | Élevée |
| Grok 3 | xAI | Propriétaire | Accès temps réel à X/Twitter | Actualité, veille, sujets récents | Biais éditorial lié à la plateforme | Élevée |
| Perplexity | Perplexity AI | Propriétaire | Recherche web augmentée avec sources | Fact-checking, veille, questions factuelles | Qualité variable des sources citées | Élevée |
| Kimi k1.5 | Moonshot AI | Propriétaire | Contexte très long (1M tokens) | Analyse de longs documents, corpus | Données hébergées hors UE (Chine) | Élevée |
| LLaMA 3.3 70B | Meta | Open-source | Déployable localement, personnalisable | Fine-tuning, usage local, souveraineté | Risque de mauvais déploiement non filtré | Élevée |
| Command R+ | Cohere | Hybride | RAG et usage entreprise structuré | Recherche documentaire, bases de données | Dépendance infrastructure cloud | Moyenne |
Propriétaire : accès via API ou interface, code source non public. Open-source : poids du modèle accessibles, modèle économique via services cloud ou support entreprise. Hybride : version open disponible, offre commerciale distincte.
Tableau 2
IA Multimodales — Vision, image, vidéo
Modèles capables de traiter et/ou générer des contenus visuels (images, vidéos) seuls ou en combinaison avec du texte.
| Modèle | Éditeur | Type | Spécialité dominante | Usage adapté | Risque principal | Supervision recommandée |
|---|---|---|---|---|---|---|
| GPT-4o Vision | OpenAI | Propriétaire | Analyse et description d’image | Lecture documents, interprétation visuelle | Hallucinations sur détails visuels | Élevée |
| Gemini 2.0 Vision | Google DeepMind | Propriétaire | Multimodal natif texte+image+audio | Analyse de schémas, OCR, documents mixtes | Erreurs d’interprétation contextuelles | Élevée |
| Claude 3.7 Vision | Anthropic | Propriétaire | Analyse UI, diagrammes, screenshots | Revue d’interface, code visuel, maquettes | Confiance excessive sur contenu ambigu | Élevée |
| Midjourney v6.1 | Midjourney Inc. | Propriétaire | Génération d’images artistiques | Illustration, concept art, moodboard | Droits d’auteur, réutilisation styles | Totale |
| DALL-E 3 | OpenAI | Propriétaire | Génération image fidèle au prompt texte | Illustration, support marketing, mockup | Contenu sensible, filtres parfois excessifs | Élevée |
| Stable Diffusion 3.5 | Stability AI | Open-source | Génération image locale, fine-tunable | Déploiement local, usage personnalisé | Contenu non filtré si mal configuré | Totale |
| Runway Gen-3 Alpha | Runway | Propriétaire | Génération vidéo courte haute qualité | Vidéo créative, animation, transitions | Production de deepfakes, faux contexte | Totale |
| Sora | OpenAI | Propriétaire | Vidéo longue réaliste à partir de texte | Production créative, prototypage vidéo | Désinformation visuelle, deepfakes | Totale |
| Kling 1.6 | Kuaishou | Propriétaire | Vidéo IA style cinématographique | Contenu vidéo, storytelling visuel | Données hébergées hors UE (Chine) | Totale |
| Flux.1 | Black Forest Labs | Open-source | Génération image haute résolution rapide | Photographie IA, design produit, mockup | Droits d’auteur, usage non encadré | Élevée |
Supervision “Totale” : tout contenu généré doit être validé humainement avant toute diffusion, en raison des risques élevés de deepfakes ou de violation de droits.
Tableau 3
IA Audio et voix
Modèles de transcription, synthèse vocale, clonage de voix et génération musicale.
| Modèle | Éditeur | Type | Spécialité dominante | Usage adapté | Risque principal | Supervision recommandée |
|---|---|---|---|---|---|---|
| Whisper v3 | OpenAI | Open-source | Transcription automatique multilingue | Sous-titrage, STT, archives audio | Erreurs sur accents et langues rares | Moyenne |
| ElevenLabs | ElevenLabs | Propriétaire | Clonage et synthèse vocale réaliste | Audiobooks, doublage, voix off | Usurpation d’identité vocale (deepfake audio) | Totale |
| Suno v4 | Suno AI | Propriétaire | Génération musicale complète (paroles+son) | Jingles, démo musicale, création rapide | Droits d’auteur, styles protégés | Totale |
| Udio | Udio AI | Propriétaire | Génération musicale multi-styles | Production musicale, prototypage | Droits musicaux, plagiat involontaire | Totale |
| Mubert | Mubert | Propriétaire | Musique générative temps réel | Fond sonore, streaming, ambiance | Originalité limitée, style répétitif | Faible |
| Adobe Podcast Enhance | Adobe | Propriétaire | Amélioration qualité audio par IA | Podcasting, visioconférence, voix pro | Artefacts sur voix très dégradées | Faible |
| Descript | Descript | Propriétaire | Édition audio/vidéo par transcription | Podcast, montage, suppression de mots | Erreurs de transcription dans l’édition | Moyenne |
| NotebookLM Audio | Propriétaire | Génération de podcast IA depuis documents | Formation, veille, synthèse audio | Simplification excessive du contenu source | Élevée | |
| Kokoro TTS | Hexgrad | Open-source | Synthèse vocale légère déployable en local | Applications embarquées, TTS local | Voix moins naturelle que solutions cloud | Faible |
| Bark | Suno / HuggingFace | Open-source | Synthèse vocale expressive et bruitages | Prototypage, voix avec émotion, effets | Qualité variable, lent sans GPU | Moyenne |
La supervision “Totale” sur les outils de clonage vocal et génération musicale reflète les risques juridiques (droits voisins, usurpation d’identité) et éthiques associés à ces technologies.
Tableau 4
Agents autonomes
Systèmes capables d’exécuter des séquences de tâches de façon autonome, avec ou sans intervention humaine intermédiaire.
| Modèle | Éditeur | Type | Spécialité dominante | Usage adapté | Risque principal | Action externe | Supervision recommandée |
|---|---|---|---|---|---|---|---|
| AutoGPT | Significant Gravitas | Open-source | Enchaînement autonome de tâches LLM | Tests, automatisation expérimentale | Erreurs en cascade, boucles infinies | Oui | Totale |
| Devin | Cognition AI | Propriétaire | Développement logiciel autonome de bout en bout | Code complet, debugging, PR GitHub | Erreurs silencieuses en prod, sécurité code | Oui | Élevée |
| Claude Computer Use | Anthropic | Propriétaire | Contrôle d’interface graphique (souris/clavier) | Automatisation bureau, tests UI | Accès non contrôlé au système | Oui | Totale |
| Microsoft Copilot Agents | Microsoft | Propriétaire | Agents intégrés dans l’écosystème M365 | Productivité entreprise, workflows Office | Fuites de données internes, autorisations | Partielle | Élevée |
| Google Agentspace | Google Cloud | Propriétaire | Agents d’entreprise multimodaux sur GCP | Workflows, recherche interne, data | Confidentialité données, lock-in cloud | Partielle | Élevée |
| Manus | Manus AI | Propriétaire | Agent autonome web + code + fichiers | Recherche, automatisation multi-étapes | Supervision difficile, actions irréversibles | Oui | Totale |
| LangGraph | LangChain Inc. | Open-source | Framework agents LLM stateful | Développement d’agents custom, RAG avancé | Complexité de déploiement et débogage | Partielle | Élevée |
| CrewAI | CrewAI | Open-source | Coordination multi-agents collaboratifs | Pipelines complexes, division de tâches | Erreurs de coordination inter-agents | Partielle | Élevée |
| n8n AI Agents | n8n GmbH | Open-source | Automatisation no-code avec IA intégrée | Intégrations API, workflows métier | Configuration incorrecte, accès non bornés | Oui | Élevée |
| Vertex AI Agent Builder | Google Cloud | Propriétaire | Agents RAG sur données cloud entreprise | Bases documentaires, APIs internes | Coûts d’usage, dépendance GCP | Partielle | Élevée |
“Action externe” = capacité de l’agent à interagir avec des systèmes tiers (web, fichiers, APIs, interfaces graphiques) sans validation humaine à chaque étape.
Tableau 5
IA Spécialisées par domaine
Modèles ou plateformes entraînés ou fine-tunés pour un domaine métier spécifique, avec des données et contraintes propres à ce secteur.
| Modèle | Éditeur | Domaine | Usage adapté | Risque principal | Supervision recommandée |
|---|---|---|---|---|---|
| Harvey | Harvey AI | Juridique | Recherche jurisprudence, rédaction contrats | Erreurs légales non détectées, hallucinations juridiques | Totale |
| Med-PaLM 2 | Google Health | Médical | Questions cliniques, aide au diagnostic | Erreurs diagnostiques, responsabilité médicale | Totale |
| BloombergGPT | Bloomberg | Finance | Analyse financière, NLP sur données marché | Données obsolètes, décisions d’investissement automatisées | Élevée |
| GitHub Copilot | Microsoft / GitHub | Code | Complétion, refactoring, génération de tests | Code vulnérable généré, dépendances non vérifiées | Élevée |
| Eightfold AI | Eightfold | Ressources humaines | Matching compétences, tri de candidatures | Biais algorithmique, discrimination indirecte | Totale |
| Jasper AI | Jasper | Marketing | Rédaction publicitaire, SEO, emails | Contenu générique, ton non adapté à la marque | Moyenne |
| AlphaFold 3 | Google DeepMind | Science / Biologie | Prédiction structure protéines et molécules | Mauvaise interprétation des résultats hors spécialité | Élevée |
| Khanmigo | Khan Academy | Éducation | Tutorat personnalisé, aide aux devoirs | Dépendance outil, réponses directes sans apprentissage | Moyenne |
| Darktrace | Darktrace | Cybersécurité | Détection d’anomalies réseau en temps réel | Faux positifs, fatigue d’alerte, sur-confiance | Élevée |
| Elicit | Ought | Recherche académique | Synthèse de littérature scientifique, extraction de données d’études | Résumés inexacts, sélection biaisée de sources | Élevée |
Les IA spécialisées en médecine, droit et RH sont soumises à des cadres réglementaires stricts (EU AI Act Art. 6, RGPD). Leur usage en production nécessite une validation humaine systématique.
Limites structurelles communes à tous les LLM
- Nature probabiliste — Un LLM génère la suite statistiquement la plus probable d’un texte. Il ne raisonne pas au sens formel du terme : chaque réponse est une inférence, non une déduction certaine.
- Hallucination possible — Un modèle peut produire des informations factuellement incorrectes avec un niveau de confiance apparent élevé. Ce phénomène est inhérent à l’architecture, non un bug corrigeable à court terme.
- Sensibilité au framing — La formulation de la question influence significativement la réponse. Un même sujet posé différemment peut produire des réponses contradictoires (effet miroir prédictif).
- Pas de compréhension consciente — Les LLM traitent des patterns de tokens. Ils ne “comprennent” pas le sens au sens cognitif : ils associent des séquences selon leur distribution d’entraînement.
- Contexte limité — Même avec des fenêtres de contexte longues (jusqu’à 1M tokens), la cohérence et la précision se dégradent sur de très longs documents ou conversations complexes.
- Données d’entraînement figées — La connaissance d’un modèle s’arrête à sa date de coupure. Sans accès web ou RAG, il ne connaît pas les événements récents ni les mises à jour réglementaires.
- Pas de validation automatique — Un LLM ne vérifie pas ses propres affirmations. Il est incapable de distinguer ce qu’il “sait” de ce qu’il “invente” sans mécanisme externe de vérification des faits.