Le contexte : survivre à l’hiver
Après le rapport Lighthill (1973), l’IA cherche à se racheter une crédibilité. Plutôt que les ambitions d’IA générale, les chercheurs se rabattent sur des problèmes plus restreints mais concrets : reproduire l’expertise d’un spécialiste dans un domaine précis.
L’idée des systèmes experts, née dans les années 70 avec DENDRAL et MYCIN à Stanford, mûrit. Elle consiste à encoder la connaissance d’experts humains sous forme de règles si-alors, puis à combiner ces règles via un moteur d’inférence.
L’événement : XCON entre en production
À Carnegie Mellon University, John McDermott développe en 1978 un système appelé R1, rebaptisé XCON (eXpert CONfigurer) pour Digital Equipment Corporation. Sa mission : configurer automatiquement les ordinateurs VAX-11/780 que DEC vend à ses clients.
Le problème est complexe. Chaque commande peut combiner des milliers de pièces — cartes, câbles, cabinets, périphériques. Les configurations incorrectes coûtent cher : machines qui ne démarrent pas, temps perdu des techniciens, retours client. Les humains font ~20 % d’erreurs.
XCON contient 2 500 règles. En 1980, il passe en production. En 1986, il en contient plus de 10 000 et configure 80 % des VAX vendus. Son taux d’erreur : 2 %. Économies estimées : 25 millions de dollars par an.
« XCON est l’application la plus grande, la plus rentable et la plus visible de l’IA symbolique en entreprise. »
— MIT Technology Review, 1988
L’impact : l’IA devient business
Le succès de XCON déclenche un boom. Dans les années 1980, des centaines d’entreprises déploient des systèmes experts : American Express pour la détection de fraude, Schlumberger pour l’interprétation des données de forage pétrolier, Campbell Soup pour la maintenance des cuves.
Un nouveau marché naît : les sociétés de services IA. Teknowledge, IntelliCorp, Inference Corporation proposent des plateformes de développement de systèmes experts. Le Japon lance en 1982 le projet Fifth Generation, 850 M$ investis dans une nouvelle génération d’ordinateurs IA.
Mais le soufflé retombe dès la fin des années 80 : les systèmes experts sont rigides (les règles doivent être manuellement maintenues), coûteux à faire évoluer, et incapables d’apprendre. En 1987, l’effondrement des machines LISP dédiées provoque le second AI Winter.
Résonance 2026 : les RAG sont des systèmes experts 2.0
En 2026, les systèmes RAG (Retrieval-Augmented Generation) reprennent la philosophie XCON avec les outils du deep learning : encoder la connaissance d’un domaine dans une base vectorielle, laisser un LLM raisonner dessus pour répondre aux questions.
Les applications sont souvent les mêmes qu’en 1980 : configuration produit, support client, diagnostic technique, conformité légale. Mais la flexibilité est incomparable — le système s’adapte à des formulations nouvelles sans reprogrammation.
Chez CMEDIA, chaque fois que nous déployons un chatbot d’entreprise, un assistant de support, ou un outil de configuration intelligent, nous combinons l’héritage XCON (encoder la connaissance métier) avec la puissance moderne des LLM. XCON rigide + GPT flexible = les deux siècles d’IA unis dans un produit.