L’intelligence artificielle dans le jeu vidéo : comment pensent vraiment les personnages ?

Quand dit-on réellement qu’un personnage de jeu possède une IA ?

Un garde patrouille dans un couloir. Lorsqu’il aperçoit le joueur, il abandonne son trajet, cherche à se rapprocher, se met à couvert lorsqu’il essuie des tirs puis reprend sa ronde lorsque le danger disparaît. Nous avons spontanément tendance à dire que ce personnage est contrôlé par une intelligence artificielle.

Pourtant, rien n’oblige ce garde à apprendre, à raisonner comme un humain ou même à utiliser un réseau neuronal. Son comportement peut entièrement reposer sur une série de règles écrites à l’avance par des développeurs.

C’est l’une des particularités du terme intelligence artificielle dans le jeu vidéo. Il possède un sens beaucoup plus large que dans les discussions contemporaines autour de ChatGPT, des grands modèles de langage ou du machine learning. Dans le développement de jeux, on regroupe traditionnellement sous cette appellation les systèmes qui permettent à un personnage ou à une partie du jeu de percevoir une situation, sélectionner un comportement et agir sans être directement contrôlé par le joueur.

Un personnage n’a donc pas besoin d’apprendre pour posséder une IA de jeu. Il lui suffit déjà de pouvoir choisir un comportement à partir de l’état du monde.

Cette définition ouvre un territoire considérable. Trouver un chemin, choisir une cible, décider quand attaquer, coordonner une escouade, modifier le rythme d’une partie, générer un niveau ou apprendre une stratégie peuvent tous mobiliser des techniques associées à l’intelligence artificielle.

Le véritable sujet n’est alors pas de déterminer si le personnage « pense ». Il consiste à comprendre comment le jeu fabrique l’impression qu’il comprend ce qui se passe.

---

L’IA de jeu commence avec des règles simples

Les premiers jeux vidéo disposent de très peu de mémoire et de puissance de calcul. Le comportement des adversaires doit donc rester extrêmement simple, mais cela ne signifie pas qu’il soit forcément aléatoire.

Dans Space Invaders, les ennemis suivent une organisation collective définie par le programme. Dans Pac-Man, les fantômes possèdent des routines distinctes qui contribuent à leur donner des comportements reconnaissables. Toru Iwatani expliquera d’ailleurs que les fantômes avaient été conçus avec des routines indépendantes et des personnalités différentes.

Le principe fondamental est déjà présent : une règle suffisamment bien choisie peut produire un comportement qui semble intentionnel.

Un ennemi n’a pas besoin de construire une représentation philosophique du joueur. Il peut simplement comparer des positions, vérifier une distance, détecter une collision ou modifier sa direction selon quelques conditions. Le résultat devient intéressant lorsque ces règles interagissent avec un environnement et avec les décisions imprévisibles d’un humain.

Le comportement peut être simple sans être trivial

Prenons un ennemi imaginaire possédant seulement trois règles :

Si le joueur est invisible → patrouiller
Si le joueur est visible et éloigné → poursuivre
Si le joueur est visible et proche → attaquer

Cette logique est rudimentaire. Pourtant, placée dans un niveau comportant des obstacles, plusieurs chemins, des animations, du son et des possibilités de fuite, elle peut déjà donner l’impression d’un adversaire capable de changer d’intention.

Une grande partie de l’histoire de l’IA de jeu consistera à rendre ce type de décision plus souple, plus organisé et plus crédible.

---

Le pathfinding : savoir où aller avant de décider quoi faire

Un personnage peut décider de poursuivre le joueur sans savoir comment l’atteindre.

C’est le problème du pathfinding, ou recherche de chemin. L’environnement est représenté sous une forme exploitable par l’algorithme — grille, graphe, navigation mesh ou autre structure — afin de trouver un itinéraire entre une position de départ et une destination.

L’algorithme A* est devenu l’une des références historiques les plus importantes dans ce domaine. Il explore les chemins possibles en tenant compte à la fois du coût déjà parcouru et d’une estimation du coût restant jusqu’à l’objectif. Dans le jeu vidéo, cette logique permet par exemple à une unité de contourner un bâtiment plutôt que de se contenter d’avancer en ligne droite contre un mur.

Mais il faut distinguer deux choses.

Cette séparation est fondamentale. Trouver le meilleur chemin vers une porte ne dit pas pourquoi le personnage veut ouvrir cette porte. Une IA crédible associe donc souvent plusieurs couches : perception, décision, navigation et mouvement.

Les moteurs modernes automatisent une partie de ce travail grâce aux navigation meshes, qui représentent les zones accessibles d’un niveau et permettent aux personnages de calculer des déplacements compatibles avec la géométrie du monde.

---

Les machines à états donnent une structure au comportement

Lorsque les personnages commencent à posséder davantage de comportements, une longue succession de conditions devient difficile à organiser. Les développeurs utilisent alors couramment des machines à états finis, ou Finite State Machines.

Le personnage possède plusieurs états possibles :

• patrouille ;
• investigation ;
• poursuite ;
• combat ;
• fuite.

Il ne se trouve généralement que dans un état principal à la fois, et des conditions déterminent les transitions.

On peut représenter une petite IA de garde ainsi :

PATROUILLE
   │ joueur aperçu
   ▼
POURSUITE
   │ joueur assez proche
   ▼
COMBAT
   │ joueur perdu
   ▼
RECHERCHE
   │ aucune trace retrouvée
   ▼
PATROUILLE

Cette architecture présente un avantage évident : le comportement devient lisible pour les personnes qui le conçoivent. Chaque état possède ses propres règles et les transitions expliquent pourquoi le personnage change d’activité.

Elle possède aussi une limite. Lorsque les états et les exceptions se multiplient, les connexions peuvent devenir difficiles à maintenir. Un personnage capable de patrouiller, combattre, chercher une couverture, protéger un allié, fuir une grenade, recharger et réagir à plusieurs événements simultanés demande une organisation plus souple.

Les machines à états n’ont pourtant pas disparu. Unreal Engine propose encore aujourd’hui StateTree, un système hiérarchique qui combine des états et des transitions avec certaines idées issues des behavior trees. Les techniques évoluent donc davantage par combinaison que par remplacement.

---

Les behavior trees organisent des décisions plus complexes

Les behavior trees, ou arbres de comportements, sont devenus l’un des outils les plus connus de l’IA moderne de jeu.

Au lieu d’organiser principalement le comportement sous forme d’états reliés entre eux, ils construisent une hiérarchie d’objectifs, de conditions et d’actions. Le système parcourt l’arbre afin de déterminer quelle branche doit être exécutée.

Un comportement simplifié pourrait suivre cette logique :

ENNEMI
├── Si danger immédiat
│   └── Chercher une couverture
├── Si joueur visible
│   ├── Si arme chargée
│   │   └── Attaquer
│   └── Sinon
│       └── Recharger
└── Sinon
    └── Patrouiller

Unreal Engine utilise notamment des Behavior Trees associés à un Blackboard. Ce dernier stocke les informations nécessaires à la décision : position du joueur, présence d’une cible, dernier emplacement observé, état d’une porte ou toute autre donnée utile.

Cette séparation permet de distinguer ce que le personnage sait de ce qu’il décide d’en faire.

Les behavior trees ne sont pas intrinsèquement intelligents. Ils restent une organisation de règles écrites par les concepteurs. Leur intérêt tient à la capacité de gérer des comportements complexes de manière plus modulaire et plus compréhensible.

---

Percevoir le monde avant de pouvoir y réagir

Un personnage contrôlé par IA ne devrait généralement pas disposer de toutes les informations contenues dans le jeu.

S’il sait exactement où se trouve le joueur derrière trois murs, il ne paraît pas intelligent : il paraît tricheur.

Les systèmes de perception servent donc à définir ce que l’agent peut savoir. Un personnage peut disposer d’une vision limitée par son angle et les obstacles, réagir à des sons, mémoriser une dernière position connue ou recevoir une information lorsqu’il subit des dégâts.

Unreal Engine sépare par exemple plusieurs responsabilités entre son système de perception, les Behavior Trees et l’Environment Query System. Ce dernier peut interroger l’environnement afin de répondre à des questions telles que : quel emplacement offre la meilleure couverture ? Où se trouve la ressource la plus proche ? Quelle position permet de rester éloigné du joueur tout en conservant une ligne de tir ?

Cette architecture peut être résumée ainsi :

La sophistication d’un personnage vient souvent moins d’un algorithme miraculeux que de la qualité des échanges entre ces différentes couches.

---

Une bonne IA n’est pas une IA qui gagne toujours

Cette distinction est essentielle dans le jeu vidéo.

Un adversaire parfaitement efficace pourrait viser instantanément la tête du joueur, connaître toutes ses positions, exploiter chaque faiblesse du système et prendre en permanence la décision mathématiquement optimale. Il serait probablement très performant.

Il serait aussi souvent insupportable à affronter.

L’IA vidéoludique poursuit donc un objectif différent de celui d’un programme conçu uniquement pour maximiser une performance. Elle doit contribuer à une expérience intéressante, lisible et suffisamment équitable.

Le meilleur adversaire n’est pas celui qui joue parfaitement. C’est celui dont le comportement produit une partie intéressante.

Pour cette raison, les concepteurs introduisent volontairement des limitations : temps de réaction, précision imparfaite, perception réduite, erreurs, hésitations ou signaux visuels permettant au joueur d’anticiper une attaque.

L’intelligence perçue dépend souvent de cette lisibilité. Un ennemi qui prend une excellente décision sans que le joueur comprenne pourquoi peut sembler arbitraire. Un adversaire légèrement moins efficace mais dont les intentions sont visibles peut paraître beaucoup plus crédible.

---

L’IA peut également contrôler la partie elle-même

Tous les systèmes d’IA ne correspondent pas à des personnages.

Left 4 Dead fournit l’un des exemples les plus célèbres avec son AI Director. Au lieu de contrôler directement un zombie particulier, ce système observe l’état de la partie et agit sur son rythme général.

Valve explique que le Director estime notamment une forme d’« intensité » ressentie par les survivants. Lorsque la pression devient importante, le système peut réduire temporairement les menaces. Dans d’autres situations, il augmente la population d’ennemis afin de construire de nouveaux pics de tension.

L’objectif n’est donc pas simplement de rendre le jeu plus difficile. Le système cherche à produire une alternance entre périodes de tension et moments de récupération.

Cette différence est importante :

Une IA peut piloter un personnage, mais elle peut aussi piloter le rythme, la mise en scène ou certaines conditions d’une partie entière.

Dans Left 4 Dead, ce principe contribue également à la rejouabilité. Les mêmes cartes peuvent produire des rencontres différentes parce que la population d’ennemis et certains événements ne sont pas entièrement figés.

L’IA devient alors une forme de metteur en scène algorithmique.

---

Génération procédurale et IA ne désignent pas exactement la même chose

Les deux concepts sont souvent rapprochés parce qu’ils peuvent utiliser des techniques communes.

La génération procédurale de contenu, ou PCG, consiste à créer algorithmiquement du contenu de jeu avec une intervention humaine limitée ou indirecte. Il peut s’agir de niveaux, cartes, objets, quêtes, textures, systèmes ou autres éléments.

Un générateur de donjons peut par exemple assembler automatiquement des salles selon un ensemble de règles. Un monde ouvert peut répartir certains éléments de végétation de manière procédurale. Un jeu peut générer de nouvelles cartes à chaque partie à partir d’un seed.

Cela ne signifie pas forcément que le système « apprend ».

La génération peut être entièrement déterministe et reposer sur des règles écrites à la main. À l’inverse, certaines recherches en PCG utilisent effectivement des méthodes issues de l’intelligence artificielle ou de l’apprentissage automatique.

Trois concepts qu’il vaut mieux distinguer

Ces catégories peuvent se croiser, mais elles ne sont pas synonymes.

---

Le machine learning change une règle fondamentale : le comportement peut être appris

Les systèmes décrits jusqu’ici fonctionnent principalement avec des règles et des structures conçues explicitement par des humains.

Le machine learning introduit une approche différente. Au lieu d’écrire directement toutes les décisions, on peut entraîner un modèle à produire un comportement à partir d’exemples ou d’expériences.

Unity ML-Agents illustre bien ce principe. Son environnement permet de créer des agents qui observent une situation, choisissent des actions puis peuvent être entraînés notamment par reinforcement learning ou apprentissage par renforcement.

Dans ce cadre, un agent reçoit généralement :

1. des observations sur son environnement ;
2. un ensemble d’actions possibles ;
3. un signal de récompense indiquant si certaines conséquences sont souhaitables.

L’algorithme cherche progressivement une politique de décision permettant d’accumuler davantage de récompenses.

Un personnage peut ainsi apprendre à se déplacer, contrôler un objet physique ou coopérer dans une simulation sans que chaque situation possible soit codée individuellement.

Cette méthode possède cependant un coût. L’entraînement demande du temps, le comportement obtenu peut être plus difficile à prévoir et le débogage n’offre pas toujours la lisibilité d’un arbre de comportements explicitement construit.

C’est pourquoi le machine learning n’a pas simplement remplacé les techniques traditionnelles.

---

Les jeux restent remplis d’IA « classique » pour de bonnes raisons

Une machine à états possède une qualité extraordinaire pour une équipe de développement : on peut généralement comprendre pourquoi elle a changé d’état.

Un behavior tree permet également d’observer quelle branche est exécutée. Les moteurs proposent d’ailleurs des outils de debugging destinés à visualiser en temps réel le comportement, les données du Blackboard ou les informations de perception.

Cette prévisibilité est précieuse.

Un studio doit pouvoir reproduire un bug, équilibrer une rencontre, garantir qu’un personnage respecte certaines règles et éviter qu’un système produise un comportement incompatible avec le scénario.

Le machine learning devient particulièrement intéressant lorsque l’espace des décisions est difficile à décrire manuellement ou lorsqu’un apprentissage apporte une valeur spécifique. Il n’est pas automatiquement supérieur lorsqu’une règle classique résout proprement le problème.

Dans le développement de jeux, la meilleure technologie reste souvent celle dont le comportement est suffisamment bon, contrôlable et compatible avec les contraintes de production.

---

L’IA générative ajoute le langage et la production dynamique

L’arrivée des grands modèles de langage et d’autres modèles génératifs introduit une nouvelle couche.

Un personnage peut désormais produire une réponse qui n’a pas été écrite mot pour mot dans un arbre de dialogue. Il peut recevoir des informations sur son rôle, son environnement et la conversation, puis générer une réponse adaptée au contexte.

Les systèmes actuels vont plus loin en combinant plusieurs modèles : reconnaissance vocale, modèle de langage, synthèse vocale, animation faciale et accès à certaines informations du jeu.

En 2026, NVIDIA présente par exemple ACE comme un ensemble de technologies destiné aux personnages conversationnels et autonomes. Des projets expérimentent désormais des compagnons capables de recevoir une instruction en langage naturel, d’interpréter l’état du jeu puis de produire une réponse ou de sélectionner une action.

Mais un détail technique est particulièrement révélateur : les modèles génératifs ne remplacent pas nécessairement l’IA de gameplay traditionnelle.

Dans l’architecture présentée en 2026 pour PUBG Ally, la voix du joueur est transcrite, un petit modèle de langage interprète la demande et l’état de la partie, puis les actions de gameplay sont transmises à des systèmes classiques. Un behavior tree continue notamment à gérer les réactions rapides qui ne doivent pas attendre le raisonnement linguistique.

On obtient donc une architecture hybride :

Joueur
  ↓
Langage / voix
  ↓
Modèle génératif
  ↓
Intention ou décision générale
  ↓
Behavior tree / systèmes de gameplay
  ↓
Navigation · animation · actions

Cette organisation résume assez bien l’évolution récente de l’IA de jeu : les nouvelles technologies viennent compléter les couches existantes, plutôt que reconstruire l’ensemble du personnage autour d’un seul modèle.

---

Une conversation libre crée aussi de nouveaux problèmes

Un dialogue écrit traditionnellement peut être relu, testé, localisé et validé avant la sortie.

Une réponse générée en temps réel ne bénéficie pas du même niveau de prévisibilité.

Les développeurs doivent alors gérer de nouvelles questions : comment empêcher un personnage de contredire le scénario ? Comment limiter ses connaissances à ce qu’il est censé savoir ? Comment maintenir sa personnalité ? Comment éviter des réponses inappropriées ? Comment assurer une latence acceptable ? Que se passe-t-il si le joueur lui demande quelque chose que le système de gameplay ne peut pas réellement exécuter ?

Ces contraintes expliquent pourquoi les architectures génératives sont souvent entourées de règles, de contexte structuré et de systèmes traditionnels.

Le modèle peut proposer ou interpréter une intention, mais le jeu doit encore vérifier que cette intention correspond à une action valide.

Cette distinction entre parler librement et agir librement dans un système de jeu sera probablement l’un des grands sujets de conception des prochaines années.

---

Alors, quand peut-on réellement parler d’intelligence artificielle ?

Il n’existe pas une frontière technique unique qui séparerait clairement une « vraie IA » d’un simple script.

Dans la pratique du jeu vidéo, on parle depuis longtemps d’IA dès qu’un système sélectionne automatiquement des comportements en fonction d’informations sur son environnement ou sur l’état de la partie.

Cette définition englobe donc des techniques très différentes.

Le terme « intelligence artificielle » décrit donc ici une famille de techniques, pas un niveau de conscience.

Un fantôme de Pac-Man et un personnage utilisant un modèle de langage appartiennent tous les deux à cette histoire, même si la complexité de leurs systèmes n’a évidemment plus grand-chose en commun.

---

Le joueur juge le résultat, pas l’algorithme

Il reste un paradoxe intéressant.

Un système techniquement très complexe peut produire un personnage que le joueur trouve stupide. À l’inverse, quelques règles simples peuvent créer une impression de personnalité remarquable si elles sont bien intégrées au gameplay, à l’animation et au level design.

L’intelligence perçue dépend notamment de la capacité du personnage à réagir de manière cohérente, à communiquer son intention, à tenir compte de son environnement et à respecter les règles que le joueur pense avoir comprises.

Un ennemi qui se met intelligemment à couvert mais laisse la moitié de son corps dépasser du mur semblera maladroit. Un compagnon capable de générer une conversation sophistiquée mais incapable d’éviter une porte fermée brisera rapidement l’illusion.

C’est pourquoi l’IA de jeu ne peut pas être isolée du reste du pipeline. Navigation, animation, level design, audio, interface et game design participent directement à la manière dont son comportement sera perçu.

---

De la règle écrite à l’agent hybride

L’évolution de l’intelligence artificielle dans le jeu vidéo ne ressemble finalement pas à une succession où chaque nouvelle technologie éliminerait la précédente.

Le pathfinding reste indispensable malgré le machine learning. Les machines à états continuent d’exister à côté des behavior trees. Les systèmes procéduraux utilisent toujours des règles déterministes. Les modèles génératifs s’intègrent désormais à des architectures qui conservent navigation, perception, animation et logique de gameplay traditionnelles.

Cette accumulation répond à une raison simple : ces outils ne résolvent pas les mêmes problèmes.

Le pathfinding cherche un chemin. Une machine à états organise des situations. Un behavior tree choisit des actions. Un Director agit sur le rythme. Le machine learning peut apprendre une politique. Un modèle génératif peut interpréter ou produire du langage et des contenus nouveaux.

L’avenir le plus probable n’est donc pas un personnage entièrement piloté par une gigantesque intelligence unique. Il ressemble davantage à un assemblage de systèmes spécialisés qui communiquent entre eux.

C’est également ce qui permet de répondre à notre question de départ. Lorsqu’un personnage de jeu semble posséder une intelligence, il n’existe généralement pas un petit cerveau numérique caché derrière son visage. Il existe une architecture de perception, de règles, de mémoire, de navigation et de décision suffisamment cohérente pour nous donner cette impression.

Et dans un jeu vidéo, cette illusion bien maîtrisée est souvent exactement ce dont nous avons besoin.