Depuis ses débuts, l'IA s'intéresse à la génération de musique. Nous ferons le point sur les avancées récentes en la matière avec l'objectif de tenter de définir le problème, et en argumentant que, d'une certaine manière, le problème de la génération, vu comme celui de l'exploration automatique d'un style défini par un ensemble d'apprentissage, peut être considéré comme résolu. Néanmoins, d'autres problèmes surgissent, plus difficiles et beaucoup plus intéressants car ils nécessitent de nouvelles conceptualisations de notre rapport aux goûts. D'une part, la définition d'une "qualité intrinsèque" d'une musique générée est flou, et il est en général confondu avec celui de la qualité des algorithmes de génération, ce qui rend difficile les tâches d'évaluation de ces algorithmes. D'autre part, nous montrerons que les données de popularité ne peuvent pas être utilisées comme des "ground truths" afin de réaliser le rêve de la génération de tubes. Enfin, nous montrerons comment le phénomène d'appropriation lors d'utilisation de technologies d'IA est au moins aussi important que celui de la qualité intrinsèque. Nous illustrerons ces points par différentes expérimentations et résultats obtenus depuis une dizaine d'années.