Comprendre l’IA au travail / Fiche courte
Comprendre · Fiche courte
Qu’est-ce qu’un LLM ?
Un grand modèle de langage compose sa réponse en prévoyant, pas à pas, la suite la plus probable d’un texte. Cette fiche résume son fonctionnement, sa fabrication et ce que cela change pour un usage professionnel.
L’essentiel
Un LLM prévoit la suite d’un texte.
La définition, puis ce qu’elle implique.
Un grand modèle de langage, ou LLM (large language model), est un réseau de neurones entraîné à prévoir la suite d’un texte. Il ne cherche pas une réponse toute faite dans une base de données : il la compose, unité après unité.
Il calcule des probabilités à partir du contexte ; il ne vérifie pas spontanément la vérité ni la conformité de sa réponse.
CNIL, définition d’un modèle de langage ↗ · Guide, chapitre 02
01 / Fonctionnement
Cinq étapes entre votre question et la réponse.
Le même calcul recommence pour chaque unité de texte produite.
Découper : le texte devient des jetons.
La consigne et les documents fournis sont découpés en petites unités : mots, morceaux de mots ou signes.
Représenter : les jetons deviennent des nombres.
Chaque jeton est converti en une représentation numérique qui encode les régularités apprises pendant l’entraînement.
Mettre en relation : l’attention pondère le contexte.
Le Transformer examine les relations entre les jetons pour déterminer quels éléments du contexte comptent le plus à cet instant. Vaswani et al., 2017 ↗
Prédire : le prochain jeton est choisi.
Le modèle calcule une distribution de probabilités. Les réglages de génération influencent le choix et sa variabilité.
Recommencer : la réponse se construit pas à pas.
Le jeton choisi rejoint le contexte, puis le calcul recommence jusqu’à la fin de la réponse.
Après « Le salarié décrit des douleurs persistantes au niveau du… », le modèle attribue une probabilité à chaque suite possible : « dos », « poignet », « genou ». Il choisit ce qui est probable dans ce contexte, pas ce qui est vrai pour ce salarié. Dans le guide, les probabilités de cet exemple sont fictives.
02 / Fabrication
Cinq étapes d’entraînement, et le défaut que chacune peut laisser.
Les capacités d’un LLM ne sont pas programmées règle par règle.
| Étape | Ce qui en sort | Défaut hérité |
|---|---|---|
| Pré-entraîner sur des textes du web, des livres et du code | Un modèle de base, qui complète du texte sans suivre de consignes. | Fabulation, biais et erreurs des textes d’origine ; savoir figé à une date de coupure. |
| Ajuster sur des dialogues exemplaires | Un assistant, qui répond aux demandes et en refuse certaines. | Il reprend les préférences de ceux qui rédigent et valident les exemples. |
| Renforcer à partir de réponses comparées | Un assistant plus utile et plus prudent dans ses réponses. | Complaisance : ce qui plaît peut l’emporter sur ce qui est exact. |
| Entraîner à raisonner sur des problèmes à solution vérifiable | Un modèle de raisonnement, qui calcule plus longtemps avant de répondre. | Il peut contourner le test plutôt que résoudre le problème ; le raisonnement affiché n’est pas toujours fidèle. |
| Évaluer, puis déployer | Un modèle mis à jour et surveillé : chaque version est un objet daté. | Il peut repérer qu’il est évalué ; les tests prédisent mal l’usage réel. |
Schéma simplifié : l’ordre et le poids des étapes varient d’un laboratoire à l’autre, et certaines sont répétées.
Ouyang et al., 2022 ↗ · Bai et al., 2022 ↗ · Guide, chapitre 03
03 / Au travail
Ce que cela change avant de s’y fier.
Quatre conséquences pratiques.
- L’outil n’est jamais le modèle seul. Un assistant professionnel assemble un modèle, des consignes, des documents, des outils et parfois une mémoire. Deux outils fondés sur le même modèle peuvent répondre très différemment.
- Une capacité démontrée n’est pas une fiabilité garantie. Réussir souvent une catégorie de tâches ne permet pas de prévoir chaque réponse. Il faut tester les erreurs qui comptent dans votre usage.
- Une version de modèle est un objet daté. Le fournisseur peut modifier le modèle, ses réglages, ses filtres ou ses outils. Une évaluation utile mentionne la version et la date.
- Les données saisies partent quelque part. Vérifier le lieu de traitement, la durée de conservation et les usages prévus par le fournisseur ; pour des données de santé, un hébergement certifié HDS.
Le guide détaille ces points dans les chapitres Du modèle au système et Capacités et limites.
Réponses essentielles
Trois questions fréquentes.
Des réponses courtes, tirées du guide.
Un LLM va-t-il chercher ses réponses dans une base de données ?
Pas par lui-même : il compose sa réponse à partir de ce qu’il a appris et de ce qui figure dans sa fenêtre de contexte. Un outil peut en revanche lui fournir des extraits retrouvés dans une base documentaire (RAG) ou sur le web. Ce qui n’entre pas dans cette fenêtre n’existe pas pour lui.
Pourquoi la même question donne-t-elle des réponses différentes ?
La génération est probabiliste et sensible à la formulation, à l’ordre des documents et à la version du modèle. Avec une température basse, les réponses sont stables, parfois répétitives ; avec une température élevée, elles varient davantage. D’où l’intérêt de tester plusieurs fois, de dater les essais et de consigner la version utilisée.
Quelle différence entre un modèle fermé et un modèle à poids ouverts ?
Un modèle fermé ne s’utilise qu’à distance, sur l’infrastructure du fournisseur. Un modèle à poids ouverts peut être installé sur des serveurs maîtrisés, ce qui donne la maîtrise du trajet des données. Les plus grands exigent toutefois une infrastructure de centre de données.
Elle résume un chapitre du guide Comprendre l’IA au travail, qui donne pour chaque chiffre sa source, sa date et ses limites. Les repères datés de novembre 2026 seront dépassés : le guide est la version tenue à jour.
Journal des mises à jour
- Première version, tirée du guide « Comprendre l’IA au travail » mis à jour le 13 novembre 2026.