Se former › Niveau 1 · Comprendre
Cours gratuit · niveau 1
Comment fonctionne une IA générative ?
Ce qui se passe quand vous posez une question à ChatGPT, Claude ou Gemini : comment l’IA produit sa réponse, pourquoi elle se trompe parfois, et ce que cela change à votre façon de l’utiliser. Sans jargon, et sans prérequis.
Ce qu’est une IA générative
Une IA qui ne se contente pas de classer ou de recommander : elle produit un contenu nouveau.
L’IA « classique »
Elle analyse et décide parmi des choix connus : ce courriel est-il un spam ? Ce client risque-t-il de partir ? Quel film recommander ?
Exemple : le filtre anti-spam de votre messagerie.
L’IA générative
Elle crée un contenu qui n’existait pas : un texte, une image, un son, du code. Elle répond à une demande formulée en langage courant.
Exemple : ChatGPT, Claude, Gemini, Mistral Le Chat.
Les assistants comme ChatGPT reposent sur un grand modèle de langage (en anglais large language model, LLM) : un programme qui a appris, à partir d’immenses quantités de textes, comment les mots s’enchaînent.
Une IA générative ne « cherche » pas une réponse dans une base : elle la fabrique, mot après mot.
Les tokens : comment l’IA découpe le texte
Le modèle ne lit pas des lettres ni des mots entiers, mais des morceaux de texte appelés tokens.
Votre phrase
L’intelligence artificielle transforme les métiers.
Ce que voit le modèle (découpage illustratif)
- L’
- intellig
- ence
- ␣artific
- ielle
- ␣transform
- e
- ␣les
- ␣mét
- iers
- .
Le découpage exact varie d’un modèle à l’autre. Un mot courant tient souvent en un token ; un mot long ou rare en demande plusieurs.
Les tokens sont l’unité de mesure de tout le reste : la longueur de texte que le modèle peut traiter à la fois, les limites d’usage des offres, et le coût des services payants à l’usage.
Quand un outil parle de « limite de tokens », il parle de la quantité de texte qu’il peut lire et écrire.
Prédire la suite, token après token
C’est le cœur du fonctionnement : à chaque étape, le modèle calcule quel token a le plus de chances de venir ensuite.
Le chat s’est endormi sur le
Exemple illustratif : les pourcentages sont inventés pour montrer le principe.
Le modèle choisit un token, l’ajoute au texte, puis recommence, des centaines de fois, jusqu’à former une réponse complète. Il ne choisit pas toujours le plus probable : une part de hasard, réglable, rend les réponses plus variées. C’est pourquoi la même question peut donner deux réponses différentes.
Le modèle produit ce qui est plausible, pas forcément ce qui est vrai. Les deux coïncident souvent, mais pas toujours.
L’entraînement : d’où viennent ses connaissances
Avant de pouvoir répondre, le modèle passe par plusieurs phases d’apprentissage.
Le pré-entraînement
Le modèle lit d’immenses volumes de textes (pages web, livres, articles, code) et apprend à prédire le token suivant.
Résultat : il « connaît » la langue et beaucoup de faits.L’ajustement aux consignes
On l’entraîne sur des exemples de questions et de bonnes réponses, pour qu’il suive des instructions.
Résultat : il devient un assistant.Les retours humains
Des personnes comparent ses réponses et indiquent les meilleures ; le modèle apprend à s’en rapprocher.
Résultat : des réponses plus utiles et plus prudentes.
Deux conséquences pratiques. D’abord, le modèle a une date limite de connaissances : il ignore ce qui s’est passé après la fin de son entraînement, sauf s’il peut faire une recherche en ligne. Ensuite, il reproduit les biais présents dans les textes dont il a appris : stéréotypes, sujets surreprésentés, langues moins bien couvertes.
Le modèle n’apprend pas pendant vos conversations : il a été entraîné une fois, puis il applique ce qu’il a appris.
La fenêtre de contexte : sa mémoire de travail
Tout ce que le modèle prend en compte pour vous répondre doit tenir dans un espace limité, mesuré en tokens.
- Consignes de l’outilRègles fixées par l’éditeur, invisibles pour vous
- Historique de la conversationVos messages et ses réponses précédentes
- Vos documentsFichiers importés, textes collés
- Votre nouvelle demande
Elle est produite uniquement à partir de ce qui se trouve dans la fenêtre, et de ce que le modèle a appris à l’entraînement.
Selon les modèles, cette fenêtre va de quelques dizaines de milliers à plus d’un million de tokens. Quand une conversation devient très longue, les éléments les plus anciens peuvent être résumés ou perdus, et la qualité baisse. Une nouvelle conversation repart d’une fenêtre vide, sauf si l’outil propose une fonction de mémoire.
Ce que vous ne donnez pas à l’IA, elle ne le sait pas. Le contexte que vous fournissez est votre meilleur levier de qualité.
Pourquoi elle se trompe (et avec aplomb)
On appelle « hallucination » une réponse fausse présentée comme vraie. Ce n’est pas un bug rare : c’est une conséquence directe de son fonctionnement.
Là où elle est fiable
- Reformuler, résumer, traduire un texte fourni
- Structurer des idées, proposer un plan
- Expliquer une notion répandue
- Rédiger un premier jet à partir de vos éléments
Là où il faut se méfier
- Chiffres, dates, citations, références précises
- Textes de loi, jurisprudence, normes
- Sujets récents ou très spécialisés
- Calculs complexes faits « de tête »
- Elle vise le plausibleUne fausse référence peut avoir exactement la forme d’une vraie.
- Elle comble les trousSans l’information, elle produit souvent une réponse au lieu de dire « je ne sais pas ».
- Elle sonne toujours justeLe ton assuré est le même, que la réponse soit vraie ou fausse.
Plus une erreur aurait de conséquences, plus la vérification dans une source fiable est indispensable.
Ce que les assistants ajoutent autour du modèle
ChatGPT, Claude ou Gemini ne sont pas qu’un modèle de langage : ils le relient à des outils qui compensent ses limites.
Et les agents ? Un agent est un assistant à qui l’on confie un objectif plutôt qu’une question : il enchaîne lui-même plusieurs étapes et utilise des outils (chercher, ouvrir un fichier, remplir un formulaire) pour y parvenir. Le principe reste le même : un modèle qui prédit, ici la prochaine action. Les mêmes limites s’appliquent donc, avec plus de conséquences.
Quand l’assistant cite des sources ou s’appuie sur vos documents, les erreurs diminuent, mais ne disparaissent pas.
Ce que cela change pour vous : 6 réflexes
Comprendre le fonctionnement, c’est savoir comment obtenir de meilleures réponses, et quand s’en méfier.
- Donner du contexteQui vous êtes, pour qui, dans quel but : c’est ce qui remplit utilement la fenêtre de contexte.
- Fournir la matièreCollez le texte ou importez le document : elle s’appuiera dessus plutôt que d’inventer.
- Vérifier les faitsChiffres, dates, références et textes juridiques se contrôlent dans une source fiable.
- Demander les sourcesEt ouvrir les liens : une source citée n’est pas une source vérifiée.
- Repartir à zéro si besoinUne conversation trop longue se dégrade : ouvrez-en une nouvelle avec un résumé.
- Protéger les donnéesCe que vous saisissez est envoyé à un service : pas de données personnelles ou confidentielles sans en connaître les conditions.
Testez-vous
5 questions pour vérifier vos acquis
1. Comment une IA générative produit-elle sa réponse ?a) Elle la cherche dans une base de données · b) Elle prédit la suite du texte, token après token · c) Elle copie une page web
Réponse b. Elle fabrique la réponse en prédisant à chaque étape le morceau de texte le plus plausible.
2. Pourquoi la même question peut-elle donner deux réponses différentes ?a) Le modèle apprend entre les deux · b) Une part de hasard intervient dans le choix des tokens · c) C’est une erreur
Réponse b. Le modèle ne choisit pas toujours le token le plus probable, ce qui varie les réponses.
3. Qu’est-ce que la fenêtre de contexte ?a) La quantité de texte que le modèle prend en compte pour répondre · b) L’écran de l’application · c) La date limite de ses connaissances
Réponse a. Elle contient les consignes, l’historique, vos documents et votre demande, dans une limite mesurée en tokens.
4. Le modèle apprend-il de vos conversations pendant que vous lui parlez ?a) Oui, en permanence · b) Non, il applique ce qu’il a appris à l’entraînement
Réponse b. Il ne se modifie pas pendant la conversation. Certains outils peuvent en revanche mémoriser des préférences, et certains éditeurs utilisent les conversations pour entraîner de futurs modèles, selon les réglages.
5. Pour quelle demande faut-il vérifier le plus soigneusement la réponse ?a) Reformuler un paragraphe · b) Proposer un plan · c) Citer un article de loi et sa date
Réponse c. Références précises, chiffres et textes juridiques sont les terrains privilégiés des hallucinations.
Glossaire
Les mots à connaître
| Terme | Ce que cela veut dire |
|---|---|
| LLM | Grand modèle de langage : le programme qui prédit le texte, au cœur des assistants. |
| Token | Morceau de texte (mot, partie de mot, ponctuation) que le modèle traite. |
| Prompt | La demande que vous écrivez à l’IA. |
| Fenêtre de contexte | La quantité de texte que le modèle prend en compte à un moment donné. |
| Entraînement | La phase pendant laquelle le modèle apprend à partir de textes, avant sa mise à disposition. |
| Hallucination | Réponse fausse présentée avec assurance comme vraie. |
| Agent | Assistant qui enchaîne lui-même plusieurs étapes et outils pour atteindre un objectif. |
Étape suivante · niveau 2
Apprendre à formuler ses demandes
Vous savez maintenant pourquoi le contexte compte. Les méthodes PREP et CARE vous apprennent à le donner, en quatre lettres.
Pour aller plus loin : Vaswani et al. (2017), « Attention Is All You Need », l’article fondateur de l’architecture des modèles actuels ; Ouyang et al. (2022), « Training language models to follow instructions with human feedback », sur l’ajustement par retours humains. Retour au parcours de formation.