L'IA générative s'est installée en peu de temps dans les outils du quotidien : assistants conversationnels, aides à la rédaction, générateurs d'images, compléments de code. Pour bien s'en servir, il est utile de comprendre ce qui se passe « sous le capot », sans entrer dans les mathématiques. Ce guide explique en termes simples le fonctionnement d'un grand modèle de langage, ses usages pertinents, ses limites et les bons réflexes pour vérifier ce qu'il produit.

## Qu'est-ce que l'IA générative ?

L'IA générative désigne des systèmes capables de **produire du contenu nouveau** : texte, image, son, vidéo ou code. Ils ne cherchent pas une réponse toute faite dans une base de données : ils fabriquent un résultat à partir de régularités apprises sur de très grands volumes d'exemples.

Pour le texte, on parle de **grands modèles de langage**, souvent abrégés en LLM (de l'anglais *Large Language Models*). Ce sont eux qui animent les assistants conversationnels.

## Comment fonctionne un grand modèle de langage

### Prédire le mot suivant

Le principe de base est étonnamment simple : un modèle de langage **prédit la suite la plus probable d'un texte**. Plus précisément, il découpe le texte en petites unités appelées **tokens** (un mot, un morceau de mot ou un signe de ponctuation), puis calcule, pour chaque token possible, la probabilité qu'il vienne ensuite.

Le modèle choisit un token, l'ajoute au texte, puis recommence. Une réponse complète est donc construite **token par token**. Un léger degré de hasard est généralement introduit dans ce choix, ce qui explique qu'une même question puisse produire des réponses différentes.

Cette mécanique a une conséquence importante : le modèle produit un texte **plausible**, pas nécessairement un texte **vrai**. Il n'a pas, par défaut, de mécanisme interne de vérification des faits.

### L'entraînement

Pour apprendre ces probabilités, le modèle est entraîné en plusieurs étapes :

1. **Le pré-entraînement** : le modèle lit une immense quantité de textes (pages web publiques, livres, articles, code…) et apprend à prédire le token suivant. Il en retire une connaissance statistique de la langue, des faits fréquemment mentionnés et des façons de raisonner présentes dans ses données.
2. **L'ajustement** : le modèle est ensuite affiné sur des exemples de dialogues et à l'aide d'évaluations humaines, pour qu'il suive des instructions, réponde de façon utile et évite certains contenus problématiques.

Les connaissances du modèle s'arrêtent à une **date de coupure** : sans outil de recherche connecté, il ignore les événements postérieurs à ses données d'entraînement.

### La fenêtre de contexte

Le modèle ne « se souvient » pas de vous comme le ferait une personne. À chaque réponse, il reçoit un texte d'entrée qui comprend la conversation en cours, d'éventuelles instructions et les documents fournis. La taille maximale de ce texte s'appelle la **fenêtre de contexte**.

Conséquences pratiques :

- tout ce qui n'est pas dans la fenêtre de contexte n'existe pas pour le modèle ;
- dans une conversation très longue, les éléments les plus anciens peuvent être tronqués ou moins bien pris en compte ;
- certaines applications ajoutent une fonction de mémoire, mais elle repose sur le même principe : réinjecter des informations dans le contexte.

## Les usages pertinents

L'IA générative est particulièrement utile lorsque le résultat est **facile à vérifier** ou lorsqu'il sert de **point de départ** à un travail humain.

| Usage | Exemple | Point de vigilance |
|---|---|---|
| Rédaction | Premier jet d'un courriel, plan d'article | Relire le ton et les faits |
| Reformulation | Simplifier un texte, changer de registre | Vérifier que le sens est conservé |
| Synthèse | Résumer un document fourni | Contrôler qu'aucun point clé n'est omis |
| Traduction | Traduire un texte courant | Faire relire les textes engageants |
| Idéation | Lister des pistes, des titres, des objections | Trier et approfondir soi-même |
| Programmation | Expliquer du code, proposer une fonction | Tester et relire le code produit |
| Apprentissage | Expliquer une notion avec des exemples | Croiser avec une source de référence |

### Ce qui fonctionne le mieux

- **Fournir les sources** : demander un résumé d'un document que l'on colle dans la conversation est plus fiable que poser une question de culture générale.
- **Travailler par itérations** : demander une première version, puis l'affiner.
- **Garder le contrôle** : l'outil propose, la personne décide.

## Les limites à connaître

### Les hallucinations

On appelle **hallucination** une réponse fausse présentée avec assurance : une citation inventée, une référence bibliographique inexistante, une date erronée, une fonction de programmation qui n'existe pas. Ce phénomène découle directement du fonctionnement par prédiction : le modèle produit ce qui « ressemble » à une bonne réponse.

Les hallucinations sont plus fréquentes sur :

- les sujets pointus ou peu documentés ;
- les chiffres précis, les dates et les références ;
- les événements récents ;
- les questions qui contiennent une fausse prémisse.

### Les biais

Un modèle reflète en partie les données dont il est issu. Il peut donc reproduire des **stéréotypes**, surreprésenter certains points de vue ou certaines cultures, et en ignorer d'autres. Les étapes d'ajustement atténuent ces effets sans les supprimer complètement. Restez critique, en particulier sur les sujets sociaux, politiques ou culturels.

### La confidentialité des données

Ce que vous saisissez dans un service d'IA en ligne est transmis à son fournisseur. Selon les conditions d'utilisation et les réglages, ces données peuvent être conservées et parfois utilisées pour améliorer les modèles. Quelques règles de prudence :

- ne saisissez pas de **mots de passe**, de données bancaires ou d'identifiants ;
- évitez les **données personnelles** de tiers (clients, patients, collègues) ;
- ne collez pas de documents **confidentiels** de votre entreprise sans y être autorisé ;
- consultez les paramètres de confidentialité du service et la politique de votre organisation.

### Le raisonnement et le calcul

Les modèles peuvent commettre des erreurs de logique ou de calcul, surtout sur des problèmes à plusieurs étapes. Pour un calcul important, utilisez un tableur ou une calculatrice, ou demandez au modèle de détailler son raisonnement afin de pouvoir le vérifier.

## Comment vérifier les réponses

Adopter une routine de vérification permet de profiter de l'outil sans en subir les erreurs.

1. **Identifier les affirmations vérifiables** : chiffres, dates, noms, citations, références.
2. **Croiser avec des sources fiables** : sites officiels, documentation de référence, ouvrages spécialisés.
3. **Demander les sources, puis les contrôler** : une référence fournie par le modèle peut elle-même être inventée ; vérifiez qu'elle existe et qu'elle dit bien ce qui est annoncé.
4. **Tester ce qui peut l'être** : exécuter le code, refaire le calcul, appliquer la procédure sur un cas simple.
5. **Reformuler la question** : si deux formulations donnent des réponses contradictoires, c'est un signal d'alerte.
6. **Consulter un professionnel** pour toute décision médicale, juridique ou financière.

Plus l'enjeu est élevé, plus la vérification doit être rigoureuse.

## En résumé

- L'IA générative produit du contenu nouveau à partir de régularités apprises sur de grands volumes de données.
- Un grand modèle de langage construit ses réponses **token par token**, en prédisant la suite la plus probable : il vise la plausibilité, pas la vérité.
- Ses connaissances s'arrêtent à une date de coupure, et il ne voit que ce qui figure dans sa **fenêtre de contexte**.
- Il excelle pour rédiger, reformuler, résumer, traduire ou explorer des idées, à condition de relire.
- Ses principales limites sont les **hallucinations**, les **biais** et les enjeux de **confidentialité**.
- Vérifiez systématiquement les faits, testez ce qui peut l'être et gardez la décision finale.