Les intelligences artificielles

Une recommandation de film, un correcteur orthographique, un assistant qui rédige un courrier, une caméra qui compte des passages : on appelle tout cela « intelligence artificielle », alors que les techniques n'ont presque rien en commun.

Pour décider — adopter un outil, lancer un projet, répondre à un client — il faut d'abord distinguer les familles, comprendre grossièrement comment fonctionne la génération de texte qui a tout changé depuis 2022, et regarder sans naïveté les limites et les coûts. C'est l'objet de ce dossier.

01 — De quoi parle-t-on

Quatre familles, souvent confondues

Sous le même sigle cohabitent des approches d'âges et de logiques différentes.

02 — Sous le capot

Comment fonctionne un grand modèle de langage

Un LLM découpe le texte en petites unités, les tokens (des morceaux de mots). Son entraînement se fait en deux temps. D'abord un pré-entraînement auto-supervisé : on lui montre d'énormes quantités de texte et on lui fait prédire le token suivant, encore et encore, jusqu'à ce qu'il capture des régularités de langue, de style et de raisonnement. Ensuite un affinage : on lui apprend à suivre des instructions et à répondre de façon utile et sûre, souvent par apprentissage par renforcement à partir de retours humains (RLHF).

À l'usage — l'inférence — le modèle reçoit votre message et le contenu déjà échangé (la fenêtre de contexte, limitée), puis génère sa réponse token par token, chacun tiré selon les probabilités apprises. Il n'y a pas de base de faits consultée, pas de vérification : d'où les hallucinations, ces réponses fausses formulées avec assurance. Quand l'information manque, le modèle produit ce qui ressemble à une bonne réponse.

L'architecture qui rend tout cela possible s'appelle le Transformer, introduite en 2017. Retenir surtout : la qualité dépend des données d'entraînement, la connaissance s'arrête à une date, et le même modèle peut être brillant sur une phrase et se tromper lourdement sur la suivante.

03 — Autour du modèle

Ce qui transforme un modèle en produit utile

Le modèle brut est rarement la solution. Ce qu'on assemble autour compte souvent davantage.

• Récupération augmentée (RAG). On cherche d'abord les passages pertinents dans votre documentation — via une recherche vectorielle sur des embeddings — puis on les fournit au modèle pour ancrer la réponse et citer des sources. C'est le moyen le plus fiable de faire répondre une IA sur un domaine précis.
• Outils et appels de fonctions. Le modèle ne se contente plus de parler : il déclenche une recherche, interroge une API, exécute du code, écrit dans une base. Le protocole ouvert MCP (Model Context Protocol) standardise ces connexions.
• Agents. Le modèle planifie une suite d'actions et les enchaîne en boucle jusqu'à un objectif. Prometteur, mais encore fragile sur les tâches longues : à cadrer et à surveiller.
• Affinage (fine-tuning). Ré-entraîner légèrement le modèle sur vos exemples pour fixer un ton ou un format. Utile après avoir épuisé le prompt engineering et le RAG, pas avant.
• Multimodal. Les modèles récents lisent aussi l'image, l'audio et les documents : extraction de tableaux, description de photos, transcription.

04 — Usages

Où l'IA aide vraiment une organisation

Les gains sont réels là où une relecture reste possible et où l'erreur n'est pas critique. Le tableau ci-dessous résume les usages les plus éprouvés.

05 — Le prix à payer

Limites et coûts réels

Aucun de ces points n'est rédhibitoire, mais les ignorer transforme un pilote réussi en déception à l'échelle.

• Hallucinations et biais. Le modèle peut se tromper sans le signaler, et reproduire les biais de ses données d'entraînement.
• Dette de vérification. Chaque sortie utilisée dans une décision doit être relue par quelqu'un de compétent — ce temps humain fait partie du coût.
• Coût par requête. Les API se facturent au million de tokens (entrée et sortie) ; l'auto-hébergement d'un modèle ouvert demande des GPU à forte mémoire vidéo et une équipe pour les exploiter.
• Latence. Une réponse prend de quelques centaines de millisecondes à plusieurs secondes : à intégrer dans les parcours utilisateur.
• Confidentialité. Ce qui est envoyé à un service tiers sort de votre système d'information ; il faut choisir l'hébergement et les clauses en conséquence.
• Dépendance fournisseur. Un modèle, une API et une tarification peuvent changer ; prévoir une abstraction et une porte de sortie.
• Empreinte environnementale. L'entraînement et l'inférence à grande échelle consomment énergie et eau ; un critère de sobriété a sa place dans le choix.

06 — Gouvernance

Encadrer l'IA : le cadre en vigueur

Trois références structurent les pratiques en Europe.

• RGPD. Dès que des données personnelles sont traitées : base légale, minimisation, information des personnes, analyse d'impact si le risque est élevé. La CNIL publie des fiches pratiques dédiées à l'IA.
• AI Act européen. Le règlement classe les systèmes par niveau de risque et impose des obligations croissantes (voir la frise). Il s'applique par étapes.
• Référentiels volontaires. Le NIST AI Risk Management Framework (cartographier, mesurer, gérer, gouverner) et la norme ISO/IEC 42001 (système de management de l'IA) donnent une méthode, même hors obligation légale.

Calendrier de l'AI Act

1. Août 2024
   Étape 01

   Entrée en vigueur

   Le règlement est adopté

   Le compte à rebours des obligations démarre ; les définitions et le champ d'application deviennent la référence.

2. Février 2025
   Étape 02

   Pratiques interdites

   Risque « inacceptable »

   Notation sociale, manipulation exploitant des vulnérabilités, extraction non ciblée d'images de visages : proscrites dans l'Union.

3. Août 2025
   Étape 03

   Modèles à usage général

   Fournisseurs de modèles de fondation (GPAI)

   Obligations de transparence, de documentation technique et de résumé des données d'entraînement.

4. Août 2026
   Étape 04

   Systèmes à haut risque

   Usages sensibles : RH, crédit, biométrie…

   Gestion des risques, qualité des données, journalisation, supervision humaine, évaluation de conformité.

5. Août 2027
   Étape 05

   Haut risque intégré

   IA embarquée dans des produits déjà régulés

   Extension des obligations aux systèmes couverts par d'autres législations sectorielles.

Se former, côté équipes

Pour monter en compétence sans dépendre d'un fournisseur : Hugging Face Learn (gratuit, pratique), les parcours certifiants de DeepLearning.AI, et Elements of AI (université d'Helsinki) pour les profils non techniques. Côté organisation, la norme ISO/IEC 42001 sert de fil directeur pour un référentiel interne.

07 — Questions fréquentes

Questions fréquentes

Une intelligence artificielle « comprend »-elle ce qu'elle dit ?

Pas au sens humain. Un grand modèle de langage prédit la suite la plus probable d'un texte à partir de régularités apprises sur d'immenses corpus. Le résultat est souvent pertinent, mais il n'y a ni compréhension, ni intention, ni vérification interne des faits.

Pourquoi une IA invente-t-elle des réponses (hallucinations) ?

Parce qu'elle génère du texte plausible, pas des faits vérifiés. Quand l'information manque ou qu'elle est ambiguë, le modèle comble avec ce qui ressemble à une bonne réponse. On réduit le risque avec la récupération augmentée (RAG), des sources citées et une relecture humaine.

Faut-il un modèle propriétaire ou un modèle ouvert ?

Un modèle propriétaire par API est rapide à mettre en place et souvent plus performant sur les tâches générales. Un modèle ouvert auto-hébergé donne le contrôle des données et des coûts prévisibles, au prix d'une infrastructure GPU et d'une équipe. Le choix dépend de la sensibilité des données et du volume de requêtes.

Mon organisation est-elle concernée par l'AI Act européen ?

Très probablement, dès que vous fournissez ou utilisez un système d'IA dans l'Union européenne. Le niveau d'obligation dépend du risque de l'usage : minimal, transparence, haut risque, ou pratique interdite. Cartographier ses usages est la première étape.

08 — Ressources & liens

Où aller, concrètement