Comprendre l'IA générative

Quand on parle d’“IA” aujourd’hui — ChatGPT, Claude, Gemini, Copilot — on parle presque toujours d’IA générative : des systèmes capables de produire du texte, du code ou des images en réponse à une demande, plutôt que d’exécuter une tâche programmée à l’avance de façon rigide.

Le principe, en une image

Un modèle de langage (LLM, Large Language Model) a été entraîné sur une quantité gigantesque de texte (livres, sites web, code source…) pour apprendre à prédire, statistiquement, quel mot vient logiquement après les précédents. En enchaînant cette prédiction mot après mot (plus précisément token après token — un token est un petit fragment de texte, parfois un mot entier, parfois une partie), il génère des réponses cohérentes, sans jamais recopier une phrase exacte stockée quelque part.

Une comparaison utile : ce n’est pas un moteur de recherche qui va chercher une réponse toute faite dans une base de données. C’est plus proche d’un système qui aurait tellement lu qu’il “sent” statistiquement quelle suite de mots est plausible — comme un très bon élève qui aurait lu une bibliothèque entière et improviserait une réponse cohérente, sans consulter aucun livre au moment de répondre.

Deux phases bien distinctes

L’entraînement : une phase unique, extrêmement coûteuse (des mois de calcul sur des milliers de processeurs spécialisés), où le modèle apprend à partir d’un immense corpus de données. C’est ce qui se passe une fois, “en usine”.
L’inférence : chaque fois que vous posez une question, le modèle déjà entraîné génère une réponse à partir de ce qu’il a appris — sans réapprendre ni se souvenir d’une conversation à l’autre (sauf fonctionnalité spécifique de mémoire ajoutée par l’éditeur).

Ce que ce n’est pas

Pas une base de connaissances qui “sait” qu’elle a raison : le modèle prédit une suite plausible, sans mécanisme de vérification factuelle intégré. Il peut donc produire des affirmations fausses avec la même assurance que des affirmations vraies — un phénomène qu’on appelle une hallucination (voir la fiche Enjeux et risques).
Pas une intelligence consciente qui “comprendrait” au sens humain : c’est une extrapolation statistique très sophistiquée, pas un raisonnement conscient, même si le résultat y ressemble souvent de façon bluffante.
Pas systématiquement à jour : un modèle connaît le monde jusqu’à la date où son entraînement s’est arrêté (sa “date de coupure”), sauf s’il est explicitement connecté à une recherche web en temps réel.