Il y a une scène qui se répète à chaque fois que j'anime une session sur l'IA générative. Je demande à la salle : "Qui a déjà utilisé ChatGPT cette semaine ?" Presque toutes les mains se lèvent. Puis j'ajoute : "Qui sait ce qui se passe réellement quand vous appuyez sur Entrée ?" Là, il reste une main, parfois deux. C'est exactement le cœur du sujet, et c'est ce qui m'a poussé à écrire cet article : on utilise un outil tous les jours sans avoir la moindre idée de la mécanique qui tourne derrière.
Comprendre comment fonctionne une intelligence artificielle générative n'a rien d'un exercice académique. Une fois que vous avez saisi le principe de la prédiction du mot suivant, vous arrêtez de lui demander l'impossible. Vous arrêtez aussi de croire qu'elle "cherche" une réponse dans une base de données.
Points clés à retenir
- Une IA générative ne récupère pas un texte existant : elle calcule le prochain morceau le plus probable, un peu comme une autocomplétion surdimensionnée.
- Le cœur de la technologie, c'est l'architecture Transformer et son mécanisme d'attention, qui pèse l'importance de chaque mot par rapport aux autres.
- Il faut distinguer deux phases : l'entraînement (long, coûteux, en amont) et l'inférence (l'instant où vous posez une question).
- L'IA dite "classique" classe ou prédit une étiquette ; l'IA générative produit du contenu inédit.
- Un paramètre comme la température décide si le modèle reste sage ou devient créatif (parfois jusqu'à l'incohérence).
Le principe qui déverrouille tout : prédire le mot suivant
Oubliez un instant les mots "intelligence" et "générative". Le mécanisme de base est d'une banalité désarmante. Un modèle de langage reçoit une suite de mots et estime la probabilité de celui qui vient après. Rien de plus.
Quand vous tapez "Le chat dort sur le…", le système n'a aucune notion de ce qu'est un chat. Il a simplement vu, des milliards de fois, des séquences où les mots "canapé", "lit" ou "radiateur" suivent "sur le". Il va donc proposer l'un d'eux. Puis il recommence, avec ce nouveau mot intégré à la phrase, pour produire le suivant.
Cette répétition, token par token, est ce qui donne l'illusion d'une pensée continue. C'est déroutant la première fois qu'on le comprend vraiment. On s'attend à un raisonnement, on découvre une machine à enchaîner des probabilités.
Qu'appelle-t-on un "token" ?
Un modèle ne lit pas des mots, mais des tokens. Un token est un morceau de texte : parfois un mot entier, souvent une fraction de mot. "générative" peut être découpé en deux ou trois tokens selon le découpage utilisé. La phrase que vous écrivez est d'abord convertie en cette suite de tokens, rangée dans un ordre précis, avant tout calcul.
C'est pour ça que les IA peinent parfois à compter les lettres du mot "strawberry" ou à faire une multiplication à plusieurs chiffres. Elles ne voient pas des lettres isolées, elles manipulent des blocs. Un détail qui paraît mineur, jusqu'au jour où vous leur demandez de vérifier l'orthographe de votre nom.
La véritable mécanique derrière l'attention
Multiplying probabilities token par token, ça ne suffit pas. Sinon on obtiendrait un texte plat, sans contexte. Le saut technologique date de 2017, avec l'architecture Transformer, et il tient à un seul mécanisme : l'attention.
L'idée en une phrase : quand le modèle traite un mot, il regarde tous les autres mots de la phrase et décide lesquels comptent le plus pour comprendre celui-là. Prenons "La banque a refusé le prêt parce qu'elle manquait de garanties." Le mot "elle" ne renvoie pas à "garanties", mais à "banque". Le mécanisme d'attention pèse ces liens pour lever l'ambiguïté. Sans lui, la phrase resterait un sac de mots interchangeables.
Avant les Transformers, on utilisait des réseaux récurrents, qui lisaient le texte dans l'ordre, un mot après l'autre. Le problème ? Le contexte lointain se perdait au fil de la lecture. Le Transformer traite la phrase entière en parallèle et garde le lien entre les éléments éloignés. C'est ce qui lui permet de "tenir" un raisonnement sur plusieurs paragraphes.
Entraînement et inférence : deux mondes à ne pas confondre
Voilà une confusion que je vois partout, y compris chez des gens très compétents. L'entraînement et l'inférence sont deux phases totalement distinctes.
- L'entraînement : le modèle avale d'énormes volumes de textes, ajuste ses milliards de paramètres, apprend les régularités de la langue. Long. Coûteux. Réalisé une fois, en amont, par l'éditeur.
- Le fine-tuning et le RLHF : on affine le modèle de base pour le rendre utile et poli, en le corrigeant avec des retours humains.
- L'inférence : c'est votre conversation. Le modèle est figé, il ne "apprend" plus rien. Il se contente de calculer, vite, la suite probable.
Conséquence directe et souvent mal comprise : quand vous discutez avec une IA, elle n'apprend pas de vos échanges. Vous ne la rendez pas plus intelligente. Vous lui donnez juste plus de contexte à traiter dans la fenêtre en cours. La prochaine conversation repartira de zéro.
Le rôle de la température
Un seul paramètre décide de la personnalité apparente du modèle : la température. Elle règle le degré d'aléatoire dans le choix du prochain token. Basse, le modèle prend toujours le mot le plus probable et reste prévisible. Haute, il accepte des choix moins probables et devient plus créatif, mais aussi plus susceptible de déraper.
C'est pour ça qu'une même question posée deux fois peut donner deux réponses différentes. Ce n'est pas un bug. C'est un tirage, légèrement biaisé, dans une distribution de probabilités.
IA classique et IA générative : la différence tient en une phrase
Quelle est la différence entre l'IA et l'IA générative ? L'intelligence artificielle est un domaine né au milieu des années 1950, avec les réflexions d'Alan Turing sur la capacité d'une machine à "penser". L'IA générative en est une branche récente, qui ne se contente pas de classer ou de prédire une étiquette.
Une IA classique, par exemple, regarde une photo et dit "c'est un chat". Elle range, elle trie, elle estime. Une IA générative, elle, crée : elle compose une image de chat qui n'a jamais existé. Le glissement est majeur. On passe d'un outil qui juge à un outil qui produit.
Un exemple concret pour fixer les idées
Imaginez deux filtres à spams. Le premier, une IA classique, lit un mail et répond oui ou non : spam, pas spam. Il est très fort à ça. Le second, une IA générative, peut rédiger un mail de relance personnalisé pour chacun de vos clients, avec un ton adapté à chaque destinataire. Le premier décide. Le second fabrique. Voilà, en substance, où passe la frontière.
Est-ce que ChatGPT est une IA générative ?
Oui, et il en est même l'exemple le plus connu. ChatGPT est une IA générative parce qu'il produit du texte original en réponse à vos invites, au lieu de se limiter à trier ou classer des données. Le terme "invite", ou prompt, désigne simplement la consigne que vous lui donnez.
La nuance, c'est qu'il existe plusieurs familles d'IA génératives selon le contenu produit : texte, image, son, vidéo. Un modèle texte-image comme Stable Diffusion génère des visuels. D'autres génèrent de la voix ou de courtes séquences animées. ChatGPT appartient à la famille texte.
Et non, il ne "cherche" pas votre réponse quelque part. Il la compose. Ce qui explique à la fois sa souplesse et ses erreurs.
Quels sont les risques de l'IA générative ?
Le risque numéro un n'est pas l'IA qui prend le pouvoir. C'est l'utilisateur qui lui fait une confiance aveugle.
Un modèle génératif produit du texte plausible, pas du texte vérifié. Il peut inventer une source, un chiffre, une citation, avec un aplomb parfait. C'est ce qu'on appelle l'hallucination, et je l'ai vue coûter cher : un client m'a fait relire un rapport truffé de références inventées, toutes crédibles, aucune réelle. Trois heures perdues à tout recouper à la main.
- Les hallucinations : des affirmations fausses présentées comme vraies.
- Les biais : le modèle reproduit les déséquilibres présents dans les textes sur lesquels il a été entraîné.
- La confidentialité : ne collez jamais de données clients sensibles dans une fenêtre de chat grand public.
- La dépendance à la formulation : la même demande reformulée peut donner un résultat très différent.
Gratuit ou payant : faut-il payer ?
Beaucoup d'IA génératives existent en version gratuite, ce qui les a rendues accessibles à une grande partie de la population. Les offres payantes lèvent surtout des limites d'usage et donnent accès aux modèles les plus récents. Pour un usage occasionnel, la version gratuite suffit largement. Dès que vous en faites un outil de travail quotidien, l'abonnement se rentabilise vite.
Quelles sont les IA génératives les plus utilisées ?
Le paysage se répartit grosso modo en trois familles, selon le contenu produit.
| Famille | Type de contenu | Exemples de modèles |
|---|---|---|
| Texte | Rédaction, code, réponses | ChatGPT, Gemini, Claude |
| Image | Illustrations, visuels | Stable Diffusion, DALL·E, Midjourney |
| Voix et vidéo | Audio, séquences animées | Modèles texte-voix et texte-vidéo |
Le tableau ci-dessus n'est pas exhaustif, et il bouge vite. Ce qui compte, c'est de repérer la logique : chaque famille applique le même principe de prédiction à un type de donnée différent.
Le cas de l'IA générative dans l'administration publique
Il y a un terrain où le sujet devient plus épineux, et on en parle rarement : la sphère publique. Une collectivité qui intègre un assistant rédactionnel ne traite pas les mêmes enjeux qu'une start-up.
Le premier frein est juridique. Les données que manipule une administration sont souvent personnelles, parfois sensibles. Impossible de les envoyer telles quelles dans un modèle externe sans garanties solides. Le deuxième frein est la traçabilité : un service public doit pouvoir justifier une décision. Un modèle qui hallucine une réponse ne fournit aucune traçabilité.
Résultat : les usages qui décollent vraiment sont les plus encadrés. Reformuler un courrier administratif, résumer un document interne, traduire une notice. Tout ce qui reste loin des décisions qui engagent des personnes. L'IA prépare, l'agent humain tranche. C'est la seule répartition tenable en 2026.
Ce qu'il faut retenir de la mécanique
Un modèle génératif est une machine à estimer des probabilités, dopée par un mécanisme d'attention qui lui permet de tenir le contexte. Il ne comprend pas au sens où vous et moi comprenons. Il calcule, très bien, très vite, la suite la plus plausible d'un texte.
Tant que vous gardez cette réalité en tête, tout devient plus clair. Vous savez pourquoi il se trompe avec aplomb. Vous savez pourquoi la formulation de votre demande change tout. Et vous savez pourquoi la version que vous utilisez aujourd'hui n'apprendra pas de vos erreurs demain matin.
La prochaine fois que vous verrez une réponse sortir de nulle part, brillante et fausse à la fois, vous saurez exactement ce qui vient de se produire : une probabilité, parmi d'autres, qui a été tirée. Ce n'est ni magique, ni une trahison. C'est juste une machine qui fait très bien, et sans le savoir, ce qu'on lui a demandé d'imiter.
