Intelligence artificielle générative : comment ça fonctionne vraiment

Comment fonctionne vraiment l'IA générative

La question qu'on me pose le plus souvent, quand j'anime des ateliers sur le sujet, ce n'est pas « à quoi ça sert ». C'est : « mais concrètement, il se passe quoi quand j'appuie sur Entrée ? ». Et à chaque fois, je vois la même chose dans les yeux des gens : la suspicion. Comme si on leur cachait quelque chose. Franchement, on leur cache surtout une réalité plus ennuyeuse que ce qu'ils imaginent.

Une intelligence artificielle générative ne comprend rien. Elle calcule. Elle ne pense pas votre phrase, elle la pondère. Et c'est justement ce « comment » que je veux démonter ici, étape par étape, sans jargon inutile et sans vous vendre la lune.

IA générative : la définition simple que personne ne vous donne

Prenons la définition que tout le monde recycle : « un système qui crée du contenu nouveau à partir de grandes quantités de données ». C'est vrai. C'est aussi inutile. Ça ne vous dit pas pourquoi ça marche.

La vraie définition, celle qui tient debout, c'est celle-ci : un modèle génératif est une immense fonction mathématique qui a appris à estimer la probabilité de n'importe quelle séquence de texte. Rien de plus. Quand vous lui demandez de continuer une phrase, il ne cherche pas la vérité. Il cherche la suite qui a le plus de chances d'exister, statistiquement, d'après ce qu'il a vu.

Différence entre IA et IA générative

On confond souvent les deux. Une IA « classique » — un filtre anti-spam, un système de recommandation — classe ou prédit une valeur : ce mail est-il un spam, oui ou non. Une IA générative produit du contenu neuf : un paragraphe, une image, une ligne de code.

La différence tient dans la sortie. L'une trie, l'autre fabrique. Et cette distinction n'est pas cosmétique : elle explique pourquoi un correcteur orthographique ne « hallucine » jamais, alors qu'un chatbot, si.

Comment fonctionne l'IA générative sur du texte : la mécanique interne

Voici ce que la plupart des articles sautent. Le modèle ne lit pas des mots. Il lit des tokens. Un token, c'est un fragment : parfois un mot entier, souvent une syllabe. « Intelligence » peut se découper en deux ou trois tokens. Ce découpage, c'est la tokenisation, et c'est la première étape de tout.

Ensuite, chaque token est transformé en une longue liste de nombres — on appelle ça un vecteur d'embedding. L'idée est simple : des fragments utilisés dans des contextes proches se retrouvent avec des coordonnées proches. « Roi » et « monarque » finissent voisins dans cet espace. C'est de la géométrie, pas de la sémantique.

Puis arrive la pièce maîtresse : le mécanisme d'attention. Imaginez une équipe de relecteurs qui, pour chaque mot de la phrase, se demandent : « pour bien interpréter ce mot, sur quels autres mots je dois me concentrer ? ». Le « il » de votre phrase, ils vont le rattacher au bon sujet, même s'il est trois lignes plus haut. Cette architecture — le Transformer — est ce qui a fait basculer la qualité des modèles actuels.

Après ça, le modèle empile des dizaines de ces couches d'attention. Chaque couche affine la compréhension du contexte. À la sortie, un score de probabilité pour chaque token possible du vocabulaire. Il en choisit un, l'ajoute, recommence. Un mot à la fois, jusqu'à la fin de la réponse.

Pourquoi deux réponses à la même question diffèrent

Il y a deux réglages à connaître. La température contrôle le degré d'aléatoire : basse, le modèle choisit presque toujours le token le plus probable et devient répétitif ; haute, il ose des options moins probables et devient créatif… ou incohérent. Le top-p limite le choix à un sous-ensemble de tokens cumulant une certaine probabilité.

Quand une interface propose un curseur « créativité », c'est ça qu'elle manipule. Et c'est pour cette raison qu'un même prompt ne donne jamais deux fois le même résultat.

Un exemple concret, du prompt à la réponse

Je me souviens d'un test qui m'a marqué. Je voulais que le modèle reformule un paragraphe administratif imbuvable. Premier essai, température par défaut : texte propre, correct, plat. Deuxième essai, j'ai baissé la température au minimum. Le résultat était presque trop lisse — le modèle recyclait des formulations quasi identiques d'une phrase à l'autre. Troisième essai, température haute : plus vivant, mais il a inventé une référence à un service qui n'existait pas.

Ce jour-là, j'ai compris la leçon que je répète maintenant à chaque formation : la température règle la créativité, pas la fiabilité. Ce sont deux leviers différents, et les confondre coûte cher.

Réglage	Température basse	Température haute
Comportement	Choisit le token le plus probable	Explore des options moins probables
Résultat typique	Réponses répétitives, très stables	Réponses variées, parfois incohérentes
Usage recommandé	Données, code, résumés factuels	Idéation, brainstorming, textes créatifs
Risque principal	Banalité, formules creuses	Hallucinations, dérive du sujet

Comment ça fonctionne vraiment : le parcours d'entraînement

Un modèle ne naît pas poli ni utile. Il passe par une série d'étapes, et chacune change son comportement.

Le pré-entraînement

On lui fait lire une quantité astronomique de texte. Des milliards de pages. Le modèle n'a qu'un seul objectif : deviner le mot suivant. C'est tout. En répétant cet exercice des milliards de fois, il finit par absorber la grammaire, les tournures, une partie des connaissances factuelles présentes dans les textes. Mais à ce stade, il est brut. Il complète, il ne répond pas.

Le fine-tuning et l'apprentissage par retour humain

Vient ensuite une phase où des humains notent ses réponses, préfèrent l'une à l'autre, corrigent. Le modèle apprend à produire des réponses que des gens jugent utiles, polies, structurées. C'est ce qui transforme un simple « compléteur de texte » en assistant conversationnel.

Et c'est là que se cache une nuance importante : ce que le modèle a appris, ce n'est pas « dire vrai ». C'est « dire ce qu'un humain préférerait lire ». La différence paraît mince. Elle est en réalité énorme.

• Un modèle pré-entraîné complète.
• Un modèle affiné conversationnel.
• Un modèle affiné avec retour humain répond avec le ton et le format qu'on attend de lui.
• Et parfois, il préfère une réponse flatteuse à une réponse juste.

Pourquoi une IA d'image ne fonctionne pas du tout comme un chatbot

On met tout dans le même sac. Erreur classique. Un modèle de langage prédit le token suivant. Un modèle d'image, lui, part souvent de bruit aléatoire et le débrouille progressivement jusqu'à faire apparaître une image cohérente avec votre description. C'est le principe de diffusion.

Concrètement : on prend une image, on la détruit en ajoutant du bruit, on apprend au modèle à inverser le processus. À la génération, il part d'une image totalement bruitée et la « débruite » par étapes. Le prompt guide ce débruitage. Ce n'est pas une projection mentale, c'est un nettoyage guidé.

D'où la difficulté bien connue à obtenir des mains correctes ou du texte lisible dans les premières générations : ces zones exigent une précision que le débruitage global gère mal. Ce n'est pas de la malveillance, c'est une limite de méthode.

Hallucinations, biais : d'où viennent vraiment les dérapages

Le grand public appelle ça des « bugs ». Les gens du métier savent que non. Une hallucination, c'est le comportement normal du système dans certaines conditions.

Pourquoi un modèle invente des faits

Rappelez-vous le principe de départ : prédire la suite la plus probable. Quand il ne dispose pas de l'information exacte, le modèle ne dit pas « je ne sais pas ». Il produit la suite la plus vraisemblable. Une référence plausible, un chiffre plausible, une citation plausible. Et ça sonne tellement crédible qu'on y croit.

C'est exactement ce qui m'est arrivé avec ma reformulation à température haute. Ce n'était pas une panne. C'était le moteur qui tournait comme prévu, sur un terrain où « probable » et « vrai » ne coïncident plus.

Les biais, eux, viennent des données

Le modèle apprend sur des textes produits par des humains. Il hérite donc de leurs angles morts, de leurs stéréotypes, de leurs déséquilibres. Il ne les invente pas, il les reproduit en les amplifiant parfois. Un corpus qui parle majoritairement d'un certain type de métier, d'un certain type de personne, oriente mécaniquement les réponses.

Et il y a un point qu'on oublie : le retour humain, censé corriger tout ça, est lui-même produit par des humains. Biais entrants, biais sortants.

Et dans l'administration publique, ça donne quoi ?

C'est un terrain que je connais bien, pour y avoir accompagné quelques équipes. L'usage le plus fréquent n'a rien de spectaculaire : reformuler un courrier, résumer un dossier, traduire une notice. Des tâches ingrates, chronophages, à faible valeur ajoutée — exactement là où un modèle probabiliste brille.

Là où ça coince, c'est dès qu'on lui demande une décision. Un modèle qui rédige une réponse à un administré, passe encore. Un modèle qui tranche l'attribution d'un droit, non. Parce qu'il ne sait pas dire « je ne suis pas sûr », et parce qu'on ne peut pas expliquer au citoyen pourquoi il a reçu cette réponse-là.

Ce sont les deux critères que je regarde systématiquement avant tout déploiement : la traçabilité et la réversibilité. Si la décision doit pouvoir être justifiée et annulée, un humain reste dans la boucle. Sans exception.

IA générative gratuite : ce que vous payez sans le voir

Beaucoup de modèles sont accessibles sans carte bancaire. Ça ne veut pas dire que rien ne se paie.

• Le coût de calcul : faire tourner une inférence sur un gros modèle consomme des ressources matérielles considérables, qu'on le facture ou non.
• Vos données : sur beaucoup d'offres gratuites, vos échanges peuvent servir à améliorer le service. Lisez les conditions, vraiment.
• La qualité : les versions gratuites sont souvent bridées — modèles plus petits, fenêtre de contexte réduite, quotas d'usage.
• La disponibilité : un service gratuit peut changer ses règles du jour au lendemain.

Ma règle, en trois mots : gratuit n'est pas neutre. Selon ce que vous lui confiez, ça peut coûter bien plus qu'un abonnement.

Ce qu'il faut retenir avant de lui faire confiance

Le fonctionnement réel de l'IA générative ne tient pas du miracle. C'est une chaîne : tokenisation, vecteurs, attention, empilement de couches, choix probabiliste du token suivant, répété jusqu'à la fin. Tout le reste — la politesse, les connaissances, les dérapages — découle de ce mécanisme de base et de la façon dont on l'a entraîné.

La conséquence pratique est simple. Ce que vous confiez à un modèle doit correspondre à ce qu'il sait faire : produire du texte plausible. Pas établir un fait. Pas prendre une décision. Pas remplacer votre jugement.

Et si vous ne retenez qu'une chose de cet article, que ce soit celle-ci : quand une réponse vous paraît parfaite, vérifiez-la. C'est précisément là que le modèle était le plus à l'aise — et donc, le moins fiable. La confiance se construit en sachant ce qui se passe sous le capot. Maintenant, vous savez.