Un jour, un ami comptable m'a demandé, très sérieusement, si ChatGPT "savait" qu'il lui parlait. Il pensait qu'il y avait un type planqué quelque part derrière l'écran, ou pire, une conscience planquée dans la machine. Je lui ai répondu que non — mais j'ai compris que le vrai problème n'était pas là. Le vrai problème, c'est que personne ne lui avait jamais expliqué comment ces systèmes apprennent réellement, juste ce qu'ils produisent. Et quand on ne sait pas comment ça marche, on imagine forcément un fantôme.
Alors je vais faire quelque chose que je n'ai jamais vu faire correctement sur les pages qui parlent de ça : vous montrer le mécanisme, avec une vraie analogie, et vous dire aussi où ça casse. Parce que comprendre l'intelligence artificielle, ce n'est pas retenir une définition, c'est voir la mécanique tourner.
Points clés à retenir
- Un modèle n'apprend pas des faits, il ajuste des milliards de coefficients jusqu'à réduire son erreur.
- La différence entre l'entraînement et l'utilisation, c'est la différence entre l'usine et le camion qui sort.
- Les hallucinations ne sont pas des bugs : ce sont des réponses mathématiquement plausibles et factuellement fausses.
- Un modèle (le moteur) n'est pas une application (la voiture autour du moteur). C'est la confusion n°1.
- La qualité des données d'entraînement pèse plus lourd que la taille du modèle dans la plupart des usages réels.
Comment fonctionne l'intelligence artificielle, expliquée simplement
Prenez une recette de cuisine que vous ratez la première fois. Trop salé. Vous la refaites en réduisant le sel. Trop fade. Vous ajustez. Au bout de dix essais, vous ne connaissez pas la chimie du sel, mais vous avez trouvé le bon dosage. L'apprentissage automatique, c'est exactement ça, à une échelle absurde : des milliards d'ajustements au lieu de dix.
Le cœur du mécanisme : les poids
Imaginez un immense tableau de boutons. Chaque bouton a une valeur, appelée poids. Une information entre dans le système, traverse des couches de boutons, et ressort transformée. Au départ, les boutons sont réglés au hasard. Le résultat est donc catastrophique.
Et c'est là que tout se joue. Le système compare sa sortie avec la bonne réponse attendue. L'écart porte un nom : la fonction de perte. Plus l'écart est grand, plus l'erreur est forte. Puis un algorithme remonte le réseau et tourne légèrement les boutons dans la direction qui réduit cette erreur. On répète. Des millions de fois. Des milliards de fois.
Le chiffre qui m'a le plus marqué quand j'ai commencé à m'intéresser à tout ça : les grands modèles de langage actuels comptent des centaines de milliards de paramètres. Ce ne sont pas des règles écrites par un humain. Ce sont des boutons, tous réglés par essai-erreur. Personne ne peut dire ce que fait précisément chacun d'eux.
Entraînement et inférence : l'usine et le camion
Voilà une distinction qui manque partout, et qui débloque tout. Il y a deux moments complètement séparés.
- L'entraînement : l'usine tourne. On montre des torrents de données au modèle, on ajuste les poids. C'est long, ça coûte une fortune en électricité, et ça se fait rarement.
- L'inférence : vous posez une question. Le modèle ne réapprend rien du tout. Il traverse ses boutons déjà réglés et sort une réponse. C'est rapide et bon marché.
Quand vous discutez avec ChatGPT, il n'apprend pas de votre conversation. Il applique ce qu'il a déjà appris. Cette confusion est tellement répandue que je la corrige encore régulièrement dans mon entourage. Une IA qui « apprend en direct », dans la vraie vie, c'est l'exception.
Comment l'IA apprend, simplement
Trois ingrédients, et pas un de plus.
Les données
C'est la matière première. Un modèle entraîné sur des données bancales donnera des réponses bancales, quelle que soit sa taille. J'ai vu des projets internes échouer parce qu'on avait collecté des étiquettes approximatives — et le modèle reproduisait fidèlement ces approximations. Poubelle en entrée, poubelle en sortie. Cette phrase a l'air d'un slogan, mais elle décrit un vrai comportement mathématique.
La puissance de calcul
Les graphiques des cartes graphiques, initialement conçus pour le jeu vidéo, se sont révélés parfaits pour empiler les multiplications en parallèle. C'est ce hasard industriel qui a rendu tout ça possible. Sans cette puissance disponible, les mêmes algorithmes seraient restés des curiosités de laboratoire.
La boucle de correction
Le système se trompe, on mesure l'écart, on corrige légèrement, on recommence. C'est tout. Pas d'intelligence au sens humain là-dedans — juste une optimisation acharnée.
Comment fonctionne l'intelligence artificielle générative
Ici, une nuance que beaucoup ratent : prédire et générer ne sont pas deux mondes séparés.
Un modèle génératif fait une seule chose, en boucle : deviner l'élément suivant le plus probable. Pour un texte, il devine le mot suivant. Pour une image, il devine le pixel ou le morceau d'image suivant. Il ne « pense » pas à ce qu'il va dire. Il calcule une probabilité, choisit, recommence, et ce qui sort ressemble à une réponse construite.
Un exemple de terrain : demandez à un modèle de compléter « la capitale de l'Australie est… ». Il produit « Canberra » non pas parce qu'il consulte un fichier, mais parce que dans tout ce qu'il a absorbé, cette suite de mots était la plus fréquente à cet endroit. C'est déroutant de simplicité. Et ça explique tout le reste.
| Type d'IA | Ce qu'elle fait | Exemple courant |
|---|---|---|
| Prédictive | Reconnaît et classe (images, sons, textes) | Trier des e-mails, détecter un visage |
| Générative | Produit un contenu nouveau à partir d'un motif appris | Rédiger un texte, créer une image |
| Symbolique | Suit des règles écrites par des humains | Systèmes experts, moteurs de jeu d'échecs classiques |
| De recommandation | Classe des options selon vos comportements passés | Suggestions de séries ou de produits |
Pourquoi l'IA se trompe
Un modèle m'a un jour inventé une citation parfaitement crédible, attribuée à une personne qui n'a jamais rien écrit de tel. Grammaire impeccable. Ton assuré. Faux de bout en bout. C'est une hallucination, et ce n'est pas un dysfonctionnement isolé : c'est le comportement normal du mécanisme quand il rencontre un vide.
Le modèle cherche la suite la plus plausible. Si l'information exacte n'est pas dans ce qu'il a appris, il ne dit pas « je ne sais pas ». Il fabrique la suite la plus probable. C'est pour ça qu'il faut traiter ces outils comme des assistants qui n'ont jamais honte de se tromper, pas comme des sources.
Deux autres causes d'erreur, moins visibles :
- Des biais dans les données — si les exemples penchent d'un côté, le modèle penche avec eux.
- Une fraîcheur limitée : ce qui s'est passé après l'entraînement n'existe pas pour le modèle, sauf s'il va chercher l'info en dehors.
Comprendre l'intelligence artificielle et les IA génératives
Modèle ou application ?
La confusion la plus répandue. Un modèle est le moteur. Une application est la voiture construite autour. ChatGPT est une application ; le modèle est ce qui tourne dessous. Le moteur de recommandation d'une plateforme de streaming est un modèle, l'interface que vous utilisez est une application. Un même moteur peut alimenter vingt applications différentes, chacune avec sa propre couche de finition.
Pourquoi ça compte ? Parce que quand quelqu'un vous dit « l'IA de telle entreprise est nulle », il parle souvent de l'application, pas du moteur. Ce sont deux responsabilités séparées.
IA symbolique, IA statistique : deux familles
Historiquement, on écrivait des règles à la main : « si ceci, alors cela ». C'est l'IA symbolique. Les modèles actuels font l'inverse — ils n'ont aucune règle explicite, tout leur comportement émerge des poids. Les deux approches ne s'opposent pas totalement : beaucoup de produits modernes combinent un modèle statistique avec des règles dures pour tout ce qui touche à la sécurité. Je crois beaucoup à ce mariage, franchement plus qu'à l'idée qu'un seul modèle géant réglerait tout.
Questions fréquentes
Comment fonctionne l'IA pour les nuls ?
Retenez trois étapes et vous avez l'essentiel. Un modèle est un grand paquet de coefficients réglés par essai-erreur sur d'énormes quantités d'exemples. On lui montre un exemple, il devine, on mesure l'écart avec la bonne réponse, on corrige légèrement les coefficients. Répété des milliards de fois, ça produit un système qui devine très bien. À l'usage, il ne réapprend rien : il applique simplement ce réglage déjà fait.
Comment utiliser l'intelligence artificielle gratuitement ?
Les versions gratuites des grands assistants existent et suffisent pour la plupart des besoins courants : résumer un document, reformuler un texte, traduire, générer des idées. Vous accédez au même type de moteur, avec des limites de volume et parfois une version légèrement plus ancienne. Pour tester, comprendre, ou dépanner au quotidien, ça couvre largement le besoin. Ce qui est facturé, en général, ce sont le débit, la priorité d'accès et les fonctions avancées.
Comment fonctionne l'IA de ChatGPT ?
Le principe est celui décrit plus haut : prédire la suite la plus probable, mot après mot. Le modèle a été entraîné massivement sur du texte, puis affiné pour suivre des consignes et tenir un échange cohérent. Quand vous envoyez un message, il ne consulte pas une base de faits toute faite : il calcule la suite de mots la plus plausible compte tenu de votre demande. C'est brillant pour la forme, fragile pour l'exactitude.
Quels sont les grands types d'intelligence artificielle ?
On distingue souvent quatre catégories selon la fonction. Les systèmes prédictifs, qui reconnaissent et classent. Les systèmes génératifs, qui créent du contenu. Les systèmes à base de règles, écrits à la main. Et les systèmes de recommandation, qui ordonnent des options selon vos comportements. Attention : ces catégories se mélangent dans les produits réels, elles ne sont pas étanches.
Ce qu'il faut retenir
Si vous ne deviez garder qu'une image, gardez celle des boutons qui se règlent. Pas de conscience, pas de fichier caché, pas de type derrière l'écran. Des milliards de coefficients ajustés jusqu'à ce que l'erreur devienne supportable. C'est moins magique que ce qu'on raconte — et beaucoup plus intéressant, parce que ça explique à la fois la performance et les ratés.
Et une question que je vous laisse : maintenant que vous savez que ces systèmes cherchent la suite la plus plausible plutôt que la vérité, faites-vous encore confiance au ton assuré avec lequel ils répondent ? Moi, j'ai appris à vérifier.
