Ce que nous appelons IA

« IA » recouvre beaucoup de choses : un filtre anti-spam, un moteur de recommandation, un système de reconnaissance d’images. Ce cours parle d’une famille précise, l’IA générative à base de grands modèles de langage, celle qui fait fonctionner Claude, ChatGPT, Mistral ou Grok. Savoir ce qu’elle est, et ce qu’elle n’est pas, évite la plupart des malentendus.

Le grand modèle de langage

Le glossaire officiel d’Anthropic définit les grands modèles de langage (LLM) comme des modèles de langage dotés d’un très grand nombre de paramètres, entraînés sur d’immenses quantités de texte, et capables de produire un texte semblable à celui d’un humain, de répondre à des questions ou de résumer. Claude repose sur un tel modèle, que des étapes d’entraînement supplémentaires ont transformé en assistant (leçon suivante).

Le jeton, unité de base

Le modèle ne lit ni des lettres ni des mots, mais des jetons (tokens) : des morceaux de mots, des mots entiers, des caractères, parfois des octets. D’après la documentation, sur les modèles Claude antérieurs à la génération 4.7, un jeton représente environ 3,5 caractères en anglais ; le découpage des modèles récents produit environ 30 % de jetons de plus pour le même texte. Deux conséquences pratiques : la longueur que l’IA peut traiter se mesure en jetons, et sa facture aussi.

Le modèle et le système autour

Il faut distinguer le modèle, qui prédit du texte, du système dans lequel on l’utilise. Dans une application comme Claude, le modèle est entouré d’outils : recherche web, lecture de fichiers, exécution de code, connexion à vos applications. Quand l’assistant donne l’actualité du jour, ce n’est pas le modèle qui « sait » : c’est un outil de recherche qui lui a apporté l’information. Beaucoup de questions du type « l’IA peut-elle… ? » se résolvent en se demandant : est-ce une capacité du modèle, ou d’un outil branché dessus ?

Ce que ce n’est pas

• Pas un moteur de recherche. Sans outil de recherche, le modèle ne consulte rien : il génère à partir de ce qu’il a appris.
• Pas une base de données. Il ne retrouve pas une fiche exacte : il reconstruit une réponse, ce qui explique qu’il puisse se tromper avec assurance (leçon sur les connaissances).
• Pas une personne. Anthropic insiste pour que les utilisateurs sachent qu’ils parlent à un modèle de langage. Claude est même entraîné à le rappeler : il peut avoir une relation chaleureuse avec ses interlocuteurs tout en leur faisant comprendre qu’il est une IA, qui ne peut pas développer de sentiments profonds ou durables pour eux.
• Pas une source infaillible. Le modèle a des biais et des tendances acquis à l’entraînement.

Ce qu’elle fait bien

Les modèles actuels sont excellents pour traiter du langage, raisonner, analyser, écrire et lire du code, comprendre des images, traduire et suivre des consignes précises. La documentation d’Anthropic résume : résumer un texte, répondre à des questions, extraire des données, traduire, expliquer et générer du code, analyser une image. Le reste du cours explique pourquoi ces forces s’accompagnent de limites prévisibles.

Un continuum, pas un verdict

L’IA générative n’est ni uniformément fiable, ni uniformément douteuse. Elle est forte et faible selon quatre axes prévisibles, qui correspondent à quatre questions :

• d’où vient la réponse ? C’est la prédiction du prochain jeton : sans outil, le modèle n’a rien consulté, il a écrit la suite ;
• que sait le modèle ? Ses connaissances sont vastes mais inégales, et figées à une date ;
• à quoi fait-il attention en ce moment ? C’est la mémoire de travail : ce qui est dans la fenêtre de contexte, et rien d’autre ;
• à quel point le pilotez-vous ? C’est la pilotabilité : réelle, mais avec un écart possible entre vos mots et votre intention.

Pour chaque axe, la même mécanique produit la réussite et l’échec : le modèle écrit bien parce qu’il prédit, et il invente parce qu’il prédit. L’enjeu n’est donc ni de se méfier de tout, ni de tout déléguer, mais de calibrer sa confiance : situer chaque tâche sur chaque axe, du terrain balisé jusqu’aux bords.

À vous de jouer

Génératif ou non ? Listez cinq fonctions d’IA que vous avez croisées cette semaine : saisie prédictive, tri du courrier indésirable, traduction, recommandations, assistant conversationnel. Pour chacune, tranchez : produit-elle un contenu nouveau, ou trie-t-elle, classe-t-elle, recommande-t-elle ce qui existe déjà ? Faites vérifier vos réponses par un assistant d’IA, et demandez-lui une phrase d’explication pour chaque cas où vous hésitiez. Puis reprenez votre liste de tâches de la leçon 1 et associez à chacune la question qui vous paraît la plus importante : d’où vient la réponse, que sait le modèle, que voit-il, que contrôlez-vous ? Ce sont des hypothèses : les leçons suivantes vous permettront de les tester.

Sources officielles : What We Mean by AI (Claude Academy, programme du cours) · Glossary · Claude’s character · Intro to Claude

Points clés à retenir

• L’IA générative de ce cours repose sur de grands modèles de langage, entraînés sur d’immenses quantités de texte
• Le modèle travaille en jetons, qui mesurent à la fois ce qu’il peut traiter et ce qu’il coûte
• Distinguez le modèle (qui prédit) du système (les outils qui lui apportent recherche, fichiers, calcul)
• Ni moteur de recherche, ni base de données, ni personne, ni source infaillible
• Quatre axes, chacun allant de la capacité à la limite : la confiance se calibre tâche par tâche