Capacités et limites de l'IA

Objectifs

À l’issue de cette leçon, vous serez capable de :

• Définir l’IA générative et ce qui la distingue des autres types d’IA
• Reconnaître les caractéristiques et les fondements techniques de l’IA générative
• Identifier les principales capacités et limites de l’IA générative actuelle

Ce qu’est l’IA générative

L’IA générative crée un contenu nouveau au lieu de seulement analyser des données existantes. Une IA classique peut trier vos e-mails entre « spam » et « pas spam » ; une IA générative peut rédiger un e-mail entièrement nouveau. Les grands modèles de langage (LLM), comme les modèles Claude d’Anthropic, en sont l’exemple le plus connu : entraînés à prédire et à produire du langage, ils comptent des milliards de paramètres, des valeurs numériques qui déterminent leur façon de traiter l’information.

Trois évolutions les ont rendus possibles : l’architecture transformer, apparue en 2017, qui garde les relations entre les mots sur de longs passages ; l’explosion des données numériques (sites web, dépôts de code, textes de toutes sortes) ; et une puissance de calcul massive, grâce à des processeurs spécialisés reliés en grappes. Leur combinaison a révélé les lois d’échelle : plus les modèles grandissent, plus leurs performances progressent de façon prévisible, et des capacités que personne n’avait programmées apparaissent, comme raisonner étape par étape.

Comment le modèle apprend, puis répond

• Le pré-entraînement : le modèle apprend à prédire la suite de milliards de textes, et construit une sorte de carte du langage et des connaissances. À ce stade, c’est un « compléteur de documents » compétent et très littéral.
• L’affinage : il apprend ensuite à suivre des instructions, à répondre utilement et à éviter les contenus dangereux, grâce à des retours humains et à l’apprentissage par renforcement.
• À l’usage : il lit votre message et le prolonge. Il ne va pas chercher une réponse toute faite dans une base de données : il produit un texte nouveau, cohérent avec ce que vous avez écrit.

Sa fenêtre de contexte est sa mémoire de travail : vos messages, ses réponses et tout ce que vous avez partagé. Au-delà, sans outil comme la recherche web, il n’a pas accès à l’information.

Ses forces

• La polyvalence : rédiger un e-mail dans votre ton, condenser un long document, traduire, expliquer un sujet complexe, et passer d’une tâche à l’autre dans une simple conversation.
• La continuité : il garde le fil d’une conversation et s’appuie sur ce que vous avez dit plus tôt.
• L’usage d’outils : beaucoup de modèles peuvent aujourd’hui chercher sur le web, lire des fichiers ou utiliser d’autres applications.

Ses limites, et ce qu’elles coûtent à une entreprise

• La date de coupure des connaissances : le modèle ignore ce qui s’est passé après la fin de ses données d’entraînement. Une évolution réglementaire récente, un nouveau tarif, une nouvelle obligation locale peuvent lui échapper, sauf s’il utilise la recherche web.
• Les hallucinations : il peut affirmer avec aplomb quelque chose de plausible mais faux, y compris un organisme, un fournisseur ou une adresse qui n’existent pas.
• La fenêtre de contexte : un document ou une conversation trop longs dépassent sa mémoire de travail, et les éléments les plus anciens sortent de son champ.
• La variabilité : la même question peut donner des réponses un peu différentes. Utile pour trouver des idées, à surveiller quand l’exactitude compte.
• Le raisonnement complexe : les calculs et raisonnements en plusieurs étapes ont longtemps été un point faible ; les modèles qui raisonnent avant de répondre progressent nettement.
• L’accès aux données : il ne peut pas vous aider sur des informations ou des outils auxquels il n’a pas accès, comme vos fichiers internes s’ils ne lui ont pas été partagés.

Les meilleures applications combinent les forces des deux : votre jugement, votre créativité et votre supervision ; la vitesse et l’échelle de l’IA. Pour approfondir, voyez le cours Capacités et limites de l’IA.

À vous de jouer

Tester les limites. Cet exercice vous donne des preuves de première main de ce que l’IA fait bien et de là où elle échoue, sur un sujet de votre métier que vous pouvez vérifier vous-même.

Partie 1 — Réflexion personnelle. Choisissez un domaine que vous connaissez si bien que vous repéreriez immédiatement l’erreur d’un fournisseur, d’un partenaire ou d’un client : le calcul de vos marges, les règles d’urbanisme de votre commune, les autorisations nécessaires à votre activité. Notez :

• deux ou trois faits que toute source sérieuse devrait donner correctement ;
• une idée reçue courante sur ce sujet ;
• un point vraiment difficile à bien expliquer.

Partie 2 — Collaboration avec l’IA. Menez trois échanges rapides avec Claude ou un autre assistant, en notant vos observations après chacun :

1. Test de polyvalence. Demandez d’expliquer votre sujet de trois façons dans une même réponse : pour un client qui ne connaît rien à votre service, pour un futur partenaire commercial, et pour un nouvel employé que vous accueillez. Le contenu s’est-il vraiment adapté, ou seulement le vocabulaire ? Quelle version est la meilleure ?
2. Test d’hallucination. Demandez deux ou trois ressources précises sur votre sujet : une organisation professionnelle, une publication spécialisée, un organisme de réglementation, un fournisseur connu. Vérifiez-en au moins une : l’organisation existe-t-elle ? Le site est-il le bon ? Les coordonnées sont-elles exactes ? C’est là que vous verrez si l’IA invente avec assurance une source plausible mais fausse.
3. Coupure des connaissances et raisonnement. Posez une question datée ou locale : une évolution réglementaire récente dans votre secteur, la tendance actuelle du prix d’une matière première, une autorisation locale. L’IA signale-t-elle que son information peut être dépassée, ou présente-t-elle de l’ancien comme du neuf — le genre d’erreur qui coûte de l’argent ? Demandez-lui ensuite de traiter l’idée reçue notée en partie 1 : a-t-elle levé la confusion, ou seulement répété le bon fait ?

Partie 3 — Prendre du recul. Quelle capacité est apparue le plus nettement ? Quelle limite, et l’auriez-vous repérée sur un sujet que vous connaissez mal ? Notez une tâche que vous confieriez à l’IA dès maintenant, et une que vous voudriez surveiller de près.

Pour aller plus loin : soumettez le même sujet à un second outil d’IA. Les erreurs et les points forts sont-ils les mêmes ?

Questions de réflexion

• En quoi le fait de savoir comment ces systèmes sont entraînés change-t-il votre façon de travailler avec eux ?
• Quelles questions éthiques vous viennent, compte tenu de leur fonctionnement et de leurs limites ?

Sources officielles : AI capabilities and limitations (Claude Academy, vidéo et sa transcription)

Points clés à retenir

• L’IA générative crée du contenu nouveau au lieu de seulement analyser des données existantes
• Trois évolutions ont rendu possibles les LLM modernes : l’architecture transformer, de vastes données d’entraînement et une puissance de calcul massive
• Deux phases d’entraînement : le pré-entraînement (apprendre des régularités) et l’affinage (apprendre à suivre des instructions utilement)
• Forces : polyvalence, fluidité de la conversation, connexion à des outils ; limites : coupure des connaissances, hallucinations, taille du contexte, raisonnement complexe
• Les meilleures applications associent votre jugement, votre créativité et votre supervision à la vitesse et à l’échelle de l’IA

Crédits et licence — Adaptation française de la leçon « AI capabilities and limitations » du cours « AI Fluency for Small Businesses » de Claude Academy, l’académie d’Anthropic, créé par Anthropic en partenariat avec PayPal, Prospect Butcher Company et MAKS TIPM Rebuilders. Les supports d’origine sont © 2026 Anthropic, publiés sous licence CC BY-NC-SA 4.0 ; cette adaptation, qui les traduit et les remanie, est diffusée sous la même licence.