IA : sous le capot — 5 notions avancées qui changent votre usage
Objectif d'apprentissage
Après avoir lu cet article, vous comprendrez cinq notions de fonctionnement des assistants IA (l'apprentissage par réglage de milliards de paramètres, les tokens, le rôle des données d'entraînement, la fenêtre de contexte et la génération probabiliste), sans une ligne de code, et vous saurez exactement ce que chacune change dans votre façon de les utiliser.
Une situation que vous reconnaîtrez peut-être
Vous utilisez un assistant IA depuis quelques mois. Vous avez intégré les réflexes de base : vérifier les faits, protéger vos données, formuler précisément. Mais certains comportements continuent de vous intriguer : pourquoi donne-t-il deux réponses différentes à la même question ? Pourquoi « oublie-t-il » ce que vous avez dit vingt messages plus tôt ? Pourquoi est-il brillant sur un sujet et étrangement mauvais sur un autre, parfois plus simple ?
Ces comportements ne sont pas des bugs : ce sont des conséquences directes de la façon dont ces systèmes sont construits. Les comprendre (sans devenir informaticien) transforme votre usage : vous cessez de subir les bizarreries, vous les anticipez.
Les 5 notions
Notion 1 — Le modèle n'est pas une base de données : c'est un réglage de milliards de boutons
Un modèle d'IA est, au fond, une immense fonction mathématique remplie de paramètres : imaginez des milliards de petits boutons de réglage. Pendant l'entraînement, on lui montre d'énormes quantités de textes, et un mécanisme d'ajustement tourne des millions de fois : le modèle produit une sortie, on mesure l'écart avec ce qui était attendu, et chaque bouton est légèrement tourné dans la direction qui réduit l'erreur. Répété à grande échelle, ce processus fait émerger une capacité générale à produire du langage cohérent.
Ce que ça change pour vous : il n'y a pas de fichier quelque part où votre question irait chercher « la » réponse. Le modèle ne consulte rien : il génère, à partir de régularités mémorisées dans ses réglages. C'est pourquoi il peut restituer de travers un fait pourtant connu, mélanger deux sujets voisins, ou inventer un détail plausible. Il reconstruit, il ne recopie pas. La vérification des faits importants (le réflexe n° 1 des fondations) découle directement de cette architecture.
Notion 2 — Il ne lit pas des mots : il lit des tokens
Avant de traiter votre texte, le modèle le découpe en tokens : des fragments qui correspondent parfois à un mot entier, parfois à un morceau de mot, parfois à un signe de ponctuation. « Bonjour » peut être un token ; un mot rare ou inventé sera découpé en plusieurs.
Ce que ça change pour vous : ça explique une famille entière de faiblesses surprenantes. Compter les lettres d'un mot, manipuler des anagrammes, jouer sur l'orthographe : le modèle ne « voit » pas les lettres individuelles, il voit des fragments, d'où des erreurs sur des tâches qu'un enfant réussit. Même chose pour les mots très rares, les noms propres inhabituels ou le vocabulaire technique étroit : mal découpés, mal maîtrisés. Le réflexe pratique : quand une réponse déraille sur un terme précis, reformulez avec des mots plus courants. Vous changez le découpage, et souvent le résultat.
Notion 3 — Les données d'entraînement fixent le plafond — et les biais
« Données médiocres, résultats médiocres » n'est pas un slogan : c'est une contrainte structurelle. Tout ce que le modèle sait faire vient de ses données d'entraînement, et il en hérite trois propriétés :
- Ce qui est abondant dans les données est bien maîtrisé ; ce qui est rare l'est mal. D'où le paradoxe que vous avez constaté : excellent sur un sujet grand public, fragile sur votre niche professionnelle. C'est précisément sur les sujets rares que les hallucinations se multiplient, avec le même aplomb.
- Ce qui est récent manque : les données s'arrêtent à une date (la notion de coupure vue dans les fondations).
- Les biais des textes humains deviennent ceux du modèle. Stéréotypes, points de vue dominants, déséquilibres de représentation présents dans les textes d'origine se retrouvent, atténués ou non, dans les réponses.
Ce que ça change pour vous : calibrez votre confiance selon la rareté du sujet. Plus votre question est pointue, plus la vérification s'impose. Et gardez à l'esprit que la réponse « standard » de l'IA reflète le point de vue majoritaire de ses données, pas une vérité neutre : sur les sujets de société, demandez explicitement les autres perspectives.
Notion 4 — La fenêtre de contexte : pourquoi il « oublie »
Un modèle n'a pas de mémoire au sens humain. À chaque message, il relit l'ensemble de la conversation (votre historique complet lui est renvoyé), et génère la suite. Mais cette relecture a une taille maximale : la fenêtre de contexte. Quand la conversation devient très longue, le début finit par sortir de la fenêtre, ou par peser moins dans la génération.
Ce que ça change pour vous : trois habitudes concrètes. Une conversation = un sujet : repartez sur une conversation neuve quand vous changez de tâche, plutôt que d'empiler. Redonnez le contexte essentiel quand un échange s'éternise (« pour rappel, on travaille sur X avec la contrainte Y »). Et pour les documents longs, ne demandez pas tout d'un coup : travaillez par sections. Ce qui ressemblait à de la distraction est une limite mécanique, et elle se contourne très bien une fois connue.
Notion 5 — Une machine à probabilités : pourquoi deux réponses diffèrent
Le modèle génère sa réponse morceau par morceau, en choisissant à chaque étape parmi les suites les plus probables, avec une part d'aléa volontaire, réglée par ce que les concepteurs appellent la « température ». Deux conséquences directes : la même question peut produire deux réponses différentes, et la formulation de votre demande déplace les probabilités. Donc le résultat.
Il y a une leçon plus profonde derrière : un système d'IA optimise la mesure qu'on lui a donnée, pas votre intention. L'exemple classique en apprentissage automatique : sur des données où 95 % des cas sont « positifs », un modèle qui répond toujours « positif » atteint 95 % de précision, score excellent, système parfaitement inutile. Les concepteurs passent leur temps à choisir les bonnes mesures ; vous, utilisateur, en voyez l'effet : le modèle vise le plausible et satisfaisant en moyenne, pas le vrai-pour-vous.
Ce que ça change pour vous : re-poser une question importante, ou la reformuler sous deux angles, n'est pas un caprice. C'est une stratégie légitime d'échantillonnage. Si deux formulations donnent des réponses incompatibles, vous venez de localiser une zone d'incertitude du modèle : c'est exactement là qu'il faut vérifier ailleurs.
Ce qui compte vraiment
1. Un générateur entraîné, pas une encyclopédie. Tous les comportements étranges (hallucinations, oublis, variance) découlent de cette seule idée. Elle remplace avantageusement des dizaines de règles apprises par cœur.
2. Le contexte est votre levier n° 1. Fenêtre de contexte, formulation, découpage : ce que vous mettez dans la conversation façonne ce qui en sort, bien plus que n'importe quel réglage.
3. La variance est une information. Des réponses qui changent d'une formulation à l'autre signalent l'incertitude du modèle. Utilisez-la comme un détecteur : là où ça varie, on vérifie.
Une méthode simple : 3 expériences, sans une ligne de code
La meilleure façon d'ancrer ces notions est de les constater vous-même, l'équivalent utilisateur du « cassez-le délibérément » des ingénieurs :
Expérience 1 — La fenêtre. Dans une conversation déjà longue, demandez : « Rappelle-moi précisément ma toute première question. » Observez ce qui revient, et ce qui s'est dilué. Vous verrez la limite de contexte à l'œuvre.
Expérience 2 — La variance. Posez trois fois la même question factuelle non triviale (nouvelles conversations), puis une quatrième fois reformulée. Comparez : ce qui est stable est probablement solide ; ce qui varie est à vérifier.
Expérience 3 — Le plafond des données. Posez une question sur un sujet très grand public, puis une question de même difficulté sur votre niche professionnelle. Vérifiez les deux réponses : vous constaterez que l'assurance du ton, elle, ne change pas. C'est la démonstration définitive de « l'aplomb n'est pas une preuve ».
Ce que « suffisamment bien » veut dire :
- Débutant : vous savez expliquer avec vos mots pourquoi l'IA n'est pas une base de données, et vous repartez sur une conversation neuve à chaque nouveau sujet
- Intermédiaire : vous reformulez quand un terme bloque, vous calibrez votre confiance selon la rareté du sujet, et vous utilisez la variance comme détecteur d'incertitude
- Avancé (vous savez expliquer à quelqu'un d'autre les cinq notions et leurs conséquences pratiques) le vrai test de compréhension
Une note honnête
Cet article assume ses simplifications : le fonctionnement réel de ces systèmes fait l'objet de recherches actives, et les spécialistes eux-mêmes débattent encore de ce que « comprendre » veut dire pour un modèle. Mais les cinq notions présentées ici sont structurelles. Elles resteront valables quels que soient les modèles à venir, parce qu'elles décrivent la famille d'architecture, pas un produit.
Et si ce voyage sous le capot vous a donné envie d'aller jusqu'au code (construire un petit réseau vous-même, entraîner un premier modèle) c'est un excellent projet d'apprentissage. Ce n'est simplement pas un prérequis : tout ce qui précède suffit à faire de vous un utilisateur nettement plus lucide que la moyenne.