« IA » est devenu synonyme de chatbot. Pourtant, la plupart des modèles que vous croisez chaque jour n'écrivent pas de texte. Votre téléphone retrouve « plage » parmi vos photos. Votre visioconférence transcrit la réunion. Votre banque bloque un paiement suspect. Ce sont bien des modèles, mais rarement des LLM, les grands modèles de langage.
Une tâche entre, une sortie d'une autre forme en sort : texte, image, transcription, recherche par le sens, score, puis un petit modèle chez vous et un assistant vocal qui enchaîne trois modèles.
Une famille de modèles, pas un seul
Concept clé
Un LLM est un type de modèle parmi d'autres. Choisissez le modèle d'après la forme de la sortie dont vous avez besoin : un texte, une image, de la voix, un résultat de recherche, un nombre ou une catégorie. Le modèle le plus impressionnant n'est pas toujours le plus adapté.
Choisir d'après la sortie
Avant de choisir un outil, écrivez en une ligne ce que la tâche doit produire. La réponse oriente vers une famille :
- un texte (résumer, rédiger, extraire, répondre) : un LLM ;
- une image ou une vidéo : un modèle d'image ou de vidéo ;
- du texte à partir de la voix, ou de la voix à partir d'un texte : un modèle vocal ;
- retrouver ce qui ressemble à une question, un document ou un produit : des embeddings (ou plongements) ;
- un nombre ou une catégorie (un score, une prévision, un oui ou un non) : le machine learning classique, ou un LLM contraint à un format fixé d'avance ;
- l'une de ces sorties, sans que vos données quittent votre machine ou votre entreprise : un petit modèle qui tourne en local.
Plusieurs familles se combinent souvent dans un même produit. Un assistant vocal enchaîne un modèle qui transcrit, un LLM qui répond et un modèle qui lit la réponse à voix haute.
La carte des modèles
Pour chaque famille : ce qu'elle fait, ce qu'elle change pour vous, quelques usages concrets et sa limite principale.
Les LLM : lire et écrire
Un LLM lit et produit du texte. La plupart savent aussi lire une image ou un document scanné : une capture d'écran, une facture, un schéma.
Ce que ça change pour vous. Il suffit de lui donner des instructions : pas besoin de données d'entraînement. Chaque réponse se paie en tokens (des fragments de texte, souvent des morceaux de mots) et prend quelques secondes. Vos textes partent chez le fournisseur, sauf si vous hébergez le modèle vous-même.
Usages. Résumer un contrat ou un compte rendu. Rédiger une première réponse à un client. Extraire les montants et les dates de factures aux formats variés.
Sa limite. Il produit la suite la plus plausible, pas la plus juste : il peut se tromper avec assurance (voir Les hallucinations).
Les modèles d'image et de vidéo : créer des visuels
Ils créent ou modifient une image ou une courte vidéo à partir d'une description, ou d'une image de départ.
Ce que ça change pour vous. Un visuel arrive en quelques secondes au lieu d'une séance photo. En octobre 2026, une image coûte quelques centimes chez Google, et quelques secondes de vidéo, moins d'un dollar. Les droits d'usage et la mention « généré par IA » se vérifient chez chaque fournisseur.
Usages. Décliner une photo produit en plusieurs formats et décors. Produire des maquettes ou des illustrations pour tester une idée. Retirer un objet ou prolonger le fond d'une image.
Sa limite. Ce sont des outils de création, pas de décision. Le texte dans l'image, les mains, les logos et la cohérence d'une image à l'autre restent fragiles : un humain relit avant publication.
Les modèles vocaux : transcrire et faire parler
Ils travaillent dans les deux sens. La transcription (speech-to-text) convertit la voix en texte. La synthèse vocale (text-to-speech) lit un texte avec une voix naturelle. Mis bout à bout avec un LLM, ils donnent un assistant avec qui l'on parle.
Ce que ça change pour vous. La transcription se facture à la minute d'audio et coûte peu. En octobre 2026, chez OpenAI comme chez Google Cloud, une heure de réunion revient à moins d'un dollar. La voix synthétique rend un texte accessible à qui ne peut ou ne veut pas lire. L'enregistrement d'une personne est une donnée personnelle : prévenez les participants et recueillez leur accord.
Usages. Transcrire et résumer une réunion ou un appel client. Dicter un compte rendu sur le terrain. Lire à voix haute une notice ou un message pour les personnes malvoyantes.
Sa limite. Les accents, le bruit, le vocabulaire métier et les noms propres font baisser la précision. Testez sur vos enregistrements, pas sur une démo en studio.
Les embeddings : chercher par le sens
Les modèles d'embeddings n'écrivent rien. Ils transforment un texte, ou une image, en une liste de nombres, de sorte que deux contenus proches par le sens aient des nombres proches.
Ce que ça change pour vous. C'est très bon marché : en octobre 2026, un million de tokens coûte quelques centimes avec le plus petit modèle d'OpenAI. La recherche est rapide. On calcule les nombres une fois, on les range dans une base, puis on compare. C'est la brique de recherche du RAG, la génération appuyée sur une recherche (voir Le RAG : chercher avant de répondre).
Usages. Trouver le bon document interne sans connaître le mot exact. Proposer des produits ou des articles similaires. Regrouper des milliers de retours clients par thème.
Sa limite. Proche par le sens ne veut pas dire juste ni à jour. La qualité dépend de la façon de découper les documents. Mesurez la recherche sur vos propres questions.
Le machine learning classique : des chiffres et des catégories
C'est la famille la plus ancienne et souvent la plus rentable. Un modèle apprend sur vos données passées, en général un tableau : des transactions, des fiches clients, des relevés de capteurs. Il rend une catégorie, un score ou une prévision. Les modèles à base d'arbres de décision dominent encore ce terrain.
Ce que ça change pour vous. Il faut des exemples étiquetés et quelqu'un pour l'entraîner puis le surveiller. Ensuite, il répond en quelques millisecondes, pour un coût presque nul par décision, et donne en général une probabilité avec sa réponse.
Usages. Noter un risque de fraude ou d'impayé. Prévoir les ventes ou les stocks de la semaine prochaine. Ranger un ticket dans la bonne file.
Sa limite. Il ne fait que ce qu'il a appris. Si vos clients ou vos produits changent, ses résultats se dégradent sans prévenir : il faut le réentraîner.
Pour une décision : classifieur ou LLM ?
Quand la sortie est un choix parmi des options connues, deux approches se comparent. La plus courante reste un classifieur classique entraîné sur vos décisions passées. L'autre est un LLM avec une sortie structurée. En octobre 2026, Anthropic, OpenAI et Google permettent de contraindre la réponse à un schéma fixé d'avance, par exemple une catégorie prise dans une liste.
Le format ne les distingue donc plus. Le classifieur a besoin d'exemples étiquetés pour apprendre ; ensuite, il répond vite, pour un coût très faible par décision. Le LLM démarre sans données d'entraînement et comprend des textes variés ; chaque réponse coûte plus cher et prend plus de temps. Une démarche efficace consiste souvent à démarrer avec un LLM, à conserver ses décisions relues comme exemples, puis à entraîner un classifieur quand le volume le justifie. Dans les deux cas, le format se garantit ; la justesse se mesure.
Volume très élevé : le classifieur coûte bien moins au total, pour un coût très faible par décision. Le volume justifie d'entraîner un classifieur.
Les petits modèles, chez vous
Un petit modèle ouvert, dont les poids sont publiés, se télécharge et tourne sur votre propre matériel : un ordinateur portable, un téléphone, un serveur de l'entreprise. Rien ne part chez un fournisseur.
Ce que ça change pour vous.
- Vos données restent chez vous : utile pour des documents confidentiels, médicaux ou couverts par le secret professionnel.
- Il fonctionne sans connexion, dans un entrepôt, sur un chantier ou en avion.
- Pas de facture à chaque utilisation : vous payez le matériel et l'électricité, pas les tokens.
- Il ne change pas sans vous : le modèle reste le même tant que vous ne le mettez pas à jour.
- En échange, il est moins capable qu'un grand modèle hébergé, surtout pour raisonner sur plusieurs étapes ou écrire de longs textes. Il demande du matériel adapté, et vous assumez les mises à jour, la sécurité et la panne du lundi matin.
Usages. Résumer ou trier des documents sensibles sans les envoyer dehors. Classer et étiqueter des milliers de messages par jour, sans coût par message. Aider une équipe de terrain hors connexion. Ajouter à une application mobile une fonction qui marche sans réseau, comme une suggestion de réponse ou un résumé. Compléter du code sur le poste d'un développeur. Prototyper une fonctionnalité avant de choisir un modèle hébergé.
Exemples relevés en octobre 2026. Google publie Gemma 4 en plusieurs tailles, des plus petites pour les téléphones aux plus grandes pour un ordinateur personnel, sous licence Apache 2.0. Mistral publie ses petits modèles Ministral 3 sous la même licence. Microsoft présente Phi-4-mini comme un modèle à faire tourner directement sur l'appareil, sous licence MIT. Côté applications, la bibliothèque Foundation Models d'Apple donne accès au modèle intégré à l'appareil, qui fonctionne sans connexion. Et la complétion de code « ligne entière » de JetBrains tourne entièrement sur le poste du développeur, sans envoyer de code sur Internet, selon l'éditeur.
Un petit modèle suffit-il ? Ne le devinez pas : mesurez. Rassemblez une cinquantaine de vrais cas avec la bonne réponse attendue, faites-les passer au petit modèle et à un grand modèle hébergé, et comparez le taux de réussite, la vitesse et le coût. Si l'écart est faible sur vos cas, le petit modèle suffit. La page Les évaluations (évals) explique comment construire ce jeu de test.
Ce que ça change pour vous
Pour les fondateurs
Avant de brancher un LLM partout, listez les tâches répétitives de votre produit et la sortie de chacune. Si c'est une catégorie ou un score, un modèle classique peut coûter bien moins qu'un LLM et répondre plus vite. Si vos clients refusent que leurs données sortent, un petit modèle local peut ouvrir un marché. Votre marge en dépend dès que l'usage monte.
Pour les product managers
Écrivez la sortie attendue de chaque fonctionnalité IA avant de parler de modèle : un texte, une image, une transcription, un classement, un score. C'est elle qui fixe le coût, le temps de réponse et la façon de mesurer la qualité. Une fonction qui doit marcher hors connexion ou en moins d'une seconde oriente déjà vers un petit modèle ou un modèle classique.
Pour les dirigeants
Quand un fournisseur vend une solution « propulsée par l'IA », demandez quel modèle tourne derrière, et pourquoi celui-là. Une réponse précise, comme « un classifieur entraîné sur vos tickets », est un meilleur signe que le nom d'un LLM célèbre. Pour vos données sensibles, demandez où le modèle s'exécute, et si une version locale existe.
Pour les tech leads
Pour un choix fermé, exigez une sortie typée et validez-la, quel que soit le modèle. Comparez les candidats sur vos données, avec la latence et le coût par décision, pas sur les chiffres de lancement. Héberger un modèle ouvert alourdit l'exploitation, mais garde les données dans votre périmètre et fige son comportement, ce qui compte souvent davantage dans un grand groupe.
Pour aller plus loinCe qu'est le calibrage
Un modèle est calibré quand ses probabilités correspondent à la réalité : sur cent décisions prises à 80 % de confiance, environ quatre-vingts sont justes. C'est utile pour automatiser. Au-dessus d'un seuil, la décision passe ; en dessous, un humain relit. Un classifieur classique rend en général une probabilité avec sa décision. Un LLM n'en donne pas toujours une, et celle qu'il exprime n'est pas forcément calibrée. Quel que soit le modèle, vérifiez le calibrage sur vos propres cas avant de fixer un seuil.
Seuil à 80 % : 6 décisions sur 12 passent, 6 partent en relecture chez un humain. Un modèle est calibré quand ses probabilités correspondent à la réalité : sur cent décisions prises à 80 % de confiance, environ quatre-vingts sont justes. Quel que soit le modèle, vérifiez le calibrage sur vos propres cas avant de fixer un seuil.
L'erreur classique
fAIling RÈGLE XII
Le piège : Mettez « IA-Powered » sur tout
Coller « IA » sur une fonctionnalité ne la rend pas meilleure. Si une règle simple ou un modèle classique fait le travail, un LLM ajoute du coût, de la latence et des erreurs imprévisibles. Choisissez l'outil d'après le problème, pas d'après le communiqué de presse.
Lire la règle XII du manifesteÀ essayer
Listez cinq tâches de votre équipe qui pourraient profiter de l'IA. Pour chacune, écrivez en une ligne la sortie attendue, puis la famille de modèles qui la produit, avec la carte ci-dessus. Prenez ensuite celle qui se termine par une décision, comme accepter, aiguiller ou prioriser : testez d'abord une règle simple sur cinquante cas réels, et comptez combien elle en résout.
Autour du sujet
Pour aller plus loinUn exemple relevé en octobre 2026 : Jev
TypeSafe AI a annoncé Jev le 15 septembre 2026 comme son premier modèle « System One » : il reçoit une situation non structurée et rend une décision parmi des options définies à l'avance, assortie d'une probabilité. Au lancement, l'éditeur annonçait un temps de réponse de 70 à 500 millisecondes, un prix d'entrée de 0,042 dollar par million de tokens, des probabilités calibrées et un modèle qui « ne peut pas halluciner ». Ce sont les chiffres de l'éditeur, pas des mesures indépendantes, et sa page présente encore Jev en accès anticipé en octobre 2026.
La dernière promesse mérite d'être lue de près. TypeSafe précise qu'elle garantit une réponse conforme au format attendu, pas une décision correcte : c'est la garantie qu'offre aussi une sortie structurée.
Pour aller plus loinLe machine learning classique gagne encore
Pour des données en tableau, les modèles à base d'arbres de décision restent redoutables. Une étude de 2022 sur 45 jeux de données tabulaires conclut que, sur des volumes moyens, XGBoost ou les forêts aléatoires battent encore l'apprentissage profond. Depuis, des modèles pré-entraînés pour les tableaux bousculent ce constat sur les petits volumes : TabPFN, publié dans Nature en janvier 2025, surpasse selon ses auteurs les meilleures méthodes sur des jeux allant jusqu'à 10 000 lignes. Et la première des règles du machine learning publiées par Google est de ne pas avoir peur de lancer un produit sans machine learning.
Pour aller plus loinDes familles émergentes, relevées en octobre 2026
Ces familles font parler d'elles, mais peu de lecteurs en ont l'usage aujourd'hui. Sauf si vous travaillez dans le domaine concerné, observez-les avant de construire dessus.
- Les modèles de monde génèrent un environnement qui réagit à vos actions au fil du temps. Google DeepMind présente Genie 3 comme un modèle de monde interactif en temps réel. Son prototype, Project Genie, reste réservé à certains abonnés américains. NVIDIA publie depuis mai 2026 Cosmos 3, un modèle ouvert qui sert à simuler et à produire des données d'entraînement. Selon NVIDIA, des fabricants de robots et un constructeur automobile l'ont déjà adopté. Pour vous : un sujet de robotique, de conduite autonome et de jeu vidéo.
- Les modèles vision-langage-action pilotent un robot à partir de ce qu'il voit et d'une consigne en langage courant. Google DeepMind réserve Gemini Robotics 2, annoncé en juillet 2026, à des partenaires comme Apptronik et Boston Dynamics. NVIDIA publie depuis avril 2026 les poids d'Isaac GR00T N1.7, destiné aux robots humanoïdes. Pour vous : à suivre si votre métier touche à l'automatisation physique.
- Les modèles scientifiques prédisent des phénomènes physiques ou biologiques. AlphaFold prédit la forme des protéines. Demis Hassabis et John Jumper, de Google DeepMind, ont reçu pour ce travail la moitié du prix Nobel de chimie 2024. Sa base ouverte, hébergée par l'EMBL-EBI, annonce plus de 200 millions de prédictions. Le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) produit depuis juillet 2025 des prévisions d'ensemble avec son modèle AIFS. Pour vous : des résultats que vous utiliserez à travers des services, plutôt que des modèles à déployer.
- Les modèles de fondation pour séries temporelles prévoient une courbe (ventes, trafic, consommation) sans entraînement sur vos données. Amazon publie Chronos-2 depuis octobre 2025, sous licence Apache 2.0. Google publie depuis août 2026 TimesFM 3, dont les poids sont réservés à un usage non commercial, et le propose en préversion dans BigQuery. Pour vous : la famille la plus proche d'un usage concret. Avant de changer de méthode, comparez ces modèles à vos prévisions actuelles sur votre propre historique.
Quoi en faire
Avant de choisir un modèle, écrivez en une ligne ce que la tâche doit produire : texte, image, voix, résultat de recherche, nombre ou catégorie.
Pour une catégorie ou un score, démarrez avec un LLM, gardez ses décisions relues, puis entraînez un classifieur quand le volume le justifie.
Avant de choisir entre un petit modèle local et un grand modèle hébergé, mesurez les deux sur une cinquantaine de vos cas réels.