Un LLM (large language model, ou grand modèle de langage) ne fait qu'une chose. À partir d'un texte, il calcule quel token (un fragment de texte, souvent un morceau de mot) a le plus de chances de venir ensuite. Il ajoute ce token, puis recommence. Une réponse de trois paragraphes, ce sont des centaines de passages dans cette boucle.
Sur une phrase d'exemple, le modèle choisit l'un des tokens probables, l'ajoute à la phrase, puis recommence.
Une machine à suites plausibles
Le modèle a appris ces probabilités sur une immense quantité de texte. Il a vu comment s'enchaînent les phrases, les arguments et le code, et il reproduit ces motifs avec une grande fluidité. Il sait résumer un contrat ou écrire une fonction parce que ces tâches ressemblent à des millions d'exemples qu'il a lus.
Concept clé
Un LLM prédit la suite la plus plausible d'un texte. Il ne garde aucune mémoire d'une requête à l'autre, et il n'a pas de jugement propre : de lui-même, il ne vérifie pas si sa réponse est vraie ni si elle est bonne pour vous. La fluidité d'une réponse ne dit rien de sa justesse.
Deux conséquences pratiques. Sans mémoire, le modèle ne sait de votre situation que ce qu'on lui envoie à chaque requête, dans sa fenêtre de contexte. Sans jugement, il produit la réponse qu'un texte comme le vôtre appelle en général : une moyenne bien écrite. Il peut aussi affirmer une chose fausse avec la même assurance qu'une vraie : ce sont les hallucinations.
La requête 1 envoie votre contexte et votre question ; le modèle répond à partir de ce qu'il a reçu.
Ce que ça change pour vous
Pour les fondateurs
Un LLM accélère ce qui ressemble à ce qui existe déjà : un premier jet, un résumé, une réponse type. Il ne vous dira pas quel marché attaquer. Utilisez-le pour aller plus vite sur l'exécution, pas pour décider à votre place.
Pour les product managers
Le modèle ne sait de l'utilisateur que ce que votre produit lui envoie. Spécifiez ce contexte comme une fonctionnalité : quelles données, à quel moment, et ce qui se passe quand elles manquent.
Pour les tech leads
Traitez l'appel au modèle comme une fonction non déterministe. La même entrée peut donner deux sorties différentes, donc validez le format, enregistrez les entrées et les sorties, et testez sur des cas réels. Dans un grand groupe, ajoutez une question d'architecture : où partent les données envoyées, et sous quel contrat.
Pour les dirigeants
Un LLM produit une synthèse fluide de ce qu'il a lu, donc une moyenne. Pour une note interne ou un premier tri, c'est un gain. Pour une décision stratégique, la valeur vient de ce qui s'écarte de la moyenne, et ce travail reste le vôtre.
Pour aller plus loinDe la prédiction à l'assistant
Un modèle est d'abord pré-entraîné à prédire le token suivant sur un grand corpus de texte. À ce stade, il complète des documents mais suit mal les instructions. Il est ensuite affiné, notamment par apprentissage par renforcement à partir de retours humains (RLHF) : des personnes classent plusieurs réponses, et le modèle apprend à préférer les mieux classées. C'est ce qui en fait un assistant utile.
Les modèles actuels peuvent aussi réfléchir avant de répondre. Selon la documentation d'Anthropic, en octobre 2026, ils reformulent alors la question, essaient plusieurs pistes et vérifient des résultats intermédiaires. Si l'application le permet, ils appellent des outils, comme une recherche web ou l'exécution de code, pour contrôler une source ou un calcul. Le mécanisme de base reste la prédiction : le modèle ne vérifie que ce que l'application lui permet de vérifier. Même alors, une réponse fluide n'est pas forcément juste.
L'erreur classique
fAIling RÈGLE IX
Le piège : Laissez l'IA piloter la stratégie
Demander au modèle d'écrire votre stratégie donne un document propre, structuré et convaincant. C'est aussi la moyenne de toutes les stratégies qu'il a lues, sans vos clients, vos marges ni vos contraintes. Servez-vous-en pour mettre à l'épreuve un plan que vous avez écrit, pas pour l'écrire.
Lire la règle IX du manifesteÀ essayer
Posez la même question métier à un assistant IA dans trois nouvelles conversations. Comparez les réponses : ce qui change, ce qui reste, et ce qui manque parce que le modèle ignore votre contexte. Reposez ensuite la question en ajoutant ce contexte en deux phrases, et notez la différence.
Autour du sujet
Pour aller plus loinLe fine-tuning
Le fine-tuning (ou affinage) prolonge l'entraînement d'un modèle sur vos propres exemples, pour qu'il en adopte le style, le format ou le vocabulaire. Il sert surtout pour une tâche étroite et répétitive, avec beaucoup d'exemples propres. Ce n'est pas le bon outil pour des faits qui changent : ceux-là s'envoient dans le contexte au moment de la requête. Tous les fournisseurs ne le proposent pas, et, en octobre 2026, l'API Claude ne l'offre pas en libre-service. Commencez par de meilleures instructions et de bons exemples, et ne passez au fine-tuning que si un test montre que cela ne suffit pas.
Pour aller plus loinEntraînement, usage et date de coupure
Un modèle apprend pendant son entraînement, puis il est figé. Quand vous l'utilisez, vos conversations ne le modifient pas : chaque requête repart du même modèle. Ce qu'il sait s'arrête donc à une date de coupure, la date limite de ses connaissances, que les fournisseurs publient. En octobre 2026, Anthropic indique par exemple juin 2026 pour ses quatre modèles Claude actuels. Ce qui s'est passé après, le modèle ne le sait que si vous le lui donnez. Les fonctions de mémoire de certains assistants, comme celle de Claude, reposent sur ce principe : c'est l'application qui garde des notes sur vous et les renvoie au modèle avec vos messages.
Tirage d'exemple 1 : « La réunion est déplacée à lundi matin vers… » Chaque étape a tiré le token le plus probable, mais c'était quand même un tirage.
Pour aller plus loinPourquoi les réponses varient
À chaque étape, le modèle calcule une probabilité pour chaque token possible, puis en tire un au sort. C'est pourquoi la même question peut recevoir deux réponses différentes. Longtemps, un réglage appelé température rendait ce tirage plus ou moins prudent. Les fournisseurs le figent de plus en plus. En octobre 2026, selon la documentation d'Anthropic, ses modèles récents n'acceptent que la valeur par défaut, la nouvelle version de son API refuse ce réglage, et aucun autre ne le remplace. Pour des réponses régulières, comptez sur des instructions précises, des exemples, une réponse au format fixé d'avance, et des évals qui mesurent les écarts.
Pour aller plus loinAu-delà du texte en entrée
Les LLM actuels lisent aussi des images : une capture d'écran, un graphique, une facture scannée. Une image se compte en tokens, comme du texte, et coûte donc à chaque requête. Le modèle peut mal lire une image floue ou un petit chiffre, comme il peut mal citer une phrase. Lire une image n'est pas en créer une : la génération d'images relève d'autres modèles, présentés dans la page Les autres familles de modèles.
Quoi en faire
Servez-vous-en pour exécuter plus vite (premier jet, résumé) et pour mettre à l'épreuve une stratégie que vous avez écrite ; gardez la décision pour vous.
Spécifiez le contexte que votre produit lui envoie comme une fonctionnalité : quelles données, à quel moment, et que se passe-t-il quand elles manquent.
Traitez chaque appel comme non déterministe : validez le format, enregistrez les entrées et les sorties, et testez sur des cas réels.