Guide · Comprendre l'IA
Comment fonctionne une IA générative ? Du mot suivant à l'agent
Une IA générative est, au départ, une machine entraînée à deviner le morceau de texte suivant. Tout le reste — ChatGPT qui répond, Claude qui raisonne, les agents qui travaillent seuls — s'obtient en ajoutant des couches à cette brique de base. Ce guide déroule l'histoire complète, sans une seule équation : à la fin, les mots « modèle », « token », « prompt » et « agent » ne vous impressionneront plus.
D'où on part : le machine learning classique
Avant le génératif, le machine learning « supervisé » fonctionne ainsi : on montre au modèle des milliers d'exemples étiquetés, il apprend à prédire l'étiquette sur des cas nouveaux. Pour détecter la fraude bancaire, on lui montre des transactions marquées « fraude » ou « pas fraude », et il apprend à estimer une probabilité pour chaque nouvelle transaction.
Le problème qui bride tout : étiqueter coûte cher. Pour chaque transaction, il a fallu qu'un humain enquête et tranche. Les données étiquetées sont rares, donc les modèles restent spécialisés et limités.
L'astuce qui a tout changé : le texte s'étiquette tout seul
Prenez toutes les phrases d'un roman contenant « chat » ou « chien ». Cachez ce mot. Demandez au modèle de deviner lequel c'était. Vous venez de créer un exercice d'apprentissage sans payer personne pour étiqueter : la bonne réponse, c'est le mot caché lui-même. Entraînez sur Harry Potter, testez sur Les Misérables : le modèle généralise — il a appris quelque chose du langage, pas seulement du livre.
C'est LA rupture : d'un coup, tout le texte du monde devient des données d'entraînement gratuites.
Un LLM, c'est ça — pour tous les mots à la fois
Au lieu de deviner « chat ou chien », on demande au modèle de prédire n'importe quel mot suivant. On fait glisser une fenêtre sur le texte : les N derniers mots sont l'indice, le suivant est la réponse, on décale d'un cran, on recommence — des milliards de milliards de fois.
Précision de vocabulaire : les modèles ne manipulent pas des mots mais des tokens, de petits groupes de caractères. « Chat » tient en un token ; « anticonstitutionnellement » en prend plusieurs. C'est en tokens que se comptent les limites de contexte et les prix des modèles.
Et la recette de fabrication est brutalement simple à énoncer : tout le texte disponible (encyclopédies, presse, livres, code, forums) + des milliers de processeurs graphiques + quelques millions de dollars de calcul + des semaines d'attente = un LLM. Ce qui est remarquable, c'est qu'un objectif aussi bête — deviner le token suivant — produise, à cette échelle, la grammaire, la culture générale et un début de logique.
Du LLM au chatbot : le dressage
Un LLM brut ne « répond » pas : il complète. Donnez-lui « La capitale de la France est », il continue. Donnez-lui une question, il pourrait la continuer par… une autre question, comme dans un forum.
Pour en faire un assistant, on l'affine : on lui montre des milliers d'exemples de bonnes conversations, puis des humains notent ses réponses et on renforce ce qui est jugé utile, poli, prudent. C'est ce dressage qui crée ChatGPT ou Claude — et aussi leur travers connu : ce ton très serviable, parfois trop d'accord avec vous. Même moteur, personnalité fabriquée.
Le « raisonnement » : un brouillon avant la réponse
Les modèles récents « réfléchissent » : avant de répondre, ils écrivent un brouillon de raisonnement — décomposent le problème, testent des pistes, se corrigent — puis rédigent la réponse. Ce n'est ni de la conscience ni du marketing : juste du texte de travail supplémentaire, qui améliore nettement les problèmes difficiles (calculs, logique, code). Les guillemets autour de « réfléchir » restent de rigueur ; l'effet, lui, est bien réel.
Le prompting : piloter par la structure
Puisque le modèle complète du texte, la forme de votre demande détermine la forme de la réponse. Les six réflexes qui changent tout :
- Donnez un rôle : « Tu es un juriste qui vulgarise » cadre le ton et le niveau.
- Un objectif explicite : ce que vous voulez obtenir, pour qui, pour quoi faire.
- Du contexte : les faits, le texte à traiter, vos contraintes — l'IA ne devine pas ce que vous ne dites pas.
- Des exemples : un bon exemple de sortie attendue vaut dix consignes.
- Un format imposé : « réponds en tableau », « liste de 5 points maximum », balises et délimiteurs pour séparer les blocs.
- Laissez-la réfléchir : sur un problème dur, demandez le raisonnement avant la conclusion.
L'agent : quand le texte devient action
Le déclic final. Un LLM ne sait produire que du texte — mais si ce texte est structuré, un programme peut le lire et agir. L'agent écrit « j'appelle l'outil recherche avec la requête X » dans un format convenu ; le programme exécute la recherche ; le résultat est redonné au modèle ; il analyse et décide de la suite. Raisonner → agir → observer → recommencer, jusqu'à la tâche accomplie.
Agent = LLM + outils + boucle. C'est cette boucle qui trie des boîtes mail, prépare des déclarations URSSAF, crée des sites : toute l'automatisation décrite sur ce site repose sur elle.
La carte mentale complète
| Étape | Ce qu'on ajoute | Ce qu'on obtient |
|---|---|---|
| 1 | Des exemples étiquetés | Machine learning supervisé (ex. détection de fraude) |
| 2 | Le texte qui s'auto-étiquette | Apprentissage sans coût d'étiquetage |
| 3 | Prédire tous les tokens, à l'échelle | Le LLM |
| 4 | Le dressage conversationnel | Le chatbot (ChatGPT, Claude) |
| 5 | Le brouillon de raisonnement | Les modèles qui « réfléchissent » |
| 6 | La structure dans vos demandes | Le prompting efficace |
| 7 | Des outils + une boucle | L'agent — l'automatisation IA |
Ce qu'une IA générative ne fait pas
- Comprendre comme un humain. Elle produit le texte le plus plausible — d'où les « hallucinations » : se tromper avec assurance. On la cadre avec du contexte et des sources, et on garde la décision humaine.
- Savoir ce qu'elle ne sait pas (sauf entraînement spécifique). C'est à vous d'exiger les sources.
- Avoir des intentions. Ni conscience, ni volonté — un moteur statistique remarquablement utile, à condition de le voir pour ce qu'il est.
En résumé
- Tout part d'une tâche unique : prédire le token suivant, apprise sur du texte qui s'auto-étiquette.
- Chatbot = LLM dressé ; « raisonnement » = brouillon ; prompting = piloter par la structure.
- Agent = LLM + outils + boucle : c'est là que l'IA passe de la conversation à l'action.
- Elle n'a ni compréhension humaine ni intentions — d'où la règle : l'IA prépare, l'humain valide.
Questions fréquentes
C'est quoi un LLM ?
Un modèle entraîné sur d'immenses quantités de texte à prédire le token suivant. De cette tâche simple, à grande échelle, émergent grammaire, connaissances et un début de raisonnement.
C'est quoi un token ?
L'unité de texte du modèle : un petit groupe de caractères, souvent un morceau de mot. Limites de contexte et prix se comptent en tokens.
Quelle différence entre un LLM et ChatGPT ?
ChatGPT est un LLM affiné pour converser : exemples de bonnes conversations + retour humain. Même moteur, dressage en plus.
C'est quoi un agent IA ?
Un LLM branché à des outils dans une boucle raisonner → agir → observer. C'est la brique de base de l'automatisation par l'IA.
Une IA comprend-elle vraiment ?
Pas comme un humain : elle produit le texte le plus plausible, et peut se tromper avec aplomb. Cadrée (contexte, sources, validation humaine), elle est extrêmement utile malgré tout.
Gratuit, par email
Le blueprint de mon assistant IA
Le plan complet de l'assistant décrit sur ce site : les briques, les outils exacts, les coûts, les garde-fous et l'ordre d'installation. Je vous l'envoie personnellement par email.
✓ C'est noté ! Le blueprint arrive dans votre boîte mail d'ici quelques heures.
La suite logique
Maintenant qu'on comprend… on en fait tourner un ?
Un agent qui trie vos mails, prépare vos déclarations ou construit votre site : c'est exactement ce que les packs installent chez vous, en 15 minutes, à partir de 0 €.
Voir les packs — dès 0 €
10 ans à construire des produits data et IA (Doctolib, France Travail, Airbus, BNP) et à former (TotalEnergies, Pierre Fabre, Eiffage). Tout ce qui est décrit dans ce guide tourne réellement chez moi, tous les jours. felixrevert.fr