Comment fonctionne une IA générative (expliqué sans jargon)
Tu utilises peut-être ChatGPT, Claude ou Mistral tous les jours sans savoir comment fonctionne l'IA que tu as sous les doigts. Et pendant longtemps, on t'a dit que ce n'était pas grave : « c'est un outil, sers-t'en, laisse la technique aux ingénieurs ».
C'est faux, et voici pourquoi. Deux entrepreneurs devant le même assistant obtiennent des résultats radicalement différents. Le premier pose une question vague, reçoit une réponse tiède, conclut que « l'IA c'est surfait ». Le second sait ce que la machine fait réellement, alors il la nourrit correctement, il repère les moments où elle va se tromper, et il en tire trois heures de travail par semaine. La différence entre les deux ne tient pas à un talent particulier : elle tient à quatre ou cinq idées simples sur le fonctionnement de la bête.
Cet article te donne ces idées. Pas de mathématiques, pas de schémas d'architecture, pas de jargon non expliqué : juste le modèle mental qu'il te faut pour arrêter de subir l'outil et commencer à le piloter.
« Toute technologie suffisamment avancée est indiscernable de la magie. » — Arthur C. Clarke
Clarke avait raison, et c'est exactement le problème : tant que l'IA reste de la magie à tes yeux, tu ne peux ni prévoir ses ratés, ni exploiter ses forces. À noter au passage — depuis février 2025, l'AI Act européen impose une obligation de « littératie en IA » (article 4) aux organisations qui déploient ces outils. Comprendre ce que tu utilises n'est plus seulement malin : c'est une attente réglementaire.
Comment fonctionne l'IA : la prédiction du mot suivant, en une démonstration
Fais ce test. Complète cette phrase dans ta tête :
« Je passe à la boulangerie acheter une… »
Tu as pensé « baguette ». Presque tout le monde pense « baguette ». Tu viens de faire, à la main, exactement ce que fait une IA générative : prédire la suite la plus probable d'un texte.
C'est tout. Le cœur du réacteur tient dans cette phrase. Un grand modèle de langage — en anglais large language model, d'où le sigle LLM que tu croises partout — est une machine à prédire ce qui vient après. Tu écris un début, elle calcule quelle suite est la plus plausible, elle l'écrit, puis elle recommence.
Une réponse se fabrique morceau par morceau
Voici le point que presque personne ne saisit et qui change tout : le modèle ne rédige pas une réponse complète d'un coup, comme on sortirait une fiche d'un classeur. Il produit un fragment de mot à la fois, et il relit tout ce qui précède — ta question plus ce qu'il vient d'écrire — avant de produire le suivant.
Conséquence immédiate : quand il commence sa phrase, il ne sait pas encore où il va. Il n'a pas de plan caché. Il se construit un chemin en marchant.
D'où une astuce qui semble absurde et qui marche pourtant remarquablement bien : demande-lui de réfléchir à voix haute avant de répondre. « Commence par lister les critères, puis compare, puis conclus. » Tu ne lui fais pas plaisir : tu lui donnes littéralement de la place pour construire son raisonnement, puisque chaque mot qu'il écrit devient un appui pour le suivant. Un modèle à qui tu demandes la conclusion en premier a beaucoup plus de chances de dire une bêtise, puis de la justifier.
Pourquoi la même question donne deux réponses différentes
Si le modèle choisissait toujours le mot le plus probable, il répondrait la même chose, mot pour mot, à chaque fois. Ce n'est pas le cas, et c'est volontaire : à chaque étape, il tire au sort parmi les suites les plus plausibles. D'où des textes vivants plutôt que mécaniques.
À retenir : ton assistant n'est pas une base de connaissances qu'on interroge, c'est un moteur de génération qu'on oriente. Une base de données te renvoie ce qu'elle contient ; un LLM te fabrique une réponse sur mesure. C'est sa plus grande force et l'origine de tous ses défauts.
L'entraînement : des milliards de textes, des milliards de réglages
Reste la vraie question : d'où lui vient cette capacité à prédire correctement ? De l'entraînement. Et pour le comprendre, l'image la plus juste n'est pas informatique — c'est celle du compagnonnage.
Pense à un apprenti ébéniste. Trois étapes le transforment en artisan : des années à observer des milliers de gestes dans l'atelier, puis un maître qui corrige sa main sur des exercices précis, puis des clients qui lui disent ce qui leur plaît ou pas. Un modèle de langage passe exactement par ces trois étapes.
Étape
Ce qui se passe
Ce que ça implique pour toi
1. Le pré-entraînement
Le modèle lit des quantités colossales de textes (sites, livres, forums, code, documentation) et s'entraîne à prédire le mot suivant. À chaque erreur, on ajuste très légèrement des milliards de petits curseurs internes — les paramètres.
Il a absorbé les régularités de la langue, du raisonnement, des métiers. Il « sait » plein de choses, mais de façon floue et non sourcée.
2. L'affinage
On lui montre des dizaines de milliers d'exemples de bonnes réponses à des consignes, écrites par des humains.
Il apprend à obéir à une instruction plutôt qu'à simplement continuer ton texte.
3. L'alignement
Des humains classent ses réponses de la meilleure à la pire ; le modèle apprend à viser ce qui est jugé utile, clair et acceptable.
Il devient serviable… et parfois complaisant. Il a appris que « faire plaisir » est bien noté.
Retiens surtout la troisième colonne de la dernière ligne : un modèle est entraîné à être apprécié. C'est pour ça qu'il te donne raison un peu trop facilement, qu'il s'excuse dès que tu contestes, et qu'il préfère inventer une réponse plutôt que d'avouer qu'il ne sait pas. Ce n'est pas de la politesse, c'est un biais de fabrication. Corrige-le explicitement : « Si tu n'es pas sûr, dis-le. Ne devine pas. Conteste-moi si je me trompe. »
L'entraînement est figé — ce n'est pas une mémoire vivante
Une fois entraîné, le modèle ne bouge plus. Ses milliards de curseurs sont gelés. Il a donc une date limite de connaissances au-delà de laquelle il ignore tout : élections, réformes, prix, nouveautés de son propre secteur.
Ce qui te donne une règle de survie : pour tout ce qui est récent, daté ou chiffré, ou bien tu actives la recherche web de ton outil, ou bien tu lui fournis toi-même la source. Sinon il comblera le vide avec du plausible.
Pourquoi ça « comprend » sans comprendre
C'est la question qui fâche, et sur laquelle des chercheurs très sérieux s'écharpent depuis des années : est-ce que ça comprend, ou est-ce que ça imite ?
Ce qu'on observe est troublant. Pour prédire correctement la suite de milliards de textes, le modèle a été obligé de se construire des représentations internes qui se comportent comme des concepts. L'exemple classique, hérité des premiers modèles de mots des années 2010, reste parlant : dans l'espace mathématique où ces systèmes rangent les mots, « roi » moins « homme » plus « femme » atterrit tout près de « reine ». Personne n'a programmé cette règle : elle a émergé de la statistique. Les modèles actuels font de même à une tout autre échelle, en manipulant des notions de cause, de style, de ton, de métier.
Et pourtant, il manque tout le reste. Le modèle n'a pas de corps, pas d'expérience du monde, pas d'intention, pas d'enjeu. Surtout : il n'a aucun moyen de confronter ce qu'il écrit au réel. Il ne possède pas la notion de « vrai ». Il possède la notion de « plausible ».
C'est la clé de voûte de tout le reste. Les fameuses hallucinations — ces affirmations fausses énoncées avec un aplomb parfait — ne sont pas un bug qu'un correctif finira par supprimer. Elles sont la conséquence directe du mécanisme : une machine optimisée pour produire du vraisemblable produira, de temps en temps, du vraisemblable qui se trouve être faux. Et comme elle est entraînée à bien écrire, le faux est aussi bien tourné que le vrai. (On creuse le sujet et les parades dans l'article dédié — B105.)
D'où la formule qu'on répète à nos stagiaires chez OMME : l'IA est un excellent premier jet et un très mauvais dernier mot.
Le test des trois questions avant de déléguer
Avant de confier une tâche à une IA, passe-la par ce filtre de dix secondes :
Saurais-je repérer une erreur ? Si le sujet t'est totalement étranger, tu n'es pas en position de valider quoi que ce soit.
Puis-je vérifier en moins de cinq minutes ? Un chiffre officiel, une date, une référence légale : la vérification doit être rapide, sinon le gain de temps est illusoire.
Que se passe-t-il si c'est faux ? Une faute dans un brouillon d'email interne, ce n'est rien. Une faute dans un devis client, une clause de contrat ou une déclaration fiscale, c'est autre chose.
Trois « oui » rassurants : délègue et relis. Un doute sur la troisième : garde la main.
Tokens, contexte, température : les 3 réglages qui expliquent 90 % des comportements
Trois notions techniques, trois seulement, expliquent l'immense majorité des comportements bizarres que tu observes. Elles valent le quart d'heure d'attention.
Les tokens : l'IA ne lit pas des mots
Le modèle ne manipule ni des lettres ni des mots, mais des tokens : des morceaux de mots. « Boulangerie » peut se découper en deux ou trois fragments ; un mot courant tient en un seul. Ordre de grandeur utile en français : compte environ 1,5 à 2 tokens par mot, soit à peu près 500 à 650 mots pour 1 000 tokens.
Deux conséquences très concrètes :
La facturation et les limites se comptent en tokens, pas en pages. Quand un outil annonce un quota, c'est de ça qu'il parle.
Le modèle est mauvais pour compter les lettres. Demande-lui combien de « r » contient « serrurier » et il se plante régulièrement : il ne voit pas les lettres, il voit des blocs. Ce n'est pas de la bêtise, c'est de la myopie structurelle. Même logique pour l'arithmétique : il prédit un résultat plausible au lieu de calculer. Pour tout ce qui est chiffre exact, exige qu'il utilise un tableur, un outil de calcul, ou fais-le toi-même.
La fenêtre de contexte : sa mémoire de travail
La fenêtre de contexte, c'est tout ce que le modèle a sous les yeux au moment de répondre : ta consigne, les documents collés, et l'historique de la conversation. Au-delà de cette limite, ce qui dépasse est oublié. ◷ Les capacités ont beaucoup augmenté ces dernières années et varient d'un outil à l'autre — vérifie la documentation de celui que tu utilises.
Trois réflexes qui découlent directement de ce mécanisme :
Une conversation = un sujet. Un fil de trois heures qui part dans tous les sens dilue tes consignes du début. Ouvre un nouveau fil pour un nouveau chantier.
Place tes instructions au début ET rappelle-les à la fin d'un long document. L'information nichée au milieu d'un très long texte est statistiquement moins bien exploitée.
Colle la matière plutôt que de la décrire. « Voici mes trois derniers devis, inspire-t'en » vaut infiniment mieux que « fais-moi un devis dans mon style habituel ». Tout ce que tu ne fournis pas, il l'invente.
« Les limites de mon langage signifient les limites de mon monde. » — Ludwig Wittgenstein
La phrase n'a pas été écrite pour l'IA, mais elle lui va comme un gant : le monde de ton assistant se limite exactement à ce que tu lui as mis dans la fenêtre.
La température : le curseur créativité
La température règle la prise de risque au moment du tirage au sort. Basse, le modèle choisit systématiquement les suites les plus attendues : réponses factuelles, reproductibles, un peu plates. Haute, il ose des suites moins probables : plus original, plus varié… et plus enclin à déraper.
Réglage
En clair
Quand ça compte
Tokens
Il lit des morceaux de mots, pas des lettres
Coûts, limites, calculs et comptages ratés
Contexte
Sa mémoire de travail, limitée à la conversation
Longues discussions, gros documents, oublis de consignes
Température
Son curseur audace / prudence
Réponses variables, créativité voulue ou indésirable
La plupart des interfaces grand public n'exposent pas ce curseur, mais tu l'influences par tes consignes : « réponse factuelle, sans reformulation créative » ou « propose-moi dix angles très différents, quitte à être décalé ». Et si tu passes par des outils d'automatisation, tu le règles pour de vrai (voir le guide B141).
Ce que ça implique pour ton usage
Tout ce qui précède se résume en deux listes.
Les forces structurelles — là où le mécanisme joue en ta faveur :
Transformer une matière que tu fournis : résumer, reformuler, traduire, restructurer, changer de ton, passer de notes brutes à compte rendu propre. C'est le terrain où l'IA est quasi imbattable, parce qu'elle n'a rien à inventer.
Synthétiser du volume : quarante pages de conditions générales, trente réponses à un questionnaire client, six mois d'échanges. Elle ne se lasse pas.
Produire des variantes en masse : dix accroches, cinq plans d'article, huit objections possibles de ton prospect. Le tri reste ton travail, mais tu ne pars plus de la page blanche.
Traduire d'un langage à l'autre : du jargon vers le clair, d'une idée floue vers un plan structuré, d'un texte de loi vers ce que ça change pour toi.
Les limites structurelles — là où le mécanisme joue contre toi :
Les faits précis, datés, chiffrés. Sans source fournie ou recherche web, considère tout chiffre comme non fiable.
L'actualité postérieure à son entraînement.
Le calcul exact et le comptage. Passe par un outil.
Tout ce qui engage ta responsabilité : conseil juridique, fiscal, médical, engagement contractuel. L'IA prépare, tu décides, un professionnel valide quand l'enjeu le mérite.
La règle d'or qui découle de tout ça :plus tu fournis de matière, moins tu laisses de place à l'invention. Un prompt vide appelle une réponse générique et risquée ; un prompt nourri de tes données appelle un travail de transformation, où le modèle excelle. C'est toute la logique du prompting, qu'on détaille dans le guide B121.
Un cas concret (exemple composite, inspiré de situations vues en formation)
Karim est menuisier, seul avec un apprenti. Ses devis lui prenaient environ 40 minutes chacun : reprendre un ancien, réécrire le descriptif, recalculer, relire.
Première tentative, en mode « magie » : « Fais-moi un devis pour une bibliothèque sur mesure. » Résultat : un document générique, avec des prix inventés et des essences de bois qu'il ne travaille pas. Verdict de Karim : « ça ne sert à rien ».
Deuxième tentative, en mode « je sais comment ça marche » : il colle ses trois derniers devis, sa grille de prix au mètre linéaire, ses conditions de paiement, puis ses notes de visite dictées dans la voiture. Consigne : « Rédige le descriptif technique et le devis en respectant strictement ma grille tarifaire ci-dessus. N'invente aucun prix : si une donnée manque, marque [À COMPLÉTER]. »
Résultat : environ 12 minutes par devis, relecture comprise. Sur six devis par semaine, il récupère près de trois heures. Rien de magique — il a simplement arrêté de demander à la machine d'inventer, et commencé à lui demander de transformer.``
Menuisier relisant un devis sur une tablette posée sur son établi dans un atelier lumineux
Au-delà du texte : images, voix, agents — même logique
Le raisonnement que tu viens d'acquérir se transpose au reste de la famille.
Les images. Les générateurs d'images ne prédisent pas des mots, mais ils appliquent la même philosophie statistique par une autre méthode : ils partent d'un brouillard aléatoire et le débruitent progressivement, en se laissant guider par ta description. Imagine un sculpteur devant un bloc informe, à qui tu décris ce qu'il doit y révéler. D'où deux conséquences : ton prompt est une description, pas une commande — décris la scène, la lumière, le cadrage plutôt que d'énumérer des ordres. Et les faiblesses classiques (texte incrusté approximatif, mains, comptages) viennent de là aussi.
La voix et la transcription. Même principe appliqué au son : prédire la suite la plus probable d'un signal sonore ou d'une suite de phonèmes. C'est pourquoi la transcription automatique est excellente sur un français standard bien articulé, et beaucoup moins sur un jargon métier, des noms propres rares ou un enregistrement bruyant : le modèle comble les trous par du plausible, exactement comme en texte.
Les agents. Un agent, c'est un LLM auquel on a donné des outils (recherche web, envoi d'email, accès à un fichier, exécution de code) et une boucle : il prédit une action, l'exécute, observe le résultat, prédit la suivante. Le moteur n'a pas changé — seulement, chaque prédiction déclenche désormais quelque chose dans le monde réel.
Conséquence à ne jamais perdre de vue : les erreurs se cumulent. Une petite approximation à l'étape 2 devient une décision absurde à l'étape 7. C'est précisément pour ça que toute automatisation sérieuse garde des points de contrôle humains sur les étapes irréversibles — envoi client, paiement, suppression, publication.
Tu as maintenant le modèle mental. Pour la vue d'ensemble — outils, cas d'usage, ROI et cadre légal — enchaîne avec le guide pilier B101.
FAQ — Comment fonctionne l'IA générative
Comment fonctionne l'IA générative, en une phrase ?
Elle prédit, morceau de mot par morceau de mot, la suite la plus plausible de ce que tu lui as écrit, en s'appuyant sur des régularités extraites de quantités massives de textes. Elle ne cherche pas une réponse existante : elle en fabrique une. C'est pour ça qu'elle est à la fois très souple et parfois très fausse.
Est-ce que ChatGPT va chercher ses réponses sur Internet ?
Pas par défaut. Le modèle répond depuis ce qu'il a absorbé pendant son entraînement, figé à une certaine date. Beaucoup d'outils proposent aujourd'hui une recherche web, mais elle n'est pas toujours active : vérifie que ta réponse cite des sources, et active explicitement la fonction quand ta question porte sur de l'actualité.
Pourquoi l'IA se trompe-t-elle avec autant d'assurance ?
Parce qu'elle optimise la plausibilité, jamais la vérité — et qu'elle a été entraînée à bien écrire dans tous les cas. Une affirmation fausse est donc formulée avec le même aplomb qu'une affirmation juste. Elle n'a aucun mécanisme interne pour douter, sauf si tu le lui demandes explicitement dans ta consigne.
Pourquoi l'IA n'arrive-t-elle pas à compter les lettres d'un mot ?
Parce qu'elle ne voit pas les lettres. Elle manipule des tokens, c'est-à-dire des morceaux de mots. Compter les « r » de « serrurier » revient pour elle à compter des lettres qu'elle ne perçoit pas individuellement. Même limite pour l'arithmétique : elle prédit un résultat vraisemblable au lieu de calculer. Passe par un tableur.
L'IA apprend-elle de mes conversations ?
Pas en direct : le modèle qui te répond est figé, tes échanges ne le modifient pas. En revanche, selon l'éditeur, l'offre et tes réglages, tes contenus peuvent servir à entraîner de futures versions. Vérifie les paramètres de confidentialité de ton outil et ne colle jamais de données clients sensibles sans avoir contrôlé ce point.
Quelle différence entre IA générative, machine learning et algorithme ?
Un algorithme est une suite d'instructions écrite par un humain. Le machine learning est une famille de méthodes où la machine déduit ses propres règles à partir d'exemples. L'IA générative est une branche du machine learning spécialisée dans la production de contenus nouveaux — texte, image, son — plutôt que dans la simple classification ou prédiction de valeurs.
Faut-il comprendre la technique pour bien utiliser l'IA ?
Pas la technique profonde, non. Mais les quatre idées de cet article — prédiction, entraînement figé, contexte, plausibilité plutôt que vérité — expliquent l'écrasante majorité des déceptions. Les entrepreneurs qui obtiennent des résultats ne sont pas les plus technophiles : ce sont ceux qui ont ce modèle mental correct en tête.
🎓 Passer de « je comprends » à « je m'en sers tous les jours »
Tu sais maintenant comment la machine fonctionne. Reste le plus rentable : l'installer concrètement dans ton entreprise, avec des prompts qui marchent, des garde-fous et des automatisations qui tournent sans toi.
C'est exactement le contenu de la formation « Maîtriser l'IA & automatiser son entreprise » d'OMME Formation : 15 modules, des prompts prêts à l'emploi et des workflows applicables dès la première semaine, pour 79 €, à ton rythme.
