.svg)
Un grand modèle de langage (LLM, pour large language model) est un modèle d'intelligence artificielle entraîné sur d'immenses corpus de texte pour prédire le mot suivant, ce qui lui permet de comprendre et de générer du langage naturel. C'est la brique qui fait fonctionner les assistants conversationnels, et le composant que l'on retrouve derrière la plupart des projets d'automatisation intelligente.
Cette page ne s'arrête pas à la définition. Elle explique comment fonctionne un LLM en langage clair, le distingue de l'IA, de l'IA générative et du traitement du langage naturel, et donne des repères pour choisir un modèle sans écrire une ligne de code.
Qu'est-ce qu'un LLM ?
La définition en une phrase
LLM, IA, IA générative, NLP : ces termes circulent ensemble et se confondent en permanence. Voici de quoi les tenir séparés en une phrase chacun.
- Un LLM, c'est un modèle d'IA spécialisé dans le texte, entraîné à prédire la suite la plus probable d'une séquence de mots.
- L'intelligence artificielle, c'est le domaine entier : tout système capable d'exécuter des tâches qui demandent habituellement de l'intelligence humaine.
- L'IA générative, c'est la famille de modèles qui produisent du contenu nouveau, texte mais aussi image, audio, vidéo ou code.
- Le NLP (traitement du langage naturel), c'est la discipline qui cherche à faire traiter le langage humain par une machine, bien antérieure aux LLM.
Autrement dit, un LLM est un cas particulier d'IA générative, elle-même un sous-ensemble de l'apprentissage profond, branche de l'intelligence artificielle. Écrire « un LLM, c'est l'IA » est un raccourci faux, et c'est la première chose à corriger.
Ce que veut dire « grand » : données, paramètres, entraînement
Le « grand » de grand modèle de langage porte sur trois choses à la fois.
- Le volume de données : le modèle est pré-entraîné sur des corpus de texte gigantesques, issus du web, de livres, de documentations et de code.
- Le nombre de paramètres : ce sont les valeurs internes ajustées pendant l'entraînement. On lit souvent qu'un modèle devient « grand » au-delà du milliard de paramètres, mais ce seuil n'a rien d'officiel et il se déplace vite. Retenez l'ordre de grandeur, pas le chiffre.
- Le coût de l'entraînement : des semaines de calcul sur des milliers de processeurs graphiques, ce qui explique que très peu d'acteurs entraînent leurs propres modèles.
LLM, IA, IA générative et NLP : ce qui les distingue
Le tableau ci-dessous fixe les frontières.
| Notion | Ce que c'est | Périmètre | Exemple concret |
|---|---|---|---|
| Intelligence artificielle | Le domaine global des systèmes qui imitent des capacités humaines | Le plus large des quatre | Un moteur de recommandation, un système de détection de fraude |
| IA générative | Les modèles qui produisent du contenu nouveau | Sous-ensemble de l'IA, tous formats confondus | Un générateur d'images, un modèle de synthèse vocale |
| LLM | Un modèle d'IA générative spécialisé dans le texte | Sous-ensemble de l'IA générative | Le moteur derrière un assistant conversationnel |
| NLP | La discipline du traitement automatique du langage | Un champ de recherche, pas un modèle | Un correcteur orthographique, un analyseur de sentiment |
La couche supérieure est traitée dans l'article sur l'IA générative, du côté des autres formats de contenu.
Comment fonctionne un LLM ?
Le principe : prédire le mot suivant
Un LLM ne consulte aucune base de connaissances au moment où il répond, et il ne cherche pas la bonne réponse. Il fait une seule chose, très bien : il calcule quelle suite est la plus probable, compte tenu de tout ce qu'il a devant lui. Le clavier prédictif d'un téléphone applique le même principe en version minuscule ; le LLM le fait à une échelle sans commune mesure, ce qui suffit à produire des textes cohérents sur des pages entières.
Conséquence structurante : la qualité de la réponse dépend beaucoup moins du modèle choisi que de ce qui lui est donné en entrée. Un prompt vague produit un texte plat sur n'importe quel modèle.
Les tokens et les embeddings, expliqués simplement
Un modèle ne manipule pas des mots mais des nombres. Trois notions suffisent à comprendre ce passage.
| Notion | Ce que c'est | Ce que ça change en pratique |
|---|---|---|
| Token | Un morceau de texte : un mot court, une partie de mot long, un signe de ponctuation | Tout se compte en tokens : la longueur des messages, le poids des fichiers, le prix d'un appel par API |
| Embedding | La traduction d'un token en vecteur de nombres, qui place les termes proches par le sens à des positions voisines | C'est ce qui permet au modèle de rapprocher « facture » et « devis » sans qu'on le lui ait appris explicitement |
| Fenêtre de contexte | La quantité de tokens que le modèle peut prendre en compte en une fois | Au-delà, le modèle refuse la demande ou tronque silencieusement une partie de ce qu'on lui a donné |
L'architecture Transformer et le mécanisme d'attention
Tous les LLM actuels reposent sur une même architecture, le Transformer, introduite en 2017 par une équipe de Google dans l'article Attention is all you need. Son apport tient au mécanisme d'attention : pour chaque token à produire, le modèle pondère l'importance de tous les autres tokens de la séquence, au lieu de lire le texte strictement de gauche à droite. C'est ce qui lui permet de relier un pronom à un nom situé quinze lignes plus haut, et de traiter en parallèle ce que les architectures antérieures traitaient en série.
Ce qu'il faut en retenir : l'attention explique à la fois la cohérence des textes produits et le coût de calcul qui grimpe avec la longueur du contexte.
L'entraînement puis l'affinage (fine-tuning, RLHF)
Un LLM se construit en plusieurs temps.
- Le pré-entraînement : le modèle apprend la structure du langage en prédisant des mots masqués ou suivants sur d'énormes volumes de texte. C'est la phase la plus longue et la plus coûteuse.
- Le fine-tuning : on poursuit l'entraînement sur un corpus restreint et spécialisé pour orienter le modèle vers un domaine ou un format de réponse.
- Le RLHF (apprentissage par renforcement à partir de retours humains) : des évaluateurs comparent des réponses, et ces préférences servent à rendre le modèle plus utile, plus sûr et plus conforme aux attentes.
C'est cette troisième phase qui sépare un modèle brut, capable de compléter du texte mais pénible à utiliser, d'un assistant qui suit des consignes.
La fenêtre de contexte : ce que le modèle « voit »
La fenêtre de contexte est la mémoire de travail du modèle : instructions permanentes, documents fournis, historique de la conversation et réponse en cours de production. Sa limite est propre à chaque modèle et évolue à chaque génération : une valeur à vérifier au moment de l'usage, jamais à mémoriser.
Deux réflexes évitent la plupart des déconvenues : découper un long document plutôt que de tout envoyer d'un bloc, et repartir d'une conversation neuve quand un échange s'étire.
À quoi sert un LLM concrètement ?
Générer et reformuler du texte
C'est l'usage le plus immédiat : rédiger un premier jet, reformuler, adapter un ton, traduire, corriger. Le bon cadre mental est simple : le modèle produit le brouillon, la personne garde le jugement. Les gains de temps sont vérifiables dès la première semaine, à condition de donner du contexte plutôt qu'une consigne de six mots. Les usages concrets de l'IA générative vont d'ailleurs bien au-delà du texte.
Résumer et analyser un document
Deuxième usage à forte valeur : transformer un document long en objet de décision. Un contrat ou un rapport d'activité devient une liste de points saillants, de risques ou de questions à poser. La règle de prudence tient en une phrase : le modèle synthétise, il ne valide rien.
Répondre à partir de données internes (RAG)
Un LLM ne connaît pas les documents d'une organisation. Pour qu'il réponde sur des données internes, on utilise le RAG (retrieval augmented generation, génération augmentée par la recherche) : les documents sont découpés, convertis en embeddings et stockés ; à chaque question, les passages les plus proches sont retrouvés puis glissés dans la fenêtre de contexte, et le modèle rédige sa réponse à partir d'eux.
L'intérêt est double : les réponses s'appuient sur des sources identifiables, et aucun réentraînement n'est nécessaire quand un document change. C'est le mécanisme derrière la plupart des assistants internes en entreprise.
Servir de moteur de raisonnement à un agent
Un LLM seul produit du texte. Couplé à des outils qu'il peut déclencher, il devient le moteur de décision d'un agent IA : il choisit l'action, appelle l'outil, lit le résultat et poursuit. L'accès aux modèles depuis un outil d'automatisation passe presque toujours par une API, ce qui permet de les brancher dans un scénario sans développement lourd.
La démonstration ci-dessous montre le passage du modèle à l'agent, sur un cas monté de zéro et sans code.
Quels sont les grands LLM et lequel choisir ?
Les principaux modèles du marché
Les familles ci-dessous sont volontairement décrites sans numéro de version : les versions changent plusieurs fois par an, les positionnements bien moins souvent.
| Famille de modèles | Éditeur | Ouvert ou propriétaire | Positionnement |
|---|---|---|---|
| GPT | OpenAI | Propriétaire | Écosystème le plus large, très forte notoriété grand public |
| Gemini | Propriétaire | Intégration native dans les outils bureautiques Google | |
| Claude | Anthropic | Propriétaire | Réputé sur les textes longs et la rédaction soignée |
| Mistral | Mistral AI | Plusieurs modèles en poids ouverts | Éditeur français, hébergement européen, déploiement privé possible |
| Llama | Meta | Poids ouverts | Référence de l'écosystème auto-hébergé et de la recherche |
Modèles propriétaires, ouverts et auto-hébergés
Trois régimes coexistent, et le choix se joue sur l'arbitrage entre simplicité et maîtrise.
- Propriétaire : rien à installer et la meilleure qualité en général, mais les données transitent chez l'éditeur et le modèle peut changer sans préavis.
- À poids ouverts : le modèle est téléchargeable et exécutable ailleurs que chez son éditeur. « Ouvert » ne veut pas dire « libre de tout usage » : les licences se lisent.
- Auto-hébergé : le modèle tourne sur une infrastructure maîtrisée, ce qui répond aux exigences de confidentialité les plus strictes, au prix de compétences internes réelles.
Par quel LLM commencer selon son besoin
Pour un premier usage, le critère utile n'est pas la performance brute mais l'endroit où le travail se fait déjà.
- Travail dans la suite Google : le modèle intégré évite tout copier-coller.
- Rédaction longue et analyse de documents : un modèle réputé sur la tenue du texte long.
- Données sensibles ou hébergement européen : un éditeur européen avec déploiement privé.
- Recherche à jour et sourcée : un modèle seul ne suffit pas, il faut un outil qui cite ses sources.
Cette grille bouge tous les six mois : raison de plus de ne pas s'attacher à un modèle. Pour la comparaison outil par outil, le hub outils LLM et IA générative tient la sélection à jour, ce que cette page ne fait pas volontairement.
Les limites d'un LLM
Pourquoi il invente (hallucinations)
Une hallucination est une réponse fausse énoncée avec assurance. Ce n'est pas un bug : c'est la conséquence directe du mécanisme. Le modèle produit la suite la plus plausible, et quand il ne sait pas, il produit quand même quelque chose qui ressemble à une bonne réponse. Cela concerne tous les modèles, y compris les plus coûteux.
La parade est méthodologique : demander les sources, faire porter la demande sur un document fourni plutôt que sur la mémoire du modèle, et vérifier chiffres, dates, noms et références juridiques.
Ce qu'il ne sait pas faire
- Garantir un fait : ce n'est ni une source, ni un moteur de recherche, ni une base documentaire.
- Calculer de façon fiable sans outil dédié : prédire du texte n'est pas de l'arithmétique.
- Connaître l'actualité postérieure à son entraînement, sauf recherche en ligne activée.
- Décider : il propose, il n'arbitre pas et n'assume aucune responsabilité.
Données, confidentialité et dépendance au modèle
Trois points de vigilance avant tout déploiement. La confidentialité : ce qui entre dans un modèle en ligne sort de l'organisation, il faut donc trancher en amont quelles données sont admissibles. La traçabilité : sans sources, une réponse n'est pas auditable, ce qui est disqualifiant sur un sujet réglementaire. La dépendance : bâtir un processus critique sur un modèle unique expose à un changement de tarif ou de comportement. Prévoir la réversibilité coûte peu au départ, très cher ensuite.
Comprendre les LLM, puis s'en servir : l'approche Alegria.group
Dans les échanges quotidiens avec des dirigeants, des consultants et des responsables informatiques, le blocage n'est presque jamais technique. Il est lexical. Un consultant résumait son point de départ ainsi : il ne savait même pas ce qu'il était possible de faire, ce qui rendait toute décision d'investissement floue. Un autre, à la tête d'une agence, disait ne pas savoir jusqu'où il était possible d'aller en matière d'automatisation et d'agents. Un cabinet, lui, utilisait déjà un assistant conversationnel payant au quotidien, sans cadre d'usage. Le vocabulaire manque, donc les cas d'usage restent invisibles.
Comprendre qu'un LLM prédit du texte, que tout passe par des tokens, que la fenêtre de contexte a une limite et que les hallucinations sont structurelles, c'est déjà savoir quoi lui confier et quoi ne jamais lui confier.
Alegria.group accompagne cette montée en compétence sur plus de 600 projets et 11 000 personnes formées, avec une approche qui combine conseil, formation et exécution. L'IA n'est pas un sujet technique, c'est un sujet humain et stratégique. Pour passer de la compréhension à la pratique, la formation à l'IA d'Alegria.academy part précisément de ce niveau : aucun prérequis technique, des cas d'usage applicables dès la fin de la session.
