ChatGPT, Claude, Gemini, Copilot… derrière tous ces noms se cache la même bête : un LLM, pour Large Language Model — grand modèle de langage. On l’utilise tous les jours, on lui confie du code, des mails, des décisions. Mais au fond, qu’est-ce que c’est ? Une base de connaissances ? Un cerveau ? De la magie ?

Bonne nouvelle : le principe tient en une phrase, et une fois qu’on l’a compris, tout le reste — les hallucinations, le prix, les limites — devient évident. Vous allez voir : c’est pas sorcier.

L’image à garder en tête : une autocomplétion géante

Vous connaissez la suggestion de mot suivant sur le clavier de votre téléphone ? Vous tapez « Je rentre à la… » et il propose « maison ». Il ne comprend rien : il a juste vu des millions de phrases et sait quel mot vient souvent après.

Un LLM, c’est exactement ça — mais qui aurait lu presque tout ce que l’humanité a écrit. Des livres, du code, des forums, des articles. À cette échelle, deviner « le mot suivant » cesse d’être un gadget et se met à ressembler à de l’intelligence.

C’est toute l’idée. Le reste, ce sont les détails — et ils sont passionnants.

Au fond, ça fait quoi ? Il devine le token suivant

Donnez ce début à un modèle : « Le ciel est ». Il ne va pas « chercher » la réponse dans une base. Il va calculer, pour chaque mot possible, une probabilité d’être le suivant :

Le ciel est →   bleu   (72 %)
                gris   (11 %)
                dégagé  (6 %)
                …

Il choisit (souvent le plus probable), ajoute le mot, et recommence avec « Le ciel est bleu », puis encore, mot après mot — ou plus exactement token après token. C’est ça, la prédiction du token suivant.

Retenez bien ceci, car tout en découle : un LLM ne récite pas des faits, il calcule le texte le plus plausible. La plupart du temps, plausible = correct. Parfois, non — on y revient.

Comment il a « appris » ? L’entraînement

Un LLM est un réseau de neurones : un très gros programme rempli de milliards de petits réglages internes, appelés paramètres (ou poids).

Pendant l’entraînement, on lui montre des quantités colossales de texte en lui faisant jouer, encore et encore, au jeu du mot caché : « Le chat boit du ___ ». À chaque erreur, on ajuste très légèrement ses milliards de réglages pour qu’il se trompe un peu moins la fois suivante. Répétez des milliards de fois : il finit par « intérioriser » la grammaire, des faits, des styles, des raisonnements.

Deux choses essentielles à comprendre :

• Il ne stocke pas les textes comme une bibliothèque. Il en garde une sorte d’intuition statistique diffuse dans ses paramètres. C’est pour ça qu’il peut écrire des phrases inédites — mais aussi pourquoi il ne « connaît » rien de précis à la virgule près.
• Entraîner ≠ utiliser. L’entraînement est une phase unique, longue et hors de prix (des mois, des millions). Ensuite, chaque fois que vous lui parlez, c’est de l’inférence : on fait juste tourner le modèle déjà entraîné. Il n’apprend pas de votre conversation.

Pourquoi c’est bluffant… et pourquoi ça se trompe

À force d’échelle, des capacités émergent : traduire, résumer, coder, raisonner par étapes. Personne ne les a programmées explicitement — elles sont apparues en apprenant à prédire du texte. C’est ce qui rend les LLM si polyvalents.

Mais la même mécanique explique leurs travers :

• Les hallucinations. Puisqu’il produit du texte plausible et non vérifié, un LLM peut inventer une citation, une fonction, une date — avec un aplomb total. Ce n’est pas un mensonge : c’est le mot le plus probable, tout simplement.
• Une connaissance figée. Il ne sait que ce qu’il a vu à l’entraînement (sa date de coupure). Sans outil pour aller chercher l’info fraîche, il ignore ce qui s’est passé depuis.
• Pas de vraie base de faits. Il n’a « ni Google, ni calculatrice » par défaut — juste ses intuitions. D’où l’intérêt de lui fournir le contexte (voir le RAG) plutôt que de compter sur sa mémoire.

Ce que ça change concrètement pour vous

Voir le LLM comme un moteur de texte probabiliste — et non comme un oracle — change tout de suite la façon de s’en servir :

• Soyez précis. Le modèle complète ce que vous donnez : un prompt clair et contextualisé produit une bien meilleure suite.
• Donnez-lui les faits. Pour une réponse fiable sur vos données, fournissez-les dans le contexte plutôt que d’espérer qu’il les « connaisse ».
• Vérifiez ce qui compte. Sur un fait, un chiffre, un bout de code critique : contrôlez. Le plausible n’est pas le vrai.
• Choisissez le bon réglage. Besoin de créativité ou de rigueur ? C’est le rôle de la température.

Le LLM en 5 idées

Idée	En clair
Ce qu’il fait	Il devine le token suivant, encore et encore — une autocomplétion géante
Comment il a appris	En ajustant des milliards de paramètres sur d’énormes textes (l’entraînement)
Ce qu’il garde	Une intuition statistique, pas une base de faits exacte
Pourquoi il se trompe	Il produit du plausible, pas du vérifié → hallucinations
Comment bien s’en servir	Être précis, fournir le contexte, vérifier l’important

En résumé

Un LLM n’est ni un cerveau, ni une encyclopédie, ni de la magie : c’est une autocomplétion extraordinairement douée, entraînée à deviner la suite d’un texte. Tout le génie — et tous les pièges — vient de là.

Gardez cette image en tête, et l’IA cesse d’être une boîte noire intimidante. Parce que, au fond… c’est pas sorcier.

Un mot vous échappe ? Le glossaire définit tous les termes IA, en clair.