AI Plan
AI Build
AI Run
AI ChangeSolutionDiagnostic Data & IA
Évaluez votre maturité et construisez une roadmap priorisée.
Découvrir le diagnostic Retour à l’Académie IA
Académie IA · LLM
Qu’est-ce qu’un LLM (Large Language Model) ?
Un LLM est un modèle d’intelligence artificielle entraîné sur de très grands volumes de texte pour traiter et générer du langage. Il constitue le moteur de nombreux assistants, mais sa valeur dépend du contexte, des outils, des données et du workflow dans lesquels il est intégré.
Définition 30 sec
Un Large Language Model, ou grand modèle de langage, apprend les régularités statistiques du texte afin de comprendre une consigne et de générer une suite de tokens. Un LLM peut rédiger, résumer, extraire, classer, traduire ou raisonner sur des informations, sans constituer à lui seul une application métier complète.
Comprendre
Un LLM transforme le langage en représentations numériques et apprend à prédire les suites les plus plausibles. Grâce à l’échelle de l’entraînement et à l’architecture Transformer, cette tâche produit des capacités très générales : suivre des instructions, reformuler, écrire du code ou analyser des documents.
Le modèle ne fonctionne toutefois pas comme une base de connaissances garantie. Ses réponses dépendent de ses données d’entraînement, du prompt, du contexte disponible et des réglages de génération. Il peut halluciner, ignorer une contrainte ou être excellent sur une tâche et médiocre sur une autre.
Il n’existe pas de « meilleur modèle » universel. Performance, coût, latence, sécurité, hébergement et aptitude à une tâche précise doivent être arbitrés. En production, le LLM est une brique d’un système composé de données, d’orchestration, d’outils, d’évaluations et de contrôles.
La fenêtre de contexte détermine la quantité d’information que le modèle peut prendre en compte lors d’une requête, sans garantir qu’il utilisera correctement chaque élément. Ajouter davantage de texte peut diluer les instructions importantes, augmenter le coût et compliquer la vérification. Le travail de sélection du contexte reste donc central.
Il faut également distinguer taille du modèle et qualité du système. Un modèle plus grand peut améliorer certaines tâches tout en dégradant latence, coût ou souveraineté. À l’inverse, un modèle plus petit, correctement spécialisé et alimenté, peut être préférable pour une étape répétitive et bien définie.
Comment ça fonctionne ?
Le texte est d’abord découpé en tokens. Chaque token est converti en vecteur, puis traité par les couches du Transformer, dont le mécanisme d’attention met en relation les éléments du contexte.
Après un pré-entraînement sur de grands corpus, le modèle est généralement ajusté pour suivre des instructions et produire des réponses plus utiles. Lors d’une requête, il calcule une distribution de probabilité sur le prochain token, en sélectionne un, puis répète l’opération.
Dans un système d’entreprise, cette boucle est entourée de composants : prompt, RAG, appels d’outils, règles, mémoire, filtres, cache, évaluation et supervision. Plusieurs modèles peuvent être routés selon la tâche au lieu d’imposer le même à tous les usages.
Exemple concret
Une entreprise automatise le traitement de documents entrants. Un modèle rapide et économique peut classer les pièces et extraire les champs simples. Les cas ambigus sont envoyés à un modèle plus performant, puis certaines décisions sont soumises à validation humaine.
Cette architecture part du besoin : le choix du LLM varie selon le niveau de difficulté, la latence acceptable, le coût et le risque, plutôt que selon un classement généraliste.
Pourquoi c’est important pour les entreprises ?
Les LLM abaissent fortement le coût d’interaction avec des informations non structurées. Ils permettent d’intégrer le langage naturel à la recherche, à l’analyse documentaire, au support, à la création de contenu ou à l’usage de logiciels.
La dépendance à un modèle unique peut toutefois fragiliser coûts, disponibilité, conformité et pouvoir de négociation. Une entreprise mature évalue les modèles sur ses propres cas, conçoit des mécanismes de remplacement et mesure la qualité du système complet.
Le choix du modèle reste important, mais il est rarement suffisant. La création de valeur dépend davantage du workflow, du contexte métier, de l’intégration, de l’adoption et du pilotage dans la durée.
La stratégie de portefeuille devient importante lorsque les capacités évoluent rapidement. Des évaluations internes permettent de comparer régulièrement les modèles et de router les tâches vers la solution adaptée. Cette approche réduit le verrouillage et évite de reconstruire chaque application lors d’un changement de fournisseur.
L’organisation doit enfin suivre les données envoyées, les engagements contractuels, les versions et les limites connues. Le LLM est un composant mouvant : son exploitation exige une discipline de produit et d’opérations, pas seulement un choix initial.