Premiers pas avec l'IA : Comprendre pour ne pas subir

Comprendre l’intelligence artificielle aujourd’hui : repères pour tout public

1. Introduction : pourquoi comprendre l’IA maintenant ?

En quelques années, l’intelligence artificielle (IA), et en particulier l’IA générative (ChatGPT, Claude, Gemini, Mistral, etc.), est passée des laboratoires de recherche à la vie quotidienne : assistance rédactionnelle, recherche d’information, traduction, création d’images, d’audio ou de vidéo, outils de bureau, applications mobiles. Cette diffusion très rapide crée à la fois de nouvelles possibilités (gain de temps, créativité, accessibilité) et de nouvelles questions (fiabilité, biais, protection des données, impact sur l’emploi et la démocratie).[1][2][3][4]

Pour les citoyens, les professionnels et les bénévoles, il devient essentiel de disposer de repères clairs : savoir ce qu’est (et n’est pas) une IA, ce qu’une IA générative et un grand modèle de langage (LLM) font réellement, qui sont les principaux acteurs et quelles sont leurs logiques, et comment manipuler un LLM en gardant un regard critique sur ses réponses.[2][5][^6]

Ce rapport vise à servir de support à une formation grand public avec quatre objectifs :

Définir ce qu’est une IA, une IA générative, un grand modèle de langage (LLM).

Distinguer ce qu’une IA peut faire de ce qu’elle simule.

Identifier les principaux acteurs de l’écosystème et leurs logiques.

Manipuler un LLM en direct, observer son fonctionnement et ses limites.

2. Définir IA, IA générative et grands modèles de langage (LLM)

2.1. Qu’est‑ce que l’intelligence artificielle ?

Il n’existe pas de définition unique de l’IA, mais la plupart des organismes convergent sur l’idée qu’il s’agit de systèmes informatiques capables de réaliser des tâches qui nécessitent habituellement une forme d’intelligence humaine : reconnaître des images ou des sons, comprendre et générer du langage, planifier des actions, faire des recommandations, etc.[7][8]

Sur le plan technique, ces systèmes reposent surtout aujourd’hui sur l’apprentissage automatique (machine learning) et, pour les systèmes les plus avancés, sur l’apprentissage profond (deep learning) via de grands réseaux de neurones. Ces réseaux apprennent des schémas à partir de grandes quantités de données (images, textes, enregistrements audio, etc.) plutôt que d’être explicitement programmés règle par règle.[8][7]

2.2. Qu’est‑ce qu’une IA générative ?

L’IA générative désigne une famille de modèles capables de générer du contenu nouveau : texte, code, images, sons, vidéos, à partir de consignes (prompts) fournies par l’utilisateur. Il s’agit de modèles dits « génératifs » : au lieu de se limiter à classer ou à prédire une valeur, ils produisent des séquences entières de texte ou des images inédites.[4][1][^7]

Un rapport de Stanford sur les « modèles de fondation » et des définitions vulgarisées rappellent qu’un modèle génératif de ce type est :[^1]

un grand réseau de neurones profond entraîné sur une masse très importante de données (souvent collectées sur le web) ;

capable de capturer des régularités (syntaxiques, sémantiques, visuelles, sonores) pour recomposer des contenus nouveaux qui respectent ces régularités ;

utilisable comme base (foundation) pour d’autres applications (chatbots, assistants, outils spécialisés).

2.3. Qu’est‑ce qu’un grand modèle de langage (LLM) ?

Les grands modèles de langage – ou LLM (Large Language Models) – sont une sous‑famille d’IA génératives spécialisées dans le langage. Ce sont des réseaux neuronaux de très grande taille (parfois des dizaines ou centaines de milliards de paramètres), entraînés sur des volumes massifs de textes (livres, articles, pages web, forums, etc.).[9][7][8][1]

Selon plusieurs synthèses (IBM, Elastic, guides spécialisés), un LLM :[7][8][^9]

est entraîné à prédire le mot suivant dans une phrase compte tenu des mots précédents (modèle probabiliste) ;

peut ensuite être adapté pour réaliser de nombreuses tâches de traitement du langage naturel (NLP) : génération de texte, traduction, résumé, réponse à des questions, classification de texte, analyse de sentiments, etc. ;

est généralement construit sur une architecture dite Transformer, particulièrement efficace pour traiter des séquences de mots.

Importante nuance : tous les LLM sont des IA génératives, mais toutes les IA génératives ne sont pas des LLM. Par exemple, DALL·E ou Midjourney sont des IA génératives d’images, pas des modèles de langage.[^7]

3. Ce qu’un LLM fait vraiment… et ce qu’il simule

3.1. Un modèle statistique, pas une « base de connaissances » classique

La CNIL insiste sur le fait que les modèles génératifs ne sont pas des bases de connaissances au sens traditionnel : ils ne stockent pas des « fiches » mais apprennent des distributions statistiques de séquences. Concrètement, un LLM calcule, à chaque étape, le mot (ou token) le plus probable compte tenu de tout ce qu’il a vu pendant l’entraînement et du texte produit jusqu’ici.[10][2][^7]

Les contenus générés par l’IA sont donc des recompositions statistiques des textes sur lesquels le modèle a été entraîné : ils paraissent souvent cohérents parce qu’ils reproduisent des schémas linguistiques et argumentatifs appris, mais ils ne résultent pas d’un « raisonnement » au sens humain du terme.[5][10]

3.2. Hallucinations et erreurs plausibles

Les LLM peuvent produire des réponses factuellement fausses mais très plausibles, qu’on appelle « hallucinations » : inventer des références, attribuer des citations à de mauvaises personnes, décrire des faits inexistants, se tromper sur des dates ou des chiffres.[3][2][^5]

Des travaux de recherche montrent que ces hallucinations peuvent être fréquentes dans certains domaines (juridique, médical, technique) : une étude sur des questions juridiques spécifiques a par exemple trouvé des taux d’hallucinations de 69% à 88% selon les modèles testés. D’autres analyses soulignent que, même avec des modèles récents, il est impossible de supprimer complètement ces phénomènes en raison des limites fondamentales de la modélisation statistique et de la quantité de connaissances nécessaires.[11][5]

3.3. Ce que l’IA peut faire de manière fiable

Malgré ces limites, l’IA et les LLM sont très performants pour :

reformuler et synthétiser des textes, en respectant un style ou un niveau de langue ;

générer des premiers jets de contenus (mails, plans de documents, idées d’animation) à retravailler ;

aider à la traduction ou à l’explication de concepts ;

identifier des schémas dans de grandes masses de texte (classer, résumer, repérer des thèmes récurrents).[8][9][^7]

Il est plus sûr de les utiliser pour des tâches où une erreur n’est pas critique et où un humain peut relire et corriger (soutien à la rédaction, aide aux idées) que pour des décisions lourdes (diagnostic médical, décisions juridiques, évaluation automatique de personnes) sans contrôle humain.[6][2][^3]

3.4. Ce que l’IA simule (et ne fait pas vraiment)

Dans une formation grand public, il est utile de souligner que l’IA :

ne comprend pas les textes comme un humain : elle manipule des symboles statistiques ;

ne « sait » pas si ce qu’elle dit est vrai ou faux : elle n’a pas d’accès direct au monde réel, seulement aux données d’entraînement ;[2][5]

n’a pas de conscience, d’intentions ou d’émotions : lorsqu’elle « simule » de l’empathie ou de l’humour, elle reproduit des schémas ;

n’a pas de sens moral propre : les garde‑fous éthiques (refus de répondre à certaines questions, formulation prudente) sont programmés par ses concepteurs.[3][6]

Distinguer ce qu’elle fait (calculer des probabilités, recomposer des textes) de ce qu’elle simule (compréhension, empathie, expertise) est central pour éviter les projections anthropomorphiques.

4. L’écosystème des acteurs de l’IA générative et leurs logiques

4.1. Grands acteurs internationaux

Le marché de l’IA générative s’est structuré autour d’un petit nombre d’acteurs dominants :

OpenAI (États‑Unis) : créateur de GPT‑4/o et de ChatGPT, souvent perçu comme pionnier des assistants conversationnels grand public.[12][13][^4]

Google DeepMind / Google AI : développe la famille Gemini (modèles multimodaux intégrés à la recherche Google, à Workspace, à Android), et reste un acteur majeur de la recherche fondamentale.[14][12][^4]

Anthropic : éditeur de Claude, positionné sur la sécurité, la réduction des risques et le « long contexte » (capacité à prendre en compte de longs documents).[12][14][^4]

Meta AI : à l’origine des modèles Llama, mis à disposition sous licences open source, ce qui favorise un écosystème de réutilisation et d’adaptation.[14][4][^12]

Microsoft : partenaire d’OpenAI, intègre les modèles GPT à ses services (Copilot dans Office, Azure OpenAI Service, etc.).[4][14]

Acteurs chinois : Baidu (ERNIE), Alibaba (Qwen), Tencent (Hunyuan), DeepSeek jouent un rôle important en Asie et dans le développement de modèles multilingues et localisés.[15][14][^4]

Autres acteurs : Mistral AI (France, champion européen), Cohere, Hugging Face (plateforme open source et hub de modèles), etc.[15][14][^4]

Ces entreprises proposent des modèles de texte, d’image, de vidéo, d’audio, souvent via des plateformes cloud ou des API, et sont au cœur des enjeux économiques, réglementaires et géopolitiques autour de l’IA.[14][4]

4.2. Acteurs spécialisés par type de contenu

Pour l’IA générative :[^4]

Texte / assistants conversationnels : ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Mistral Large, Llama, DeepSeek, Qwen.[^4]

Image : Midjourney, DALL·E 3 (OpenAI), Stable Diffusion (Stability AI), FLUX‑1 (Black Forest Labs).[^4]

Vidéo : Sora (OpenAI), Veo (Google), Runway Gen‑3, Kling (Baidu).[^4]

Audio : ElevenLabs, Suno, Udio.[^4]

Ces acteurs se positionnent sur des modèles économiques différents (abonnements, crédits, offres cloud, open source, freemium), et leurs logiques oscillent entre :

recherche de parts de marché et d’effet de réseau (capturer un maximum d’utilisateurs et de données) ;

intégration à des écosystèmes existants (bureautique, cloud, réseaux sociaux) ;

différenciation par la sécurité, la conformité réglementaire ou l’open source.[14][4]

4.3. Logiques économiques et enjeux de concentration

Des analyses récentes soulignent que la course à l’IA renforcent la concentration économique autour d’un petit nombre de géants, du fait :[15][14][^4]

du coût très élevé de l’entraînement des plus grands modèles (infrastructures, énergie, données, talents), accessible seulement aux très grandes entreprises ;

du contrôle des plateformes de distribution (cloud, app stores, suites logicielles) ;

de l’avantage lié aux données (grandes bases d’utilisateurs, contenus accumulés).

Cette concentration pose des questions de concurrence, de souveraineté numérique et de diversité des solutions, ce qui alimente les débats sur les régulations (AI Act, DMA, DSA, etc.) et sur l’importance de soutenir des alternatives open source ou locales.[9][4]

5. Manipuler un LLM en direct : observer son fonctionnement et ses limites

5.1. Intérêt pédagogique de la manipulation en direct

Dans une formation tout public, manipuler un LLM en direct (via une interface web ou intégrée à un service) permet de :

rendre concrètes les notions abordées (prompt, contexte, génération, hallucinations) ;

montrer comment la qualité de la réponse dépend fortement de la qualité du prompt ;

faire apparaître les limites et les biais de façon tangible, à partir d’exemples proposés par les participants.[6][2]

Des universités et structures de médiation scientifique recommandent cette approche expérimentale pour faire comprendre que l’IA ne « sait » pas, mais calcule, en observant comment des variations de consigne modifient les réponses.[10][6]

5.2. Protocole simple d’atelier de manipulation

Une séance de manipulation en direct peut être structurée en quatre temps :

Découverte

Montrer l’interface d’un LLM (chat) et les éléments de base : zone de prompt, historique, paramètres.

Faire une première question très générale (« Explique‐moi ce qu’est l’IA générative ») et discuter du résultat.

Amélioration du prompt

Reformuler la consigne en précisant le rôle, le contexte, la tâche et le format (structure de type RCTF) pour obtenir une réponse plus adaptée à un public cible.[16][17]

Comparer les deux réponses.

Recherche de limites et d’hallucinations

Proposer des questions sur des sujets peu documentés, très récents, ou demander des références précises (articles, lois) pour voir comment le modèle peut inventer des éléments.[5][11][2][6]

Demander au modèle de justifier ses réponses et observer s’il reconnaît ses erreurs quand on les pointe.

Analyse critique

Débriefer : qu’est‑ce qui semble bien fonctionner ? qu’est‑ce qui pose problème ? dans quels cas peut‑on s’appuyer sur l’IA, dans quels cas faut‑il s’en méfier ?[2][3][^6]

5.3. Points d’observation à suggérer au public

Pendant la manipulation, on peut inviter les participants à observer :

la fluidité et la cohérence apparente de la réponse (qui peut donner un sentiment de fiabilité) ;

les erreurs factuelles ou approximations, surtout sur des sujets précis ;[11][5][^3]

les biais potentiels (stéréotypes de genre, d’origine, de classe) dans des exemples, des descriptions ou des recommandations ;

la manière dont le modèle gère les questions sensibles (santé, politique, violence) : refus, réponses prudentes, etc., qui reflètent les garde‑fous définis par ses concepteurs.[3][6]

Ces observations permettent d’ancrer l’idée que l’IA est un outil puissant mais limité, qui doit être utilisé avec discernement et complété par d’autres sources d’information.

6. Conclusion : vers une culture générale de l’IA

Comprendre ce qu’est une IA, une IA générative et un grand modèle de langage, ainsi que les capacités et limites de ces systèmes, est une nouvelle composante de la culture générale. Dans un contexte où quelques acteurs dominent l’écosystème mondial, où les modèles se diffusent dans toutes sortes de services, et où les usages s’intensifient, il est crucial que les citoyens puissent :[1][8][9][7]

distinguer ce qui relève de la simulation d’intelligence (calcul statistique, imitation de style) d’une vraie compréhension du monde ;

identifier les enjeux économiques et politiques liés à la concentration des acteurs ;[14][4]

développer des réflexes critiques lorsqu’ils interagissent avec des LLM (qualité des prompts, vérification, conscience des biais et des hallucinations).[5][6][2][3]

Une formation structurée autour de ces repères – définitions, distinction capacités/simulations, panorama d’acteurs, manipulation en direct – constitue une base solide pour entrer dans une démarche d’éducation à l’IA et, plus largement, d’éducation aux médias et à l’information à l’ère des systèmes génératifs.

7. Webographie commentée

7.1. Définitions et fonctionnement de l’IA générative et des LLM

Wikipédia – Intelligence artificielle générative : article de synthèse définissant l’IA générative, les modèles de fondation et le lien avec les LLM.

Elastic – Que sont les grands modèles de langage (LLMs) ? : explication vulgarisée du fonctionnement des LLM, des tâches NLP et du lien avec l’IA générative.

IBM – Qu’est‑ce qu’un LLM ? : présentation technique et vulgarisée des LLM, de l’architecture Transformer et des usages.

STEMAPartners – Modèle LLM : guide 2026 usages et pratiques : guide sur le fonctionnement, les usages et les enjeux des LLM, avec une perspective stratégique.

Université Rennes 2 – Fonctionnement de l’IA générative : ressource pédagogique expliquant que les contenus générés sont des recompositions statistiques des données d’entraînement.

7.2. Limites, biais et hallucinations

CNIL – Questions‑réponses sur l’utilisation d’un système d’IA générative : mise au point sur la logique probabiliste des modèles, les risques d’hallucinations et les biais.

Rapport CNPEN/CCNE – Systèmes d’IA générative : enjeux d’éthique : analyse des risques d’hallucinations, d’erreurs et de biais dans les LLM.

Étude sur les « hallucinations légales » (ActuIA) : article de vulgarisation sur une étude montrant des taux élevés d’hallucinations des LLM sur des questions juridiques.

Rapport technique sur les limites et contraintes des LLM : analyse plus approfondie des causes et de la nature des hallucinations, et des limites fondamentales des modèles.

7.3. Panorama des acteurs et de l’écosystème IA générative

ActuIA – IA générative : panorama 2026 des usages, acteurs et enjeux : vue d’ensemble des principaux modèles et acteurs (texte, image, vidéo, audio) en 2026.

Conférence « Panorama de l’IA générative en 2025 » : présentation des grands acteurs (OpenAI, Google, Anthropic, Meta, Mistral) et de leurs produits.

Vidéo « Top 8+ des géants de l’IA 2025 » : analyse des principaux acteurs (Google DeepMind, OpenAI, Meta, Microsoft, Amazon, NVIDIA, Baidu, Tencent, Alibaba, Anthropic, Cohere, Mistral, Hugging Face).

Articles sur les « IA stars » et les classements 2025 : classements des modèles les plus performants (Claude, Gemini, GPT, Qwen, Mistral) et analyses des positionnements.

Exemple :

7.4. Ressources pédagogiques pour la manipulation en direct

Ressources universitaires et MOOC sur l’IA générative : proposent souvent des démonstrations de LLM en direct avec scénarios d’exploration.

Exemple (STAPS Rennes 2) :

Vidéos de vulgarisation sur les limites des LLM : expliquent avec des exemples concrets hallucinations, biais et problèmes de contexte.

Exemple :

Guides pratiques de prompt engineering : proposent des structures de prompts (RCT/RCTF) et des exemples de manipulation d’IA générative.

Exemple : (pour les images) et divers guides sur les prompts.[18][17][^16]

References

- L'absence de biais éventuels, par exemple de biais discriminatoires qui pourraient notamment résulte...

- Quels sont les principaux outils d'IA générative en 2026 ? Pour le texte : ChatGPT (OpenAI), Claude ...

- ... limites fondamentales des LLMs avec rigueur et exemples concrets. Dans cette vidéo : ✓ Pourquoi ...

- À la base, un grand modèle de langage (LLM) est un modèle entraîné à l'aide d'algorithmes de deep le...

- Les grands modèles de langage sont des systèmes d'IA conçus pour traiter de vastes quantités de donn...

- Explorez le modèle LLM : fonctionnement, choix open-source ou SaaS, cas d'usage rentables et exigenc...

- Définition : statistique de la distribution d'unité linguistiques (par exemple : lettres, phonèmes, ...

- « Hallucinations légales » : des chercheurs mettent en lumière les erreurs des LLMs dans le domaine ...

- Notre objectif : vous donner les clés pour naviguer dans l’écosystème de l’IA générative et choisir ...

- Découvrez les meilleures IA génératives de 2025 : classement, innovations et conseils pour tirer pro...

- Classement clair et argumenté des Top 8+ géants de l’IA en 2025 : qui mène vraiment ? On décortique ...

- Une domination renouvelée ou une révolution dans le monde de l’intelligence artificielle en 2025 Le ...

- Ce guide enseigne comment maîtriser le 'Prompt Engineering' pour optimiser les réponses de l'IA en s...

- Maîtrisez le Prompt Engineering pour obtenir des résultats professionnels avec l'IA. Techniques, str...

- Vous avez généré une image avec Midjourney ou DALL-E pour illustrer un article, une miniature YouTub...