L'IA générative et les grands modèles de langage
Partie 3 sur 3
5Bien s’en servir
5.1Écrire de bonnes consignes
La qualité d’une réponse dépend beaucoup de la consigne. Quelques principes simples améliorent nettement les résultats :
- donner le contexte : qui l’on est, à qui s’adresse le texte, à quoi il servira ;
- être précis sur la tâche et le format : longueur, ton, structure, langue, éléments à inclure ou à éviter ;
- fournir des exemples du résultat attendu, quand c’est possible ;
- fournir les documents sur lesquels la réponse doit s’appuyer, plutôt que compter sur la mémoire du modèle ;
- demander de signaler l’incertitude et de distinguer ce qui vient des documents fournis de ce qui vient de ses connaissances générales ;
- itérer : relire, corriger, demander des modifications, comme avec un collaborateur.
Les applications professionnelles ajoutent une consigne système, invisible pour l’utilisateur, qui fixe le rôle, le ton et les règles de l’assistant, et peuvent lui donner accès à des outils : moteur de recherche, calculatrice, exécution de code, bases de données, logiciels de l’entreprise. Combinés à la récupération de documents (voir le RAG) et à la capacité d’enchaîner des actions (voir les agents d’IA), ces outils transforment le modèle en véritable assistant de travail.
5.3Des usages très variés
Quelques exemples d’usages courants, du quotidien à l’entreprise :
- écrire : brouillons de courriels, de rapports, de lettres, reformulation d’un texte trop long ou trop technique, correction de l’orthographe et du style ;
- comprendre : résumé d’un long document, explication d’une notion à son niveau, questions sur un contrat ou une notice, préparation d’un examen par des questions et réponses ;
- traduire : textes, documents entiers, conversations orales en temps réel ;
- programmer : écriture, explication et correction de code, rédaction de tests, migration d’un langage à un autre (voir programmer avec l’IA) ;
- analyser : extraction d’informations de factures ou de formulaires, classement de messages, analyse d’un tableau de données avec exécution de code ;
- créer : illustrations, maquettes, présentations, musique, voix off ;
- rendre accessible : description d’images pour les personnes aveugles ou malvoyantes, sous-titrage, simplification de textes administratifs.
Dans chaque cas, la valeur vient de la combinaison entre la rapidité de la machine et le jugement de la personne qui l’utilise : savoir ce que l’on veut obtenir, fournir le bon contexte, relire et décider.
5.2Choisir un modèle
Les modèles diffèrent par leurs capacités, leur prix, leur vitesse, leur fenêtre de contexte et leurs conditions d’utilisation. On distingue les modèles fermés, accessibles seulement par le service de leur éditeur, et les modèles ouverts, dont les paramètres sont publiés et qui peuvent être installés sur ses propres serveurs, voire sur un ordinateur personnel, ce qui garde les données chez soi (voir l’IA sur sa propre machine). Pour une organisation, les questions clés sont : où vont les données envoyées, sont-elles utilisées pour entraîner les modèles, dans quel pays sont-elles traitées, quelles garanties contractuelles offre le fournisseur ?
6Les limites
- Les hallucinations : le modèle peut inventer des faits, des citations, des références ou des fonctions de programmation qui n’existent pas, avec la même assurance que des informations exactes. Le phénomène diminue avec les modèles récents et avec l’accès à des sources, mais ne disparaît pas.
- La complaisance : entraînés à plaire, les assistants ont tendance à donner raison à leur interlocuteur, à approuver une idée fausse ou à changer d’avis sous la pression ; les éditeurs cherchent à corriger ce travers.
- Le raisonnement : malgré des progrès spectaculaires, les modèles peuvent commettre des erreurs de logique ou de calcul élémentaires, surtout sans outil.
- Les biais : ils reflètent les biais de leurs données d’entraînement, par exemple dans les stéréotypes associés aux métiers.
- La variabilité : la même question peut recevoir des réponses différentes, et une reformulation anodine peut changer le résultat.
- Le coût : chaque réponse consomme du calcul et de l’énergie ; les modèles de raisonnement, qui produisent de longues réflexions avant de répondre, encore davantage.
La conclusion pratique tient en une phrase : un assistant génératif est un collaborateur rapide, cultivé et parfois brillant, mais faillible ; on vérifie ce qui compte, en proportion des enjeux, et l’on garde la responsabilité de ce que l’on publie, envoie ou décide.
7Les enjeux
7.1Le droit d’auteur
Les modèles sont entraînés sur des œuvres, textes, images, musiques, souvent protégées par le droit d’auteur, généralement sans l’accord de leurs auteurs. De nombreux procès sont en cours, notamment aux États-Unis, entre éditeurs de presse, auteurs, artistes et entreprises de l’IA, et des accords de licence se multiplient. En Europe, les auteurs peuvent s’opposer à l’utilisation de leurs œuvres pour l’entraînement, et le règlement sur l’IA impose aux fournisseurs de modèles de publier un résumé des contenus utilisés (voir le droit d’auteur et le règlement européen sur l’IA). Le statut des contenus générés eux-mêmes reste débattu : en droit français, une œuvre doit porter l’empreinte de la personnalité d’un auteur humain.
7.2La confiance dans l’information
Textes, images, voix et vidéos générés permettent de fabriquer à grande échelle de faux témoignages, de fausses citations et des hypertrucages, ces contenus truqués de façon réaliste. Des techniques de marquage se développent : filigranes invisibles insérés dans les contenus générés, et norme C2PA (Coalition for Content Provenance and Authenticity), qui attache à une image des informations vérifiables sur son origine. Le règlement européen impose de signaler les contenus générés. Aucune de ces techniques n’est infaillible : l’esprit critique et la vérification des sources restent indispensables (voir rechercher efficacement).
7.3Le travail et l’éducation
L’IA générative transforme les métiers de l’écrit, de la traduction, du graphisme, du service client et de la programmation (voir programmer avec l’IA). À l’école et à l’université, elle oblige à repenser les devoirs et l’évaluation, et peut être un formidable outil d’apprentissage comme un raccourci qui dispense de comprendre. Les détecteurs de textes générés, souvent utilisés pour repérer la triche, sont peu fiables (coin cyber).
7.4L’énergie et l’environnement
Entraîner un grand modèle mobilise des dizaines de milliers de processeurs graphiques pendant des mois, et chaque réponse consomme à son tour de l’électricité et, pour le refroidissement des centres de données, de l’eau. Selon l’Agence internationale de l’énergie, les centres de données ont consommé environ 1,5 % de l’électricité mondiale en 2024, et cette consommation pourrait doubler d’ici 2030, en grande partie à cause de l’IA. Les modèles deviennent plus efficaces, mais leur usage croît plus vite encore. Quelques réflexes limitent l’empreinte : choisir un petit modèle pour une tâche simple, éviter de générer des images ou des vidéos inutilement, ne pas utiliser un modèle de raisonnement pour une question qui n’en demande pas (voir le numérique responsable).