Aller au contenu
Encyclopédie informatique Édition 2026

L'IA générative et les grands modèles de langage

Partie 3 sur 3

Niveau de lecture :

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).

Sécurité de l’information

Le coin cyber

L’IA générative est à la fois un outil puissant pour les défenseurs et les attaquants, et une application d’un genre nouveau, dont les failles ne ressemblent pas à celles des logiciels classiques. Les attaques sont décrites ici dans leur principe seulement.

C.1Les fuites de données

En 2023, des ingénieurs d’un grand fabricant d’électronique sud-coréen ont collé du code source confidentiel et des notes de réunion dans un assistant en ligne pour obtenir de l’aide ; l’entreprise a ensuite restreint l’usage de ces outils. L’histoire illustre le premier risque de l’IA générative pour une organisation : la fuite d’informations par des usages non encadrés (exercice 5). Elle se traite par des règles claires, des outils validés et contractuellement encadrés, et la formation des utilisateurs.

C.2L’injection de prompt

Un modèle de langage ne distingue pas de façon fiable les instructions de son utilisateur et le contenu qu’il traite. Un attaquant peut donc cacher des instructions dans une page Web, un courriel, un document ou une image : quand l’assistant les lit, il risque de les suivre, par exemple pour divulguer des informations de la conversation, déformer un résumé ou, s’il dispose d’outils, envoyer des données ailleurs. C’est l’injection de prompt, classée en tête des risques des applications fondées sur les modèles de langage par l’OWASP (Open Worldwide Application Security Project). Il n’existe pas de protection parfaite : on limite les droits des assistants, on sépare les contenus non fiables, on demande une validation humaine avant les actions sensibles (voir les agents d’IA).

C.3Des outils pour les attaquants

Les attaquants utilisent l’IA générative pour rédiger des courriels d’hameçonnage, ces messages piégés qui imitent un expéditeur de confiance, sans fautes, dans toutes les langues et personnalisés à grande échelle, pour cloner des voix et fabriquer des vidéos truquées, ou pour accélérer l’écriture d’outils d’attaque (voir l’hameçonnage). Les éditeurs de modèles mettent en place des garde-fous et surveillent les usages malveillants, mais les modèles ouverts, sans ces protections, sont accessibles à tous. Les défenseurs utilisent les mêmes outils pour analyser les menaces, trier les alertes et trouver les failles avant les attaquants (voir IA et cybersécurité).

C.4Le code généré

Le code proposé par un assistant peut contenir des failles classiques, comme des injections SQL, qui glissent des commandes malveillantes dans les requêtes adressées à une base de données, ou des mots de passe écrits en clair dans le programme, et parfois faire appel à des bibliothèques qui n’existent pas : des attaquants enregistrent alors ces noms inventés sur les dépôts de paquets, ces catalogues en ligne de bibliothèques de code, pour y placer du code malveillant. Tout code généré doit être relu, testé et analysé comme du code écrit par un humain (voir programmer avec l’IA).

C.5Idée reçue

« Les détecteurs de texte généré permettent de prouver qu’un devoir a été écrit par une IA. » Faux. Ces outils se trompent souvent, dans les deux sens : ils laissent passer des textes générés, légèrement retouchés, et accusent à tort des textes humains, en particulier ceux de personnes qui écrivent dans une langue qui n’est pas leur langue maternelle. Leur verdict ne peut pas servir de preuve ; l’évaluation doit reposer sur d’autres moyens, comme un échange oral ou un travail réalisé en classe.

C.6Bonnes pratiques

Utilisateur

  • Ne confier à un assistant que des informations autorisées par la politique de son organisation.
  • Vérifier les faits, chiffres, références et codes produits avant de les utiliser.
  • Se méfier des voix, vidéos et messages trop convaincants qui demandent une action urgente.

Organisation

  • Choisir des outils encadrés par contrat ; définir et diffuser une charte d’usage de l’IA générative.
  • Traiter les applications à base de modèles de langage comme des systèmes exposés : droits minimaux, contenus non fiables isolés, journalisation.
  • Former les équipes aux escroqueries par hypertrucage et à l’injection de prompt.

Référentiels : ANSSI, Recommandations de sécurité pour un système d’IA générative (2024) · OWASP, Top 10 for LLM Applications (2025) · NIST AI 600-1, Generative Artificial Intelligence Profile (2024) · Règlement (UE) 2024/1689 sur l’intelligence artificielle.

Références

  1. A. Vaswani, N. Shazeer, N. Parmar et al., « Attention Is All You Need », NeurIPS, 2017.
  2. T. Brown et al., « Language Models are Few-Shot Learners », NeurIPS, 2020.
  3. L. Ouyang et al., « Training language models to follow instructions with human feedback », NeurIPS, 2022.
  4. J. Ho, A. Jain, P. Abbeel, « Denoising Diffusion Probabilistic Models », NeurIPS, 2020.
  5. I. Goodfellow et al., « Generative Adversarial Nets », NeurIPS, 2014.

Voir aussi

Citer cet article

« L'IA générative et les grands modèles de langage », Encyclopédie informatique, révision du 26 octobre 2026.