LLM : trois lettres qui reviennent dans chaque discussion sur l'IA, rarement expliquées. Derrière l'acronyme se trouve pourtant la brique qui fait tourner ChatGPT et tous les assistants du même genre, et dont dépend tout ce que votre entreprise fera un jour avec l'IA.
Ce guide définit le LLM sans jargon, explique comment il fonctionne, ce qu'il sait et ne sait pas faire, et surtout comment il s'articule avec les deux autres briques que vous croiserez : le RAG et les agents. Le vocabulaire minimal pour décider en connaissance de cause.
Qu'est-ce qu'un LLM ?
Un LLM (large language model, grand modèle de langage) est un programme entraîné sur d'immenses volumes de texte pour faire une chose : prédire la suite la plus probable d'un texte. De cette capacité simple, répétée mot après mot, émergent la rédaction, le résumé, la traduction, l'analyse et le dialogue.
Le point contre-intuitif : un LLM ne consulte pas une base de données de faits. Il a compressé, pendant son entraînement, les régularités de milliards de phrases. Il produit du texte cohérent avec ce qu'il a vu, ce qui explique à la fois sa fluidité et ses erreurs.
Le vocabulaire minimal
- Token : l'unité de découpage du texte (un mot ou un morceau de mot). Le modèle lit et produit des tokens; les tarifs des API se comptent en tokens.
- Paramètres : les réglages internes appris à l'entraînement, par milliards. C'est le sens de grand dans grand modèle de langage.
- Fenêtre de contexte : la quantité de texte que le modèle peut prendre en compte d'un coup. Au-delà, il ne voit plus le début de la conversation.
- Prompt : le texte que vous lui donnez, consigne comprise. La qualité de la sortie dépend d'abord de la clarté de l'entrée.
Un exemple pour sentir la mécanique
Donnez à un modèle le début de phrase le client n'a pas réglé sa facture, nous allons donc lui envoyer une... : la suite la plus probable est relance. Rien de magique : dans des millions de textes de gestion, ces mots se suivent. Tout ce que produit un LLM, y compris un paragraphe entier ou un contrat résumé, sort de cette même mécanique appliquée en boucle.
C'est aussi pour cela que la précision de votre demande compte tant : le modèle complète votre texte. Un prompt vague appelle une suite vague; un prompt qui pose le contexte, le format attendu et les contraintes appelle une suite qui les respecte.
Comment fonctionne un LLM, sans les mathématiques ?
L'architecture qui a tout déclenché s'appelle le transformer, décrite en 2017 par huit chercheurs de Google dans l'article Attention Is All You Need. Son idée clé, l'attention : au lieu de lire le texte mot après mot, le modèle pèse en permanence quels mots du contexte comptent pour prédire le suivant, sur l'ensemble du texte à la fois.
La fabrication se fait en deux temps : un pré-entraînement massif sur du texte général (le modèle apprend la langue et les régularités du monde qu'elle décrit), puis un affinage pour suivre des instructions et rester dans un cadre. C'est ce second temps qui transforme un moteur de prédiction brut en assistant utilisable.
À l'usage, tout est génération : le modèle produit sa réponse token par token, chaque choix influençant le suivant. Il n'y a ni recherche dans un index, ni certitude interne : une phrase fausse peut être produite avec la même assurance qu'une phrase vraie.
Pourquoi tout a basculé après 2017
Les modèles de langage existaient avant, mais lisaient le texte séquentiellement, en perdant le fil sur les longues distances. Le transformer a rendu l'entraînement massivement parallélisable : il suffisait d'ajouter des données et du calcul pour que les capacités montent. C'est cette propriété d'échelle, plus que toute idée nouvelle depuis, qui a produit la génération d'assistants que vous utilisez aujourd'hui.
LLM, IA générative, chatbot : qui est quoi ?
| Terme | Ce que c'est | Exemple |
|---|---|---|
| IA générative | La famille : les modèles qui produisent du contenu (texte, image, son, code) | Génération d'images, de texte, de voix |
| LLM | Le moteur texte de cette famille : le modèle de langage lui-même | Le modèle derrière un assistant conversationnel |
| Chatbot / assistant | Le produit construit par-dessus : interface, consignes, garde-fous | ChatGPT et les assistants du même type |
La confusion la plus courante : juger le moteur sur le produit. Deux assistants bâtis sur le même LLM peuvent être excellents ou médiocres selon ce qu'on a construit autour : les consignes, les données accessibles, les validations.
Le moteur, la mémoire, les mains
Pour une entreprise, le LLM seul est un moteur posé sur un établi : impressionnant, mais il ne transporte rien. Il devient utile quand on lui ajoute deux choses.
La mémoire : le RAG fait répondre le modèle à partir de VOS documents (procédures, catalogues, historiques) au lieu de sa culture générale, avec des réponses sourcées et vérifiables.
Les mains : l'agent IA utilise le modèle pour exécuter un travail réel à travers vos outils : lire un email, préparer une commande, rédiger une relance, sous vos règles et vos validations.
Ce découpage est la grille de lecture la plus utile face à n'importe quelle offre d'IA : quel moteur, quelle mémoire, quelles mains, et quelles validations. Une démonstration brillante sans mémoire ni mains reste un moteur sur un établi.
Ce qu'un LLM sait faire, et ce qu'il ne sait pas faire
- Il excelle à transformer du langage : rédiger, résumer, reformuler, extraire, structurer, traduire. Sur ces tâches, le gain est immédiat et fiable.
- Ses connaissances s'arrêtent à son entraînement : il ne connaît ni vos prix, ni vos clients, ni l'actualité d'hier. C'est le problème que le RAG résout.
- Il peut halluciner : produire une affirmation fausse avec aplomb. La parade n'est pas d'espérer un modèle parfait, c'est de l'ancrer dans vos documents et de garder une validation humaine sur tout ce qui engage.
- Il ne fait rien tout seul : sans outils connectés et sans règles écrites, il parle, il n'agit pas. C'est la frontière entre assistant et agent.
- Ce que vous lui donnez peut ressortir : sur les outils grand public, vos saisies peuvent servir à l'entraînement des modèles. Pour des données clients ou financières, exigez une offre professionnelle avec engagement contractuel sur l'usage des données, ou un hébergement maîtrisé.
La conséquence pratique pour une PME tient en une phrase : le LLM est une capacité, pas une solution. La valeur vient de ce qu'on branche dessus, et le contrôle vient des validations qu'on impose, pas du modèle lui-même.
Faut-il choisir son LLM ? La question, vue d'une PME
Les modèles évoluent tous les trimestres, et les écarts entre les meilleurs se resserrent. Pour la plupart des usages d'entreprise, le choix du modèle est la décision la moins structurante : elle se révise en changeant une ligne de configuration.
Les vraies questions sont ailleurs : où passent vos données (API, hébergement européen, modèle local pour les cas sensibles), quel coût par volume de tokens pour votre usage réel, et surtout quelles règles et quelles validations encadrent ce que le modèle produit. Un modèle moyen bien encadré bat un excellent modèle branché sans règles.
Une distinction utile au passage : les modèles à poids ouverts s'installent sur votre infrastructure (contrôle total des données, charge technique chez vous), les modèles propriétaires s'utilisent via API (simplicité, données qui transitent chez l'éditeur sous contrat). Le choix suit vos contraintes de confidentialité, pas la mode.
C'est l'ordre de travail que nous suivons en construisant des systèmes pour PME : d'abord le flux et les règles, ensuite la mémoire, enfin le choix du moteur. Si vous voulez situer ce qu'un LLM changerait dans VOS flux, le diagnostic gratuit de 20 minutes sert exactement à ça; notre façon de travailler est détaillée sur la page tarifs.
