En clair
Un assistant d'IA comme Claude, ChatGPT, Gemini ou Le Chat de Mistral repose sur un grand modèle de langage. Imaginez quelqu'un qui aurait lu une immense bibliothèque et serait devenu très doué pour prédire la suite d'un texte : à partir de votre question, il écrit la réponse la plus plausible, mot après mot. Cela le rend excellent pour rédiger, résumer, expliquer, traduire ou programmer. Mais « plausible » ne veut pas dire « vrai » : il peut se tromper avec aplomb. Il faut donc l'utiliser comme un collègue brillant dont on vérifie le travail.
1. Le vocabulaire de base
| Terme | Signification |
|---|---|
| IA générative | IA qui produit du contenu : texte, code, images, son, vidéo |
| LLM (Large Language Model, grand modèle de langage) | Le « moteur » d'un assistant textuel : un réseau de neurones entraîné sur d'énormes quantités de textes |
| Modèle | Une version précise d'un LLM (par exemple une famille Claude, GPT, Gemini, Mistral, Llama, Qwen…) |
| Invite (prompt) | Ce que vous écrivez au modèle : question, consigne, documents fournis |
| Jeton (token) | Le morceau de texte que le modèle manipule : un mot court, un bout de mot, une ponctuation |
| Fenêtre de contexte | La quantité de texte (en jetons) que le modèle peut prendre en compte en une fois : la conversation, les documents joints, sa réponse |
| Entraînement | La phase, très coûteuse, où le modèle apprend à partir des données ; elle s'arrête à une date de coupure |
| Inférence | L'utilisation du modèle une fois entraîné : quand il vous répond |
| Hallucination | Une réponse inventée mais présentée comme exacte |
2. Comment ça marche, sans les maths
- Découpage : votre texte est découpé en jetons. En français, un mot fait en moyenne un peu plus d'un jeton.
- Prédiction : le modèle calcule, pour chaque jeton possible, la probabilité qu'il vienne ensuite, en tenant compte de tout le contexte.
- Choix et répétition : il choisit un jeton, l'ajoute au texte, et recommence, jusqu'à la fin de la réponse.
Le modèle ne « cherche » pas la réponse dans une base de données : il la reconstruit à partir de ce qu'il a appris. C'est ce qui explique à la fois sa souplesse (il comprend des demandes formulées de mille façons) et ses erreurs (il peut reconstruire un détail faux, une référence ou une option de commande qui n'existe pas).
Après l'entraînement de base, les modèles sont affinés pour suivre des consignes, dialoguer, refuser les demandes dangereuses et admettre leurs incertitudes. Les modèles récents savent aussi « réfléchir » avant de répondre : ils rédigent un raisonnement intermédiaire, ce qui améliore nettement les résultats sur les problèmes complexes (mathématiques, code, analyse).
3. Ce qu'il sait faire, et ses limites
| Points forts | Limites |
|---|---|
| Rédiger, reformuler, résumer, traduire | Peut inventer des faits, des sources, des commandes |
| Expliquer un concept à différents niveaux | Ses connaissances s'arrêtent à sa date de coupure, sauf s'il peut chercher sur le web |
| Écrire, relire et corriger du code, des scripts, des configurations | Ne connaît pas votre environnement : il faut le lui décrire |
| Analyser un document, un tableau, une image, un journal d'erreurs | Une fenêtre de contexte reste limitée : un très long document peut être partiellement « oublié » |
| Proposer des plans, des modèles, des procédures | Les calculs complexes sont plus fiables quand il exécute du code que « de tête » |
| Dialoguer pour affiner progressivement | Ses réponses varient d'une fois sur l'autre pour une même question |
Vérifiez toujours ce qui compte
Une commande à lancer en production, un chiffre dans un rapport, une référence juridique, un conseil médical : vérifiez dans la documentation officielle ou auprès d'une personne compétente. Demander au modèle ses sources, puis les ouvrir, est un bon réflexe. Sur ce site, les commandes sont vérifiées et les sources sont citées en bas de chaque page.
4. Outils, recherche et agents
Un modèle seul ne fait que produire du texte. Les assistants actuels lui donnent des outils :
| Capacité | Ce que ça change |
|---|---|
| Recherche web | Le modèle consulte des pages récentes et cite ses sources : il dépasse sa date de coupure |
| Exécution de code | Il calcule, analyse un fichier de données, produit un graphique, en exécutant réellement du code au lieu de « deviner » le résultat |
| Lecture de fichiers | PDF, tableurs, images, captures d'écran, journaux |
| Connecteurs | Accès à vos applications (messagerie, agenda, stockage en ligne, outils de tickets), dans la limite des autorisations données |
| RAG (Retrieval-Augmented Generation) | Le système va chercher les passages pertinents dans vos documents et les fournit au modèle avant qu'il réponde : la technique derrière les « chats sur vos documents » |
| MCP (Model Context Protocol) | Protocole ouvert qui standardise la connexion entre un assistant et des outils ou sources de données |
Un agent est un modèle qui enchaîne lui-même plusieurs étapes avec ses outils pour atteindre un objectif : chercher, lire, écrire un fichier, lancer une commande, vérifier le résultat, corriger. C'est le principe des assistants de programmation comme Claude Code, qui lisent un projet, modifient le code et lancent les tests.
Un agent agit vraiment
Un agent qui a accès à un terminal, à une messagerie ou à un serveur peut supprimer, envoyer ou modifier pour de bon. Donnez-lui le moins de droits possible, travaillez sur une copie ou un environnement de test, relisez les actions importantes avant de les valider, et gardez des sauvegardes. Méfiez-vous aussi de l'injection d'instructions : un document ou une page web peut contenir des consignes cachées destinées à détourner l'agent.
5. Modèles fermés, modèles ouverts, IA locale
| Modèles fermés (propriétaires) | Modèles à poids ouverts (open weights) | |
|---|---|---|
| Exemples | Claude (Anthropic), GPT (OpenAI), Gemini (Google) | Llama (Meta), Mistral et Mixtral (Mistral AI), Qwen (Alibaba), Gemma (Google), DeepSeek |
| Accès | Par le service en ligne de l'éditeur ou son API | Fichiers du modèle téléchargeables : on peut les faire tourner chez soi |
| Performances | En général les plus performants | Très bons, un cran derrière les meilleurs modèles fermés selon les tâches |
| Confidentialité | Les données passent par l'éditeur | Peuvent rester entièrement sur votre machine |
| Licence | Conditions d'utilisation de l'éditeur | Variable : certaines licences sont libres, d'autres imposent des restrictions |
Faire tourner une IA chez soi
Des outils libres permettent d'utiliser un modèle ouvert sans connexion à Internet :
| Outil | Rôle |
|---|---|
| Ollama | Télécharge et fait tourner des modèles en une commande ; Windows, macOS, Linux |
| LM Studio | Interface graphique pour chercher, télécharger et discuter avec des modèles (gratuit, non libre) |
| llama.cpp | Le moteur libre sur lequel reposent beaucoup de ces outils |
| Open WebUI | Interface web de discussion, à brancher sur Ollama, auto-hébergeable sur un homelab |
Exemple avec Ollama, une fois installé :
ollama run mistral
Le facteur limitant est la mémoire de la carte graphique (VRAM), ou la mémoire unifiée sur un Mac à puce Apple. Les modèles sont généralement quantifiés (compressés, par exemple en 4 bits) pour tenir en mémoire, avec une légère perte de qualité :
| Taille du modèle | Mémoire nécessaire, quantifié en 4 bits (ordre de grandeur) | Matériel typique |
|---|---|---|
| 3 à 4 milliards de paramètres | 3 à 4 Go | Portable récent, même sans carte graphique dédiée (lentement) |
| 7 à 8 milliards | 5 à 6 Go | Carte graphique de 8 Go, Mac de 16 Go |
| 12 à 14 milliards | 9 à 10 Go | Carte graphique de 12 à 16 Go |
| 30 à 32 milliards | 20 Go et plus | Carte graphique de 24 Go, Mac de 32 Go et plus |
| 70 milliards et plus | 40 Go et plus | Plusieurs cartes graphiques, Mac à grande mémoire unifiée |
Comptez en plus de la mémoire pour la fenêtre de contexte. Un modèle local de petite taille rend de vrais services (résumé, reformulation, classement de texte), mais reste nettement en dessous des grands modèles en ligne pour le raisonnement complexe et le code.
6. Confidentialité et sécurité
Ce qu'on ne colle jamais dans un assistant en ligne
Mots de passe, clés d'API, clés privées, données bancaires, données de santé, informations personnelles de clients ou de salariés, documents confidentiels de l'entreprise : pas sans l'accord de votre entreprise et une offre adaptée. Masquez ou remplacez les données sensibles (spo, 192.0.2.10, exemple.fr) avant de coller un fichier de configuration ou un journal.
- Lisez les réglages de confidentialité de votre service : selon l'offre et vos choix, vos conversations peuvent servir ou non à entraîner les modèles, et sont conservées plus ou moins longtemps.
- En entreprise, utilisez les offres professionnelles, qui prévoient en général des engagements contractuels (pas d'entraînement sur vos données, durée de conservation, localisation), et définissez une politique d'usage interne. La CNIL et l'ANSSI publient des recommandations (liens en bas de page).
- Le règlement européen sur l'IA (AI Act), entré en vigueur en 2024, s'applique progressivement : il impose notamment de la transparence sur les contenus générés et des obligations renforcées pour les usages à haut risque.
- Transparence : indiquez quand un contenu a été produit ou aidé par une IA, comme le fait la page À propos de ce site.
7. Bien formuler ses demandes
La qualité de la réponse dépend beaucoup de la qualité de la demande. Quelques principes simples :
| Principe | Moins efficace | Plus efficace |
|---|---|---|
| Donner le contexte | « Mon serveur ne marche pas. » | « Serveur Debian 13, nginx ne démarre plus après une mise à jour. Voici la sortie de systemctl status nginx : … » |
| Préciser l'objectif et le public | « Explique le RAID. » | « Explique le RAID 1 et le RAID 5 à un débutant qui veut acheter un NAS à 2 ou 4 baies. » |
| Indiquer le format attendu | « Fais-moi une procédure. » | « Rédige une procédure en étapes numérotées, avec les commandes exactes et un tableau des erreurs courantes. » |
| Fournir un exemple | « Écris dans mon style. » | « Voici deux paragraphes que j'ai écrits ; garde ce ton et cette longueur. » |
| Demander de vérifier ou de douter | (rien) | « Signale ce dont tu n'es pas sûr, et donne les sources officielles. » |
| Itérer | Tout recommencer à zéro | « Garde la structure, mais raccourcis la partie 2 et ajoute un exemple. » |
8. Quelques usages concrets en informatique
- Comprendre un message d'erreur : collez-le avec le contexte (système, version, ce que vous faisiez).
- Écrire un script (PowerShell, Bash, Python) : décrivez l'entrée, la sortie attendue, le système ; testez sur une machine de test.
- Relire une configuration (nginx, sshd, pare-feu) : demandez les problèmes de sécurité et les erreurs probables.
- Documenter : transformer des notes en procédure, en runbook ou en compte-rendu d'incident.
- Apprendre : demander une explication pas à pas, puis des exercices pour vérifier qu'on a compris.
À retenir
- Un assistant d'IA prédit la suite d'un texte : brillant pour rédiger, expliquer et programmer, mais il peut inventer.
- Vérifiez ce qui compte, demandez des sources, testez les commandes avant la production.
- Les outils (recherche, code, fichiers, connecteurs) et les agents décuplent ses capacités : donnez-leur le moins de droits possible.
- Modèles ouverts + Ollama = IA en local, sans que vos données ne quittent la machine ; la mémoire de la carte graphique est la limite.
- Ne collez jamais de secrets ou de données personnelles dans un service en ligne sans cadre adapté.
- Une bonne demande = contexte + objectif + format + exemple.