L'IA générative expliquée : produire au lieu de classer

L'IA générative expliquée en une phrase : ce sont des programmes qui produisent du contenu neuf, texte, image, son ou code, là où les IA plus anciennes se contentaient de trier, reconnaître ou prédire à partir de ce qui existait déjà.

Cette différence de nature explique tout le reste, y compris ses erreurs.

La ligne de partage

Une IA qui repère une fraude sur un relevé bancaire ne produit rien : elle range une opération dans une catégorie. Une IA qui recommande un article ne produit rien non plus : elle ordonne un catalogue existant.

Une IA générative, elle, fabrique quelque chose qui n'existait pas avant que vous le demandiez.

C'est une branche récente et minoritaire. L'essentiel de l'intelligence artificielle en service aujourd'hui ne génère rien, et c'est le sujet de notre article sur l'IA au sens large, dont la génération n'est qu'une branche.

Comment elle produit, sans magie

Le procédé se résume en une phrase : elle prédit la suite la plus plausible de ce qu'elle a devant elle. Pour un texte, cela se joue mot après mot ; pour une image, sur l'ensemble de la surface.

Cette plausibilité vient des régularités relevées dans d'énormes quantités d'exemples. Le modèle a vu passer assez de contrats pour savoir à quoi ressemble une clause de résiliation, assez de comptes rendus pour savoir à quoi ressemble un compte rendu.

Il ne consulte pas une base de faits au moment de répondre. Il n'y a pas de dossier ouvert derrière l'écran.

Retenez ce mot : plausible. Il explique la suite.

Pourquoi elle se trompe avec autant d'assurance

Un modèle génératif cherche ce qui est plausible, pas ce qui est vrai. Or une référence inventée ressemble beaucoup à une vraie référence : même forme, même vocabulaire, même aplomb.

Elle satisfait donc parfaitement le critère du modèle, tout en étant fausse.

C'est un fonctionnement normal du procédé et non un défaut qu'un réglage corrigerait. Cela commande une seule règle d'usage : vous relisez ce qui doit être exact, et vous vérifiez ce qui porte une décision. Sur les tâches où l'erreur se voit tout de suite, cette relecture coûte peu. Sur les tâches où l'erreur ne se voit pas, elle coûte le prix de l'erreur.

Ce qu'elle fait bien, et ce qu'elle fait mal

Elle est bonne sur tout ce qui commence par une page blanche et se termine par votre relecture. Une première version d'un courrier, une reformulation pour un autre destinataire, le résumé d'un document que vous n'aurez pas le temps de lire en entier, la trame de questions d'un entretien.

Elle est mauvaise partout où la réponse doit être juste du premier coup et où vous n'êtes pas en état de vérifier. Un calcul dont vous ne connaissez pas l'ordre de grandeur, une référence réglementaire dans un domaine que vous ne maîtrisez pas, un chiffre que vous allez recopier dans une présentation.

La question à se poser n'est pas si la tâche est difficile. C'est de savoir si vous saurez repérer une erreur.

Ce que cet article ne fait pas

Il n'explique pas l'architecture des modèles, qui ne change rien à votre usage. Il ne dresse pas non plus de liste d'outils, parce qu'elle serait périmée avant la fin de l'année.

Il ne tranche pas la question des droits d'auteur sur les contenus produits, qui n'est pas réglée de la même façon partout et évolue.

Ce qui se transmet, c'est de savoir devant quelle tâche ouvrir un de ces outils et devant laquelle s'en passer. Nous le travaillons en formation IA générative sur votre quotidien professionnel, en présentiel sur deux jours, 8 apprenants au maximum, donc le formateur passe derrière votre écran plusieurs fois par demi-journée.

Si vous cherchez maintenant où commencer dans votre entreprise, notre article sur par où commencer dans une entreprise reprend la suite.

Choisissez une tâche dont vous saurez juger le résultat. Commencez par celle-là.