Avant de savoir écrire un bon prompt, il faut comprendre ce qu'il y a en face de toi. Ce parcours te donne les bases essentielles de l'intelligence artificielle et de l'IA générative — en 3 chapitres, avec un quiz après chacun.
Ce que tu vas apprendre :
1. L'intelligence artificielle — d'où elle vient, et pourquoi le mot « intelligence » peut tromper.
2. Éthique et responsabilité — les risques concrets à connaître avant d'utiliser l'IA en entreprise.
3. L'IA générative — comment elle est entraînée, à quoi elle sert, et où ça mène.
Des machines qui imitent le cerveau ? Pas tout à fait. Voyons ce qu'il y a vraiment sous le capot.
L'idée de machines « intelligentes » ne date pas de ChatGPT. Elle remonte à 1956, lors d'une conférence à Dartmouth où le terme « intelligence artificielle » est inventé — un choix de mot qui, on va le voir, prête déjà à confusion depuis le départ.
C'est ce moment précis — novembre 2022 — qui change la donne pour les entreprises, et qui explique pourquoi on en parle autant aujourd'hui.
L'IA, c'est un ensemble de techniques qui permettent à une machine de réaliser des tâches qui demandent normalement de l'intelligence humaine : reconnaître une image, comprendre une phrase, prendre une décision, jouer aux échecs.
Mais il faut être honnête sur le vocabulaire — c'est sans doute le point le plus important de tout ce chapitre. En français, le mot « intelligence » évoque la compréhension, le raisonnement, la conscience de ce qu'on dit. Une IA n'a rien de tout ça : elle ne comprend pas les mots qu'elle emploie, elle n'a pas conscience de ce qu'elle produit, elle n'a ni intuition ni jugement au sens humain.
Ce qu'elle possède réellement, c'est une immense quantité de connaissances emmagasinées — le résultat d'un entraînement sur une masse colossale de textes, d'images ou de sons — et une capacité de calcul qui lui permet de recombiner ces connaissances de façon statistiquement cohérente. Elle ne « réfléchit » pas à une réponse : elle calcule, mot après mot, la suite la plus probable compte tenu de tout ce qu'elle a « lu » pendant son entraînement.
Une IA n'est pas intelligente, elle est archi-entraînée.
Le terme « intelligence artificielle » est resté depuis 1956 pour des raisons historiques et marketing — pas parce qu'il décrit fidèlement ce qui se passe à l'intérieur de la machine.
Pour calculer, une IA a besoin d'une architecture. La plus utilisée aujourd'hui s'appelle le réseau de neurones artificiels. Le nom vient d'une inspiration biologique : dans le cerveau, les neurones se connectent entre eux et s'activent selon les signaux reçus. Dans un réseau artificiel, des couches de « neurones » (en réalité, des unités de calcul) reçoivent une information, la transforment et la transmettent à la couche suivante — en ajustant des milliers, des millions, parfois des milliards de paramètres internes, jusqu'à ce que les réponses deviennent de plus en plus justes.
Cet apprentissage repose sur un volume de lecture qu'aucun humain ne pourrait atteindre : avant de répondre à la moindre question, un modèle comme ceux derrière ChatGPT ou Claude a été exposé à l'équivalent de plusieurs millions de livres. Il ne les a pas « lus » comme nous, et ne les a pas mémorisés comme une bibliothèque range des livres sur une étagère : il en a extrait des régularités statistiques, compressées dans ses paramètres internes.
C'est ici qu'interviennent deux notions à bien distinguer : le Machine Learning et le Deep Learning.
L'intelligence artificielle est le grand ensemble → le Machine Learning en est une branche → le Deep Learning en est une sous-branche, spécialisée dans les réseaux de neurones profonds.
Le Machine Learning (apprentissage automatique) est la branche de l'IA qui permet à un système d'apprendre à partir de données, plutôt que d'être programmé ligne par ligne avec des règles fixes. Exemple : plutôt que d'écrire à la main des centaines de règles pour détecter un email spam, on montre à l'algorithme des milliers d'emails déjà classés spam / pas spam, et il apprend lui-même à repérer ce qui fait la différence.
Le Deep Learning (apprentissage profond) est une sous-catégorie du Machine Learning, qui utilise des réseaux de neurones à plusieurs couches empilées (d'où le mot « profond »). Cette profondeur permet de repérer des motifs de plus en plus abstraits, couche après couche : sur une image de visage, les premières couches détectent des contours, les couches intermédiaires reconnaissent des formes (un œil, un nez), et les dernières identifient un visage complet. C'est le Deep Learning qui a rendu possibles les grands modèles de langage (les LLM) derrière ChatGPT, Claude ou Gemini.
On donne à la machine des données déjà étiquetées, avec la bonne réponse associée (ex : des photos taguées « chat » ou « chien »). Elle compare ses prédictions à la bonne réponse et corrige son erreur à chaque essai.
Aucune étiquette fournie. La machine explore seule les données et cherche des regroupements ou similarités cachées (ex : segmenter des clients par comportement d'achat).
Il existe une troisième famille, l'apprentissage par renforcement : la machine apprend par essais-erreurs, récompensée quand elle progresse — un peu comme on dresserait un animal.
Comprendre et générer du texte : traduction, chatbots, analyse de sentiment.
Analyser images ou vidéos : reconnaissance faciale, contrôle qualité industriel.
Des machines qui perçoivent leur environnement et agissent physiquement.
Deviner ce qui va te plaire à partir de ton comportement.
Créer du contenu nouveau plutôt que seulement analyser ou classer l'existant.
Jusqu'ici, on a parlé d'une IA qui analyse, classe ou prédit : elle regarde des données et rend un verdict (spam ou pas spam, chat ou chien). L'IA générative, elle, fait un pas de plus : elle crée du contenu nouveau qui n'existait pas avant. Mais garde en tête ce qu'on vient de voir : cette création n'est pas un acte de compréhension. C'est le résultat d'un système hyper-entraîné qui recombine, de façon statistiquement plausible, ce qu'il a « lu » pendant son entraînement.
Une IA générative répond avec beaucoup d'assurance et de pertinence à une question. Peut-on en conclure qu'elle « comprend » ce qu'elle dit, comme un humain ?
L'IA générative pose des questions concrètes, pas seulement philosophiques. Voici les points essentiels à connaître avant de l'utiliser en entreprise.
Une IA apprend à partir de données produites par des humains — et les humains ont des biais. Si les données d'entraînement sous-représentent certains groupes ou reproduisent des stéréotypes, le modèle les reproduit, voire les amplifie.
Exemple documenté : un outil de recrutement automatisé développé en interne par Amazon a été abandonné en 2018 après avoir été détecté comme défavorisant les CV mentionnant des activités ou parcours féminins — car entraîné sur un historique d'embauches majoritairement masculin dans le secteur tech.
Un modèle d'IA générative ne « sait » pas au sens humain : il prédit le mot le plus probable, token après token. Quand il manque d'information fiable, il continue quand même à produire du texte plausible — mais faux, avec la même assurance qu'une réponse correcte. C'est ce qu'on appelle une hallucination (Microsoft parle de « fabrication »). La parade : toujours vérifier une réponse importante avant de l'utiliser, surtout sur des faits, chiffres ou citations.
Les modèles sont entraînés sur d'immenses quantités de textes, images et code, souvent récupérés sur Internet — parfois sans l'accord explicite des créateurs. Cette zone reste juridiquement mouvante selon les pays, et fait l'objet de nombreux procès en cours, notamment aux États-Unis. Pour une entreprise, la vigilance porte surtout sur deux choses : ne pas publier de contenu généré qui reproduirait une œuvre existante trop fidèlement, et vérifier les conditions d'utilisation de l'outil employé.
Ce que tu tapes dans un outil d'IA générative n'est pas toujours privé. Certains outils grand public utilisent les conversations pour ré-entraîner leurs modèles, sauf paramétrage contraire. En entreprise, c'est un point de vigilance majeur : ne jamais coller de données sensibles (clients, RH, financières) dans un outil dont on ne maîtrise pas la politique de confidentialité — un vrai sujet à intégrer dans une charte d'usage IA interne.
Le risque n'est pas seulement technique, il est aussi comportemental : faire aveuglément confiance à une IA sans esprit critique, déléguer une décision importante sans relecture humaine. C'est exactement la conséquence directe de la confusion sur le mot « intelligence » vue au chapitre précédent — plus on croit avoir affaire à un système qui « comprend », plus on baisse sa garde. Plus l'enjeu est élevé (juridique, financier, RH), plus la vérification humaine doit rester systématique.
Entraîner et faire tourner de grands modèles consomme une quantité d'énergie et d'eau (pour le refroidissement des serveurs) significative. C'est un sujet encore mal quantifié publiquement — les chiffres varient beaucoup selon les études et les modèles — mais de plus en plus présent dans les débats sur l'usage responsable de l'IA en entreprise.
Ces risques ne sont pas des raisons de ne pas utiliser l'IA générative — ce sont des raisons de l'utiliser avec méthode.
Les grands réflexes à transmettre : vérifier les sources et les faits produits, ne jamais y coller de données sensibles sans savoir comment elles sont traitées, garder une relecture humaine sur tout contenu à fort enjeu, et rester transparent quand un contenu a été généré ou assisté par IA.
Pourquoi un outil de recrutement automatisé développé par Amazon a-t-il été abandonné en 2018 ?
On y est. Voyons comment ces IA qui écrivent, dessinent et parlent sont réellement construites.
L'IA générative est une branche de l'intelligence artificielle capable de créer du contenu original — texte, image, audio, vidéo, code — plutôt que de simplement analyser ou classer des données existantes. C'est la différence fondamentale avec l'IA « classique » vue au chapitre 1 : on passe d'une IA qui reconnaît à une IA qui produit. Mais dans les deux cas, rappelle-toi bien : ni l'une ni l'autre ne « comprend » ce qu'elle fait.
Le principe repose sur le Deep Learning vu au chapitre 1, mais appliqué à une échelle massive. Concrètement, pour un modèle de langage (un LLM, comme celui derrière ChatGPT ou Claude) :
Des milliards de textes issus d'Internet, de livres, d'articles, de code — l'équivalent de plusieurs millions de livres.
Le modèle apprend à prédire le mot (le « token ») le plus probable, en s'exerçant des milliards de fois sur ces textes.
Le modèle est ajusté plus finement, souvent avec l'aide d'évaluateurs humains, pour devenir plus utile, plus sûr et mieux aligné.
Ordre de grandeur : si un humain lisait 8 heures par jour toute sa vie, il n'atteindrait jamais le volume de textes sur lequel un grand modèle est entraîné. Les chiffres exacts varient énormément selon les modèles et ne sont pas toujours communiqués publiquement — retiens l'ordre de grandeur « gigantesque », pas un chiffre précis.
Le résultat n'est pas une base de données qu'on interroge : c'est un système qui a « digéré » des régularités statistiques du langage, et qui génère chaque réponse mot par mot, en fonction de ce qui est probable compte tenu du contexte. Encore une fois : beaucoup de lecture, aucune compréhension. Pour les IA génératives d'images ou de vidéos, le principe diffère techniquement (on parle souvent de « modèles de diffusion »), mais la logique de fond est la même.
Rédaction, résumé, traduction, correction, brainstorming.
Création visuelle, retouche, logos, visuels marketing.
Synthèse vocale, génération de musique, clonage de voix.
Générer de courtes séquences vidéo à partir d'un texte.
Génération et assistance à la programmation.
Automatisation administrative, aide à la décision, analyse de documents.
L'IA générative n'est pas magique, et elle n'est pas intelligente au sens où on l'entend en français. C'est un système probabiliste, ultra-entraîné sur une quantité de données que personne n'a jamais lue à cette échelle, qui produit la suite la plus plausible en fonction de ce qu'on lui demande. Cette nuance n'est pas juste sémantique : c'est elle qui doit guider la posture professionnelle à adopter — vérifier, garder l'esprit critique, ne jamais déléguer aveuglément.
Tu l'as compris : une IA générative répond à ce qu'on lui donne, sans jamais vraiment « comprendre » la demande — elle la traite statistiquement. Cette instruction qu'on lui envoie — texte, image ou document — porte un nom : le prompt. Et la façon de le construire pour obtenir des résultats fiables, précis et exploitables, c'est ce qu'on appelle le prompt engineering : pas de la magie ni du talent inné, une méthode structurée et reproductible.
Quelles sont, dans l'ordre, les 3 grandes étapes pour entraîner un LLM comme celui derrière ChatGPT ou Claude ?
Points à retravailler :
Tu viens de poser les bases : ce qu'est l'IA, pourquoi le mot « intelligence » est trompeur, les risques à connaître, et comment l'IA générative est construite. La suite logique ? Apprendre à écrire un prompt qui obtient exactement ce que tu veux.
Un mauvais prompt = une IA qui déçoit.
Un bon prompt = des textes, images, vidéos et même des agents IA qui travaillent pour vous.
Contactez-moi, je vous montre comment.