LLM (grand modèle de langage) : définition

Derrière ChatGPT, Claude, Gemini ou Le Chat de Mistral, on trouve le même type de moteur : un LLM, ou grand modèle de langage. Il ne va pas chercher une réponse toute faite, il la fabrique, morceau par morceau. Cette seule idée explique ce qu’il fait bien, et les erreurs qu’il commet avec aplomb.

Qu’est-ce qu’un LLM, exactement ?

Un LLM est un programme d’intelligence artificielle (IA) qui a appris les régularités d’une langue à partir d’une masse considérable de textes, au point de pouvoir en produire. Le sigle vient de l’anglais large language model, traduit en français par « grand modèle de langage ».

Chaque mot du sigle compte. « Modèle » désigne un programme dont le comportement vient d’un entraînement sur des données, et non de règles écrites à la main. « De langage » indique qu’il traite du texte. « Grand » renvoie à la fois au volume de textes utilisé pour l’entraîner et au nombre de ses réglages internes, appelés paramètres.

Un LLM appartient à l’IA générative, la branche qui produit du contenu, elle-même partie de l’intelligence artificielle. Techniquement, c’est un réseau de neurones artificiels : un très grand calcul mathématique dont les réglages ont été ajustés pendant l’entraînement.

Comment un LLM est-il entraîné ?

Un LLM est entraîné en deux temps : il apprend d’abord à prédire la suite de textes existants, puis à suivre des consignes et à dialoguer.

Premier temps : le pré-entraînement

Pendant le pré-entraînement, le modèle parcourt une quantité immense de textes variés, par exemple des pages web publiques, des ouvrages ou du code informatique. L’exercice est toujours le même : deviner le morceau de texte suivant, comparer avec le texte réel, puis corriger légèrement ses paramètres. Répété un très grand nombre de fois, cet exercice lui fait absorber la grammaire, le vocabulaire, les styles et de nombreuses connaissances présentes dans ces textes.

Le texte n’est pas traité mot par mot, mais par fragments appelés tokens (jetons, en français), qui peuvent correspondre à un mot entier ou à un morceau de mot. Une image aide à fixer l’idée : l’autocomplétion de votre téléphone, qui propose le mot suivant, poussée à une tout autre échelle. L’image a ses limites, car un LLM tient compte de l’ensemble du texte qui précède, dans la limite de ce qu’il peut lire d’un coup, et pas seulement des derniers mots.

Second temps : l’ajustement aux consignes

Un modèle seulement pré-entraîné sait prolonger un texte, mais il ne suit pas une demande de façon fiable. Il passe donc par une seconde phase d’entraînement : des exemples de consignes accompagnées de bonnes réponses, puis des évaluations de ses propres réponses, faites par des personnes ou par d’autres modèles. C’est cette étape qui en fait un assistant capable de répondre à la question posée, d’adopter un ton ou de refuser certaines demandes.

Au moment où vous l’utilisez, le modèle ne s’entraîne plus. Il produit sa réponse fragment après fragment, en choisissant à chaque pas une suite plausible, avec en général une part de hasard. C’est pourquoi la même question peut donner deux réponses différentes.

Quels sont les LLM les plus connus ?

Parmi les LLM connus du grand public figurent les modèles GPT d’OpenAI, les modèles Claude d’Anthropic, les modèles Gemini de Google et ceux de l’entreprise française Mistral AI. Ils sont cités ici sans ordre de préférence, et chaque fournisseur en propose plusieurs versions qui se succèdent rapidement.

ChatGPT, lancé par OpenAI fin 2022, a largement contribué à faire connaître les LLM. Les modèles GPT fonctionnent notamment dans ChatGPT, ceux de Mistral AI dans l’assistant Le Chat, tandis que Claude et Gemini désignent à la fois une famille de modèles et l’application qui les met à disposition.

Certains modèles, dont une partie de ceux de Mistral AI, peuvent aussi être téléchargés et installés sur les serveurs d’une entreprise. Microsoft 365 Copilot ou Perplexity, eux, ne sont pas des LLM, mais des services qui s’appuient sur des LLM.

Un LLM est-il une base de données ou un moteur de recherche ?

Un LLM n’est ni une base de données de faits, ni un moteur de recherche : par lui-même, il produit un texte plausible à partir de ce qu’il a appris, sans consulter aucune source.

Pas une base de données de faits

Un LLM ne range pas les textes lus comme une bibliothèque range ses livres : il n’en garde pas de copie consultable. Il en retient des régularités, réparties dans ses paramètres, et reconstruit une réponse à chaque question. Une information très répandue ressort donc souvent juste. Une information rare, comme le chiffre d’affaires d’une petite entreprise locale ou une clause précise d’une convention collective, peut ressortir déformée, voire inventée.

Pas un moteur de recherche

Un moteur de recherche retrouve des pages existantes et vous renvoie vers elles. Un LLM rédige un texte nouveau, qui ne renvoie à aucune source précise. Beaucoup d’applications combinent désormais les deux : elles lancent une recherche sur le web, puis confient les résultats au modèle, qui en rédige une synthèse, souvent en citant ses sources. Même dans ce cas, la synthèse peut déformer ce que disent les pages consultées.

Une date de fin des connaissances

Les connaissances propres d’un LLM s’arrêtent à la date limite de ses données d’entraînement, appelée date de fin des connaissances (knowledge cutoff, en anglais). Il ignore ce qui s’est passé ensuite : une réglementation modifiée, un produit lancé récemment, un changement chez un fournisseur. Cette limite porte sur le modèle, pas toujours sur l’application : si l’outil consulte le web ou vos documents, sa réponse peut intégrer des informations plus récentes. Un modèle peut d’ailleurs se tromper sur sa propre date de fin des connaissances.

LLM, chatbot, application : quelle différence ?

Le LLM est le moteur qui produit le texte, le chatbot est une interface de dialogue, et l’application est le produit complet que vous utilisez au quotidien.

Tous les chatbots ne reposent pas sur un LLM : les chatbots à règles suivent des scénarios écrits à l’avance. Chaque terme défini sur ce site, du LLM à l’IA générative, rejoint aussi le glossaire.

Ce qui compte pour une entreprise se joue souvent au niveau de l’application : conservation des échanges, gestion des comptes, accès aux fichiers. Deux outils fondés sur le même modèle peuvent donc offrir des garanties très différentes.

Quelles tâches confier à un LLM ?

Un LLM est d’abord un outil de rédaction et de transformation de texte, utile dès qu’une tâche consiste à produire un premier jet ou à reformuler un contenu existant. Quelques usages réalistes dans une petite ou moyenne entreprise (PME) :

• Accueil : préparer des réponses aux questions fréquentes à partir de la documentation de l’entreprise.
• Commerce : rédiger une première version de proposition à partir de notes de rendez-vous.
• Comptabilité : reformuler une relance de facture impayée avec le ton juste.
• Ressources humaines : structurer une fiche de poste ou un livret d’accueil.
• Production : réécrire une procédure en langage clair ou résumer un rapport d’incident.

Ces usages ont un point commun : une personne qui connaît le sujet peut vérifier le résultat rapidement. C’est le bon critère pour commencer. Demander à un LLM un chiffre, une référence juridique ou une date que personne ne contrôlera revient à parier sur sa mémoire.

Reste la question des données. Selon l’offre et les réglages, ce que vous collez dans un outil peut être conservé par le fournisseur, voire servir à entraîner ses modèles. C’est à trancher avant de généraliser l’usage, pas après.

Enfin, changer de modèle ne corrige ni une consigne floue, ni un usage mal choisi. Dans une démarche IA-first, la question utile n’est pas « quel LLM ? », mais « quelles tâches, avec quelles vérifications ? ».

À retenir

• Un LLM est un modèle d’intelligence artificielle entraîné sur de très grands volumes de texte pour en prédire la suite la plus probable.
• Son entraînement se fait en deux temps : un pré-entraînement sur des textes, puis un ajustement qui lui apprend à suivre des consignes.
• Un LLM n’est ni une base de données de faits, ni un moteur de recherche, et ses connaissances propres s’arrêtent à une date de fin.
• ChatGPT, Le Chat ou Microsoft 365 Copilot sont des applications construites autour de LLM, et non des LLM eux-mêmes.
• Les bons premiers usages en entreprise sont ceux dont une personne compétente peut vérifier le résultat rapidement.