L’École de l’IA · Parcours 1
Comprendre l’IA.
Pour commencer
Imaginons : on vous présente un assistant IA.
Réponse en deux secondes, polie, précise. Votre direction est séduite.
Et sur une ligne de production, la même question : une caméra de contrôle qualité valide une pièce qui a un défaut visible — vous la laissez partir ? Nous y reviendrons.
Au programme
Vous avancez en trois temps, sans une ligne de maths.
À la fin : trois questions à poser face à toute annonce d’IA, et des phrases simples pour l’expliquer à un collègue.
Et ses limites, nommées une à une : ce qu’il invente, ce qu’il ne voit pas, ce qu’il fait sans vous.
Qui vous forme
Je forme à partir de ce que je construis.
Je comprends vos métiers parce que je les ai vécus. J’utilise aujourd’hui l’IA pour les améliorer.
Nicolas — entre le terrain et les systèmes d’information.
Situer.
D’où vient l’assistant de ce matin.
Module « Histoire »
- Débuts de l’IA
- Les hivers
- Deep Learning
- Transformer
- Les LLM
- Pourquoi 2022 a tout changé
Histoire · 1 sur 4 · Débuts de l’IA, les hivers
L’IA a soixante-dix ans. Elle a déjà déçu deux fois.
On écrivait les règles à la main, avec des experts : « si… alors… ». Le monde réel compte trop de cas : difficiles à mettre à jour, incapables d’apprendre, fragiles face à l’imprévu, les systèmes experts sont devenus trop chers à entretenir.
Histoire · 2 sur 4 · Deep Learning
2012 : on arrête d’écrire les règles, on montre des exemples.
Des règles écrites par des experts
« Si… alors… » : tout prévoir, à la main.
Des exemples, en masse
On montre au réseau de neurones plus d’un million d’images étiquetées : il ajuste lui-même ses réglages.
Trois ingrédients enfin réunis vers 2012
Les données
le web
Le calcul
les cartes graphiques du jeu vidéo
La méthode
les réseaux de neurones profonds
Le repère : au concours ImageNet 2012, le réseau de Krizhevsky, Sutskever et Hinton se trompe sur 15,3 % des images (la bonne réponse doit figurer dans ses cinq propositions), contre 26,2 % pour le deuxième. Il a été entraîné sur deux cartes graphiques de jeu vidéo, des NVIDIA GTX 580.
À l’atelier, la caméra qui repère une pièce défectueuse apprend ainsi, sur des photos de pièces bonnes et mauvaises.
Histoire · 3 sur 4 · Transformer
2017 : le modèle lit la phrase entière d’un coup.
La question du client, et deux des liens que le modèle calcule
Liens simplifiés pour l’illustration.
Comme lire une phrase entière d’un seul coup d’œil, au lieu de la déchiffrer mot après mot.
Les modèles d’avant avançaient mot après mot, ne se parallélisaient pas et reliaient mal les mots éloignés. En juin 2017, des chercheurs de Google publient « Attention Is All You Need » : le Transformer relie chaque mot à tous les autres, en parallèle.
Ce calcul en parallèle convient aux cartes graphiques : c’est lui qui permettra ensuite d’entraîner sur des textes immenses. C’est le moteur des grands assistants : OpenAI (GPT-4), Google (Gemini 2.5), Anthropic (Claude 2) et Mistral (Mixtral) l’indiquent dans leurs documents techniques.
Histoire · 4 sur 4 · Les LLM, pourquoi 2022 a tout changé
2020 : le modèle devient massif. Fin 2022 : on lui parle.
2020 · Les LLM
GPT-3 (OpenAI) : un modèle de langage massif, avec des milliards de réglages, ses paramètres, ajustés pendant l’entraînement.
La surprise : en grossissant, ces modèles se mettent à traduire, résumer, répondre à des questions sans entraînement spécifique. Certains y voient une « émergence » ; d’autres montrent que l’effet dépend surtout de la façon de mesurer.
Mais GPT-3 ne parle qu’aux développeurs, par une interface de programmation commerciale.
LLM, large language model : en français officiel, « grand modèle de langage » (Journal officiel du 6 septembre 2024), un modèle qui calcule les enchaînements de mots les plus probables pour générer du texte.
Fin 2022 · La porte d’entrée
Un million d’inscrits en cinq jours (Sam Altman, OpenAI, 5 décembre 2022) ; environ cent millions de visiteurs uniques en janvier 2023, selon une estimation de la banque UBS d’après le trafic mesuré par Similarweb : pas un chiffre d’OpenAI.
Ouvrir le capot.
Comment il fabrique une réponse, sans maths.
Module « Comment fonctionne un LLM (sans maths) »
- Token
- Entraînement
- Paramètres
- Hallucinations
- Température
- Context window
- RAG
- Agents
Avant de continuer, sans revenir en arrière : qu’est-ce qui a changé fin 2022, le moteur ou la porte d’entrée ?
La porte d’entrée : une conversation gratuite et un modèle qui suit des consignes. Le moteur date de 2017.
Comment fonctionne un LLM · 1 sur 8 · Token
Il ne lit pas des mots. Il lit des morceaux.
La question du client, telle que le modèle la reçoit
Découpage réel, mesuré le 17 octobre 2026 avec le découpeur ouvert d’OpenAI (tiktoken, o200k_base).
La seule chose que le modèle manipule, ce sont ces numéros.
À l’atelier aussi, la consigne « Ne redémarrez pas la presse tant que le carter n’est pas refermé. » compte 19 morceaux (même mesure), et « carter » y devient carter : pour la machine, ce n’est pas un mot, ce sont deux morceaux.
Comment fonctionne un LLM · 2 sur 8 · Entraînement, paramètres
Il a appris en devinant la suite, des milliers de milliards de fois.
Imaginez, parmi ses lectures, des échanges de service client comme celui de ce matin. Ses réglages, les paramètres croisés avec GPT-3 : des milliards de petites molettes, tournées jusqu’à ce qu’il devine bien.
De 1,5 milliard de paramètres (GPT-2, 2019) à 405 milliards (Llama 3.1, 2024).
Plus de 15 000 milliards de morceaux lus pour entraîner Llama 3 (Meta, 2024).
Second temps : des humains classent ses réponses
Ils rédigent des exemples et classent ses réponses : il devient plus utile et suit mieux les consignes, mais se montre plus sûr de lui qu’il ne devrait l’être (rapport technique GPT-4) et tend à donner raison à son interlocuteur (Anthropic, 2023).
Ses lectures s’arrêtent à une date, que l’éditeur publie : juin 2026 pour les modèles Claude actuels.
Il retient surtout des régularités, mais mémorise aussi des passages de ses lectures, qu’il peut restituer mot pour mot.
C’est le cas par défaut sur ChatGPT (option à désactiver dans les contrôles des données) ; chez Claude, sur accord de l’utilisateur, depuis 2025.
La règle du Niveau 0 ne change pas : rien de sensible dans un outil grand public, et l’option d’entraînement désactivée.
Comment fonctionne un LLM · 3 sur 8 · Prédiction
Une réponse, c’est une suite de choix probables.
Quel morceau ensuite ?
Oui, votre garantie couvre …
Probabilités inventées pour l’illustration.
Il choisit un morceau, l’ajoute, recommence : morceau par morceau, jusqu’au point final.
Comment fonctionne un LLM · 4 sur 8 · Hallucinations
Pourquoi il a répondu oui : la forme était plus probable que le doute.
Votre contrat n’est pas dans ses lectures.
Rien à consulter : il produit la suite la plus plausible.
Il ne sait pas qu’il ne sait pas.
Et son second temps d’entraînement l’a rendu plus sûr de lui qu’il ne devrait l’être.
Il a été récompensé pour répondre.
Comme à un examen à choix multiples sans points négatifs, deviner rapporte plus que dire « je ne sais pas » (Kalai et al., OpenAI, 2025).
Rappel du Niveau 0Plausible n’est pas vrai. Le ton assuré ne prouve rien ; lui demander s’il est sûr non plus.
Comment fonctionne un LLM · 5 sur 8 · Température
Deux réponses différentes à la même question : un bouton, pas un bug.
Les mêmes barres : quel morceau sera tiré ?
Oui, votre garantie couvre …
Température basse : presque toujours « la », réponse stable
Température haute : parfois « uniquement », réponse variée
Probabilités inventées pour l’illustration.
Ce hasard a un bouton, la température, que règle le concepteur dans l’interface technique. Sur les modèles les plus récents, l’éditeur le fixe souvent lui-même. Pour un service client : la stabilité.
Repères des documentations d’OpenAI (0 à 2) et d’Anthropic (0 à 1), consultées le 17 octobre 2026 ; même à la température la plus basse, les réponses ne sont pas strictement identiques.
Par analogie, à l’atelier : le seuil d’une caméra qualité, strict ou souple, c’est le fournisseur qui le règle, pas l’opérateur.
Comment fonctionne un LLM · 6 sur 8 · Context window (fenêtre de contexte)
Il ne voit que ce qui tient dans sa fenêtre.
Selon le modèle, de quelques centaines à plus d’un millier de pages ; pour les plus grands, un million de morceaux.
Documentations des éditeurs consultées le 17 octobre 2026 ; page de 500 mots, mesure maison.
Comment fonctionne un LLM · 7 sur 8 · RAG
Donnez-lui le classeur avant qu’il réponde.
Le classeur, ce sont vos documents : il y cherche les passages utiles avant de répondre.
Son nom technique : RAG, Retrieval-Augmented Generation, « génération augmentée par la recherche » (Lewis et al., 2020).
Vos documents : le contrat de garantie, la base produits. À l’atelier, le classeur de procédures affiché au poste ou la notice de la machine.
Ce que le classeur ne règle pas
- Il peut encore mal lire le passage.
- Un classeur mal rangé ou périmé donne de mauvaises réponses.
- Des outils juridiques fondés sur le RAG se trompaient encore dans 17 à 33 % des cas (Stanford, 2024) : la source affichée se vérifie.
Comment fonctionne un LLM · 8 sur 8 · Agents
L’agent est un assistant à qui l’on a donné des outils.
Sa boucle : il planifie, agit, regarde le résultat, recommence.
Ce qui change : il agit dans vos systèmes ; une erreur de plan a des conséquences réelles. La règle : un accord humain avant toute action qui engage ; les éditeurs eux-mêmes recommandent des points de contrôle humains.
Imaginons un agent qui, après une pièce défectueuse vue par la caméra, ouvre seul un ticket de maintenance et bloque la ligne : utile seulement si quelqu’un valide avant qu’elle reparte.
Ce que vous pouvez expliquer
Avec ces huit mots, vous expliquez l’IA à un collègue.
Lequel sauriez-vous expliquer sans relire ? Prenez quelques secondes.
Token
Il ne lit pas des mots, il lit des morceaux numérotés.
Entraînement
Il a appris en devinant la suite ; depuis, il n’apprend plus de vos échanges.
Paramètres
Des milliards de réglages fixés à l’entraînement.
Hallucination
Il ne ment pas, il complète.
Température
Le hasard de ses réponses a un bouton.
Fenêtre de contexte
Ce qu’il n’a pas sous les yeux, il ne le sait pas.
RAG
Le classeur avant la réponse.
Agent
Il agit, vous validez.
Reconnaître.
Les autres familles de l’IA.
Au Niveau 0, trois familles par fonction : classer, créer, agir. Ici, les mêmes moteurs, rangés par matière.
Module « Les grandes familles d’IA »
- Texte
- Images
- Vidéo
- Audio
- Voix
- Code
- Robotique
- IA scientifique
Avant de continuer : pourquoi l’assistant a-t-il répondu oui à tort ?
Il a continué la phrase la plus plausible sans consulter le contrat. Avec le contrat dans sa fenêtre, il aurait répondu non.
Les grandes familles d’IA · 1 sur 2
La même idée vaut pour d’autres morceaux.
Les mêmes réseaux apprennent par l’exemple sur tout ce qu’on sait découper : des mots, des lignes de code, des carreaux d’image, des tranches de son.
Sur chaque carte, la question à poser, rangée sous l’une des trois questions de la fin : 1 de quoi est-il fait ? 2 où se trompe-t-il, et comment le verrons-nous ? 3 que fait-il de nos données, et que fait-il sans nous ?
Texte
Rédiger, résumer, traduire : c’est l’assistant de ce matin, comme les assistants grand public.
Limite : plausible n’est pas vrai.
Question 2Montre-t-il sa source ?
Code
Le code est un langage : à partir du début d’un programme, le modèle en prédit la suite. C’est le principe des assistants de programmation.
Limite : qui relit ?
Question 2Qui vérifie avant la mise en service ?
Images
La plupart des générateurs partent d’un brouillard de pixels et le débruitent par étapes, guidés par le texte : la « diffusion ». Certains générateurs récents procèdent autrement.
Un même modèle peut aussi lire une photo et répondre : on dit « multimodal ».
Limite : une image plausible n’est pas une image vraie.
Question 3Que deviennent les images que vous lui confiez ?
Vidéo
Le même principe, étendu au mouvement. Certains modèles ajoutent le son, comme Veo 3 (Google, mai 2025).
Limite : un faux ne se voit plus à l’œil nu (vu au Niveau 0 ; Parcours 8, IA responsable).
Question 2Comment prouve-t-on qu’une vidéo est vraie ?
Les grandes familles d’IA · 2 sur 2
Elle écoute, elle parle, elle bouge, elle calcule. L’humain valide.
Audio
La parole en texte : Whisper (OpenAI), publié en code ouvert en 2022, transcrit vos réunions. Et la musique générée.
Limite : une transcription se relit, noms propres et chiffres compris.
Question 3Où partent les enregistrements ?
Voix
Synthèse et traduction en direct. Clonage : quelques secondes à une dizaine de secondes d’enregistrement suffisent, selon les outils, pour copier une voix.
Limite : une voix ne prouve plus une identité ; rappelez par un autre canal.
Question 2Comment le fournisseur protège-t-il de l’usurpation ?
Robotique
Des bras, des véhicules sans conducteur qui transportent des passagers payants. Et dans l’appareil : des modèles compacts tournent sur le téléphone ou dans la caméra de contrôle qualité.
Le tri des pièces se fait dans la caméra ; l’entraînement, lui, se fait souvent ailleurs. D’où la question : où vont les images ?
Limite : le monde physique pardonne moins.
Question 3Que fait-il sans nous, et qui garde l’arrêt d’urgence ?
IA scientifique
La forme des protéines, prédite : AlphaFold vaut à Demis Hassabis et John Jumper le prix Nobel de chimie 2024, « pour la prédiction de la structure des protéines » ; David Baker le partage, pour leur conception par ordinateur. La météo : une IA en service au Centre européen de prévision météorologique (ECMWF) depuis février 2025.
Limite : même AlphaFold produit des prédictions ; la confirmation reste expérimentale.
Question 1Prédiction ou mesure ?
Les noms d’outils, famille par famille : les fiches outils d’iactoi.fr (iactoi.fr/outils).
Avant de dire oui
Reprenons l’assistant de ce matin. Posez trois questions avant de dire oui.
Fiche du fournisseur
La même grille pour la caméra de l’atelier : réglée sur vos pièces ou sur des pièces génériques ? Qui s’aperçoit d’une erreur : elle arrête la ligne seule ou prévient quelqu’un ? Où vont les images, qui les regarde, servent-elles à autre chose qu’à trier les pièces ?
Demain, à vous
Posez la même question, sans puis avec le document.
Un quart d’heure, avec l’outil autorisé chez vous. Aucun document interne : prenez un texte public.
Vous venez de vivre la fenêtre, le classeur et la vérification.
La grille du Niveau 0 s’applique : vert, orange à anonymiser, rouge jamais. Ici, tout est vert.
Où ouvrir un assistant : la diapositive « Où poser votre première question ? » du Niveau 0, ou les fiches outils (iactoi.fr/outils).
Ce que vous savez maintenant
À vous de résumer.
Un corrigé possible, à la première personne :
L’IA c’est toi.
Pour ancrer
Posez-vous ces trois questions dans sept jours.
Mettez dès maintenant un rappel dans votre agenda.
Pourquoi un assistant peut-il répondre oui à une question dont la réponse est non ?Indice : morceaux, plausible, contrat absent.
Qu’est-ce qui change quand on lui donne le document ?Indice : la fenêtre, le classeur.
La dernière annonce d’IA que vous avez vue : de quelle famille était-elle, et laquelle des trois questions lui poseriez-vous d’abord ?Indice : les huit familles, puis les trois questions avant de dire oui.
Répondez de mémoire, sans relire : se tester fixe mieux ce qu’on a appris qu’une nouvelle lecture (Roediger et Karpicke, 2006).
Pour aller plus loin
Chaque fait de ce support a sa source.
- A. M. Turing, « Computing Machinery and Intelligence », Mind, 1950 · J. McCarthy, M. L. Minsky, N. Rochester, C. E. Shannon, proposition de l’atelier de Dartmouth, 31 août 1955.
- J. Weizenbaum (MIT), « ELIZA… », Communications of the ACM, janvier 1966 · B. Tarnoff, « Weizenbaum’s nightmares », The Guardian, 25 juillet 2023.
- J. Lighthill, « Artificial Intelligence: A General Survey », Science Research Council, 1973 · M. Lim, « History of AI Winters », Actuaries Institute, 2018.
- B. G. Buchanan, E. H. Shortliffe, Rule-Based Expert Systems: The MYCIN Experiments, Addison-Wesley, 1984.
- A. Krizhevsky, I. Sutskever, G. E. Hinton, « ImageNet Classification with Deep Convolutional Neural Networks », NIPS, 2012 · ImageNet, résultats 2012 · H. Hsu (Computer History Museum), « CHM Releases AlexNet Source Code », mars 2025 · Y. LeCun, Y. Bengio, G. Hinton, « Deep learning », Nature, 2015.
- A. Vaswani et al. (Google), « Attention Is All You Need », juin 2017 · documents techniques de GPT-4 (OpenAI), Gemini 2.5 (Google), Claude 2 (Anthropic), Mixtral (Mistral AI).
- Commission d’enrichissement de la langue française, « grand modèle de langage », Journal officiel, 6 septembre 2024 · T. B. Brown et al. (OpenAI), « Language Models are Few-Shot Learners », 2020.
- J. Wei et al., « Emergent Abilities of Large Language Models », 2022 · R. Schaeffer et al., « Are Emergent Abilities of Large Language Models a Mirage? », 2023 · G. Brockman et al. (OpenAI), « OpenAI API », 11 juin 2020.
- OpenAI, « Aligning Language Models to Follow Instructions », 27 janvier 2022 · L. Ouyang et al. (OpenAI), mars 2022 · OpenAI, « ChatGPT: Optimizing Language Models for Dialogue », 30 novembre 2022.
- S. Altman, message sur X, 5 décembre 2022 · K. Hu, Reuters, 1er février 2023 · D. Milmo, The Guardian, 2 février 2023.
- Mesure maison du 17 octobre 2026 : tiktoken (OpenAI, licence MIT), o200k_base · OpenAI Cookbook, « How to count tokens with tiktoken » · Mistral AI, « Mistral NeMo », 2024 · Meta, « Introducing Meta Llama 3 », 2024.
- A. Cosma et al., « The Strawberry Problem… », EMNLP 2025 · T. Fu et al., « Why Do Large Language Models (LLMs) Struggle to Count Letters? », 2024.
- Google, Machine Learning Glossary, « gradient descent » · OpenAI, « Better Language Models and Their Implications », 14 février 2019 · Llama Team (Meta), « The Llama 3 Herd of Models », 2024 · M. Sharma et al. (Anthropic), « Towards Understanding Sycophancy in Language Models », 2023.
- N. Carlini et al., « Extracting Training Data from Large Language Models », 2021, et « Quantifying Memorization Across Neural Language Models », 2023 · A. T. Kalai et al. (OpenAI), « Why Language Models Hallucinate », septembre 2025.
- N. F. Liu et al., « Lost in the Middle », arXiv 2023, TACL 2024 · P. Lewis et al., « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks », NeurIPS 2020 · V. Magesh et al. (Stanford), « Hallucination-Free?… », 2024.
- Anthropic, « Building effective agents », 19 décembre 2024 · OpenAI, « A practical guide to building agents », 2025, et « Introducing ChatGPT agent », 17 juillet 2025.
- Documentations des éditeurs consultées le 17 octobre 2026 : tarifs (OpenAI, Anthropic, Google, Mistral AI), paramètre « temperature » (OpenAI, Anthropic), fenêtres de contexte (Anthropic, OpenAI, Google, Mistral AI), date limite des lectures (Anthropic), usage des conversations (OpenAI, Anthropic) · Anthropic, « Updates to Consumer Terms and Privacy Policy », 28 août 2025.
- A. Dosovitskiy et al., 2020 · J. Ho, A. Jain, P. Abbeel, 2020 · R. Rombach et al., CVPR 2022 · OpenAI : Whisper, 21 septembre 2022 ; GPT-4o, 13 mai 2024 ; génération d’images de GPT-4o, 25 mars 2025 · Google, Veo 3, 20 mai 2025.
- C. Wang et al. (Microsoft), VALL-E, 2023 · ElevenLabs, « AI Voice Cloning » · Apple, septembre 2025 et 9 juin 2025 · Electrek, Waymo, 13 mai 2026 · Cognex, cas Schneider Electric · The Nobel Prize, « The Nobel Prize in Chemistry 2024 », 9 octobre 2024 · ECMWF, 25 février 2025 · T. C. Terwilliger et al., Nature Methods.
- H. L. Roediger, J. D. Karpicke, « Test-Enhanced Learning », Psychological Science, 2006.
L’écosystème
Construire, puis transmettre.
Je construis avec vous.
Processus, automatisation, second cerveau, assistants et systèmes métier.
Je vous transmets les compétences pour continuer.
Formation, ateliers et autonomie.
ConstruireTransmettreAutonomiser
L’IA c’est toi.
Demain : la même question à votre assistant, sans puis avec le document.La suite : Parcours 2 — Devenir utilisateur de l’IA · Parcours 7 — Les fondamentaux techniques (tous deux en préparation, date non fixée). En attendant : les fiches « Assistants conversationnels » et « Développement & agents ».
Le programme : iactoi.fr/ecole · Les fiches outils : iactoi.fr/outils · Être prévenu de la sortie des vidéos : iactoi.fr/contact