Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
Un modèle de langage est un système algorithmique entraîné à estimer la probabilité d’un mot ou d’une séquence de mots dans un contexte donné, ce qui lui permet de prédire la suite la plus plausible d’un texte.
Il relève du traitement automatique du langage naturel. Il analyse des corpus textuels afin de capter des régularités linguistiques, syntaxiques et sémantiques. Le texte est d’abord découpé en unités élémentaires, les tokens, que le vocabulaire officiel nomme « jetons textuels ». Le modèle apprend ensuite, sur un corpus d’entraînement, à prédire un token à partir de son contexte, le plus souvent le token suivant à partir des précédents. Les modèles actuels reposent le plus souvent sur des réseaux de neurones de type Transformers, architecture présentée en 2017 par Vaswani et ses coauteurs dans l’article « Attention Is All You Need ».
Un modèle de langage comprend une architecture, des paramètres ajustés pendant l’entraînement et un vocabulaire de tokens. Les modèles conversationnels passent par un pré-entraînement sur de très grands volumes de textes, puis par des phases d’ajustement, comme le fine-tuning, qui les rendent aptes à suivre des instructions. Leur performance dépend de la qualité et de la quantité des données d’entraînement, ainsi que de leur architecture. Pour les modèles de grande taille, le terme officiel recommandé est « grand modèle de langage » (GML), équivalent de l’anglais LLM.
Le modèle de langage se distingue de l’IA générative, catégorie plus large qui inclut la production d’images, de sons ou de vidéos. Il se distingue aussi de l’assistant conversationnel, produit construit autour d’un ou de plusieurs modèles, avec une interface, des consignes et parfois des outils. En entreprise, il sert à la génération de texte, au résumé automatique, à la traduction, à la réponse à des questions, à la classification et à l’extraction d’informations.
Un modèle de langage produit un texte plausible, pas un texte vérifié. Il ne consulte pas par lui-même une base de faits : ses connaissances s’arrêtent à la fin de son entraînement et restent lacunaires sur les sujets pointus. D’où les hallucinations, ces affirmations fausses énoncées avec assurance. Nous recommandons de le traiter comme un rédacteur rapide et cultivé, jamais comme une source. Pour des réponses factuelles, il faut lui fournir vos propres documents, par exemple au moyen du RAG.
Les classements publiés donnent une indication, pas une décision. Cinq critères comptent pour une équipe marketing.
Le règlement européen sur l’intelligence artificielle encadre les fournisseurs de modèles d’IA à usage général, catégorie dont relèvent en règle générale les grands modèles de langage. Selon la Commission européenne (communication du 1er août 2025), leurs obligations de transparence et de respect du droit d’auteur s’appliquent depuis le 2 août 2025. Les modèles mis sur le marché avant cette date ont jusqu’au 2 août 2027 pour s’y conformer. Les modèles dont l’entraînement a mobilisé plus de 10²⁵ opérations de calcul en virgule flottante sont présumés présenter un risque systémique et supportent des obligations renforcées.
Une entreprise qui se contente d’utiliser un modèle n’en est pas le fournisseur. Elle reste soumise au RGPD dès qu’elle lui confie des données personnelles.
Nous recommandons de constituer un jeu de test de demandes réelles, avec la réponse attendue ou des critères de qualité ; trente à cinquante demandes suffisent, à titre indicatif, pour un premier tri. Mesurez le taux de réponses utilisables sans retouche, le taux d’erreurs factuelles, le temps de relecture et le coût par demande. Rejouez ce jeu à chaque changement de modèle ou de version : le comportement d’un modèle peut varier d’une version à l’autre.
Advalians accompagne votre projet en assistance à maîtrise d’ouvrage : analyse de vos pratiques, évaluation des dispositifs en place et restitution priorisée.
Le modèle de langage est le moteur : il calcule la suite la plus plausible d’un texte. L’assistant conversationnel est le produit construit autour de lui. Il ajoute une interface, des consignes fixées par l’éditeur, une mémoire de la conversation et parfois des outils, comme la recherche sur le web ou l’accès à des documents.
Conséquence pratique : deux assistants fondés sur le même modèle peuvent donner des résultats très différents. Lorsque vous évaluez une solution, testez l’assistant complet dans vos conditions d’usage. Demandez aussi quel modèle il utilise et comment ses versions évoluent.
Constituez un jeu de test à partir de demandes réelles : rédaction d’une accroche, synthèse d’un rapport, classement d’avis clients. À titre indicatif, trente à cinquante demandes suffisent pour un premier tri. Définissez pour chacune la réponse attendue ou des critères de qualité.
Faites noter les réponses par deux personnes de l’équipe, sans qu’elles sachent quel modèle a produit quoi. Relevez aussi le coût et le temps de réponse. Retenez le modèle qui obtient le meilleur taux de réponses utilisables sans retouche, puis validez les conditions de traitement des données avec votre service juridique.
Mesurez-la sur vos propres cas, pas sur des classements généraux. Suivez trois indicateurs : le taux d’erreurs factuelles relevées en relecture, le taux de réponses utilisables sans retouche et le taux de réponses hors sujet ou incomplètes. Pour les questions factuelles, vérifiez que chaque affirmation se rattache à une source fournie au modèle.
Rejouez le même jeu de test à chaque nouvelle version, car le comportement peut changer. Conservez l’historique des résultats : il objective la décision de changer de modèle et évite de juger sur une impression.
Non, pas sans vérification. Un modèle de langage produit un texte plausible à partir de régularités apprises ; il ne consulte pas une base de faits et peut énoncer une erreur avec assurance. Ses connaissances s’arrêtent en outre à la fin de son entraînement.
Pour un usage fiable, fournissez-lui vos documents de référence et demandez-lui d’indiquer le passage utilisé. Vérifiez chaque chiffre, chaque date et chaque citation avant diffusion. Réservez les réponses sans source aux usages où l’erreur coûte peu, comme la recherche d’idées ou la reformulation.
Cela dépend de la variété des tâches et de vos contraintes. Un grand modèle généraliste couvre une large gamme de demandes et se montre en général plus performant sur les cas complexes, mais il coûte plus cher et répond plus lentement. Un modèle plus petit, éventuellement ajusté sur vos données, suffit souvent pour une tâche répétitive et bien définie, comme la classification d’avis.
Critère de choix : testez d’abord le petit modèle sur votre tâche. S’il atteint le niveau de qualité fixé, retenez-le ; il facilite aussi un hébergement maîtrisé. Sinon, passez au modèle supérieur.
Par Thomas Bizot – Président du cabinet Advalians
L’illusion du problème budgétaire Voici un paradoxe que peu de directeurs marketing osent..
L’IA générative a d’abord été un accélérateur individuel : produire plus vite, reformuler..
Le scénario est classique : le Marketing demande du budget pour « construire..
