Intelligence artificielle générative : le guide complet 2026

L’intelligence artificielle générative est passée du statut de curiosité à celui d’outil de travail quotidien. Elle résume des documents, produit des images, transforme des données, écrit du code et peut désormais utiliser des outils. Cette polyvalence entretient pourtant une confusion : un système capable de rédiger une réponse convaincante ne comprend pas nécessairement le sujet comme un expert, ne vérifie pas automatiquement ses affirmations et ne protège pas toutes les informations qu’on lui confie.

Ce guide explique le fonctionnement de l’IA générative sans jargon inutile. Vous apprendrez ce qu’un modèle génère réellement, comment distinguer un chatbot d’un agent, quels usages sont raisonnables, comment choisir un service et comment vérifier une réponse avant de l’utiliser. L’objectif n’est pas de tout automatiser, mais de savoir où l’IA apporte un gain réel et où le jugement humain reste indispensable.

L’essentiel en 60 secondes. Une IA générative produit un contenu probable à partir d’une instruction et d’un contexte. Elle peut être très utile pour explorer, transformer, synthétiser ou structurer une information. Elle peut aussi inventer un fait, omettre une nuance ou reproduire un biais. Donnez-lui uniquement les données que vous êtes autorisé à partager, demandez un résultat vérifiable et contrôlez les éléments importants avec des sources indépendantes.

Qu’est-ce que l’intelligence artificielle générative ?

Le NIST définit l’IA générative comme une catégorie de modèles qui reproduisent certaines structures et caractéristiques de leurs données d’entrée afin de produire un contenu synthétique dérivé. Ce contenu peut prendre la forme de texte, d’image, d’audio, de vidéo, de code ou d’autres objets numériques.

Le mot « générative » est important. Une IA prédictive classique peut estimer le risque qu’un client résilie son abonnement. Une IA générative peut rédiger un message de rétention adapté à une situation. La première renvoie principalement une classe, une probabilité ou une valeur. La seconde construit un nouvel objet à partir des régularités apprises.

Cette distinction n’implique pas qu’un système génératif crée à partir de rien. Il s’appuie souvent sur un modèle entraîné avec de grandes quantités de données, puis sur les éléments fournis au moment de l’utilisation : votre demande, les messages précédents, les fichiers joints, les résultats d’une recherche ou les données d’un outil connecté.

IA, apprentissage automatique et LLM : trois niveaux différents

• L’intelligence artificielle est le domaine général qui regroupe des méthodes permettant à un système d’effectuer des tâches associées à la perception, au raisonnement, à la décision ou à la génération.
• L’apprentissage automatique, ou machine learning, est une famille de méthodes où le comportement du système est appris à partir de données plutôt que décrit uniquement par des règles écrites à la main.
• Un grand modèle de langage, ou LLM, est un modèle entraîné sur du langage et souvent d’autres modalités. Il produit une suite de tokens en fonction du contexte reçu.

Toutes les IA génératives ne sont donc pas des LLM. Un modèle spécialisé dans l’image peut fonctionner avec d’autres architectures. À l’inverse, un LLM peut être intégré dans un système plus vaste comprenant une recherche documentaire, des règles métier, un moteur de calcul et des contrôles humains.

Pour une introduction progressive avec exercices, consultez aussi la leçon Comprendre l’IA générative sans jargon.

Comment fonctionne une IA générative ?

Une explication utile doit séparer deux phases : l’entraînement et l’inférence. Pendant l’entraînement, les grands modèles génératifs modernes ajustent souvent un très grand nombre de paramètres afin de mieux représenter les régularités présentes dans les données. Pendant l’inférence, le modèle utilise ces paramètres pour produire une réponse à partir du contexte qui lui est présenté.

L’entraînement : apprendre des régularités

Un modèle de langage est notamment entraîné à prédire des éléments manquants ou la suite d’une séquence. Répétée à très grande échelle, cette tâche lui permet d’apprendre des associations entre mots, structures, concepts, styles et formats. Des étapes supplémentaires peuvent ensuite améliorer le suivi des instructions, la sécurité ou l’utilité des réponses.

Le modèle ne conserve pas une copie consultable de chaque document d’entraînement comme le ferait un moteur de recherche. Il encode des régularités dans ses paramètres. Cela n’exclut ni la mémorisation de certains fragments ni le risque de régurgitation. C’est l’une des raisons pour lesquelles les données d’entraînement, les licences et la protection des informations personnelles restent des sujets majeurs.

L’inférence : générer à partir du contexte

Dans le cas d’un grand modèle de langage autorégressif, le texte est découpé en unités appelées tokens. Le modèle calcule ensuite une distribution de probabilités pour le token suivant, en tenant compte de l’instruction et du contexte disponible. Le processus se répète jusqu’à la fin de la réponse. D’autres familles génératives, comme certains modèles de diffusion pour l’image ou l’audio, suivent un mécanisme différent.

Dire qu’un LLM autorégressif « prédit le mot suivant » est une simplification utile, mais incomplète. Les systèmes récents peuvent planifier, appeler des outils, traiter plusieurs modalités et consacrer davantage de calcul à un problème complexe. Leur sortie reste néanmoins probabiliste : une formulation très plausible ne constitue pas une preuve.

La fenêtre de contexte n’est ni une mémoire infinie ni Internet

La fenêtre de contexte correspond à la quantité d’information que le système peut prendre en compte pendant une interaction. Elle peut contenir votre prompt, des fichiers, l’historique de la discussion, les instructions du service et les résultats des outils. Une grande fenêtre permet de traiter des dossiers volumineux, mais ne garantit pas que chaque détail recevra la même attention.

La connaissance acquise pendant l’entraînement, le contexte temporaire de la conversation, une mémoire conservée entre plusieurs échanges et une recherche en ligne sont quatre mécanismes distincts. Pour éviter les malentendus, vérifiez dans l’interface les citations ouvrables, l’historique des outils ou les journaux d’exécution. Une simple affirmation du modèle sur les sources consultées n’est pas une preuve.

Modèle, chatbot, système, copilote et agent : ne plus les confondre

Terme	Rôle principal	Exemple de capacité	Point de vigilance
Modèle	Générer ou analyser un contenu	Produire un résumé	Il ne dispose pas nécessairement d’outils ou de données actuelles
Chatbot	Fournir une interface de conversation	Répondre à une suite de questions	L’interface peut masquer le modèle réellement utilisé
Système d’IA	Combiner modèle, données, règles et interface	Assister un service client	La qualité dépend de toute la chaîne, pas seulement du modèle
Copilote	Proposer pendant qu’un humain garde la main	Suggérer une formule dans un tableur	Le contrôle humain doit rester réel
Agent	Choisir et exécuter plusieurs actions vers un objectif	Collecter des données puis préparer un rapport	Les permissions et conditions d’arrêt deviennent critiques

Cette distinction évite de comparer des éléments qui ne sont pas au même niveau. Deux services peuvent utiliser des modèles différents, mais aussi appliquer des instructions, outils, interfaces, limites et politiques de confidentialité différentes. L’expérience finale dépend de cet ensemble.

Un agent ne se résume pas à une longue réponse. Il reçoit un objectif, choisit une étape, utilise éventuellement un outil, observe le résultat puis adapte la suite. Cette autonomie peut être utile, mais elle augmente aussi le risque d’une action inappropriée. Le guide des agents IA et de MCP détaille cette architecture et les garde-fous à prévoir.

Texte, image, audio, vidéo et code : cinq types de contenus à distinguer

Le terme « multimodal » désigne un système capable de traiter ou de produire plusieurs types de contenus. Le code est généralement un contenu textuel spécialisé, pas une modalité indépendante comparable à l’image ou à l’audio. Il ne faut pas en déduire que la qualité est identique pour tous les contenus. Une tâche d’analyse d’image, une transcription audio, une génération vidéo et une modification de code sollicitent des capacités, des coûts et des méthodes de vérification différents.

Type de contenu	Usages raisonnables	Contrôle conseillé
Texte	Plan, résumé, reformulation, classification, extraction	Comparer au document source et vérifier les faits
Image	Concept visuel, variation, maquette, illustration	Inspecter les détails, droits, ressemblances et texte intégré
Audio	Transcription, synthèse, voix, traduction	Réécouter les passages sensibles et signaler une voix synthétique si nécessaire
Vidéo	Storyboard, prototype, séquence explicative	Contrôler continuité, personnes représentées et consentements
Code	Explication, test, refactorisation, prototype	Exécuter les tests, analyser la sécurité et relire les dépendances

Une consigne efficace nomme précisément le type de contenu et le résultat attendu. Pour une image, décrivez le sujet, la composition, le cadrage, la lumière et les contraintes de marque. Pour un document, indiquez les pages ou sections à exploiter. La leçon Documents, images et vision montre comment apporter un contexte multimodal exploitable.

Contexte, recherche, RAG et outils : ce qui rend une réponse plus utile

Les progrès visibles ne proviennent pas uniquement de modèles plus puissants. Une grande partie de la valeur vient de la façon dont le système donne au modèle les bonnes informations et les bons moyens d’action.

Le prompt et le contexte fourni

Un prompt utile décrit le résultat, le contexte qui change la réponse, les contraintes, les critères de réussite et le format attendu. Il n’a pas besoin d’être théâtral ou excessivement long. Le guide complet du prompt engineering propose une méthode pour construire puis tester des instructions réutilisables.

La recherche web

Un système connecté au web peut consulter des informations récentes, mais la présence de liens ne garantit pas une recherche exhaustive. Vérifiez que chaque source soutient réellement la phrase associée, qu’elle est datée et qu’elle provient d’un acteur compétent sur le sujet.

Le RAG et les bases documentaires

La génération augmentée par récupération, souvent appelée RAG, recherche des passages pertinents dans une base avant de les transmettre au modèle. Elle peut améliorer l’ancrage d’une réponse dans les documents de l’organisation. Elle ne corrige pas automatiquement un mauvais découpage, une source obsolète, un droit d’accès mal configuré ou une instruction ambiguë.

Un RAG sérieux doit permettre de retrouver le passage utilisé, sa source, sa version et ses droits d’accès. La leçon RAG fiable et cité approfondit ces critères.

Les outils et connecteurs

Un outil permet au système d’effectuer une opération déterminée : lancer un calcul, interroger une base, créer un événement ou préparer un fichier. Le modèle propose un appel structuré, puis l’application exécute l’action selon ses permissions. Les actions réversibles et les lectures peuvent être plus autonomes. Les envois, achats, suppressions et publications devraient généralement demander une validation.

Douze usages concrets de l’IA générative

Un bon cas d’usage possède un résultat observable, des données disponibles et une méthode de contrôle. « Utiliser l’IA au marketing » est trop vague. « Transformer un entretien validé en trois variantes de publication, relues par le responsable de marque » est testable.

1. Explorer un sujet. Demander une carte des concepts, des questions à résoudre et des sources à consulter avant de rédiger.
2. Résumer un document. Fournir le texte source, préciser l’audience et exiger les références de page ou de section.
3. Comparer plusieurs documents. Définir les dimensions de comparaison et demander une ligne « information absente » plutôt qu’une supposition.
4. Réécrire sans changer le fond. Fixer le ton, la longueur, les termes à préserver et la liste des modifications attendues.
5. Extraire des données. Définir un schéma de sortie, les valeurs autorisées et le traitement des champs inconnus.
6. Préparer une réunion. Synthétiser les dossiers, identifier les décisions, les risques et les questions ouvertes.
7. Analyser des retours clients. Construire une taxonomie, classer un échantillon, la valider puis traiter le reste.
8. Créer un premier concept visuel. Produire des pistes exploratoires avant le travail final d’un designer.
9. Assister le développement. Expliquer du code, proposer des tests ou préparer une modification soumise à revue.
10. Traduire avec contexte. Fournir un glossaire, le public, le registre et les passages qui ne doivent pas être traduits.
11. Former et simuler. Créer un dialogue d’entraînement avec critères d’évaluation et retour pédagogique.
12. Construire un livrable. Combiner fichiers, recherche et itérations pour produire un rapport, un tableur ou une présentation contrôlable.

Le gain apparaît souvent sur la première version, la transformation de formats ou la recherche de variantes. La responsabilité ne disparaît pas pour autant. Une personne compétente doit valider le résultat lorsqu’il influence un droit, un contrat, une décision financière, médicale, juridique, sociale ou de sécurité.

Évaluer la qualité et la valeur avant de généraliser

Une démonstration réussie ne prouve pas qu’un système fonctionnera sur cent dossiers différents. Pour décider, construisez un jeu d’évaluation représentatif. Il doit contenir des cas ordinaires, des cas difficiles, des données incomplètes et quelques exemples où le système devrait refuser ou demander une précision.

Des critères observables plutôt qu’une impression

Une note globale comme « réponse satisfaisante » masque souvent les vrais écarts. Décomposez la qualité : exactitude factuelle, fidélité aux sources, couverture des points attendus, respect du format, clarté, ton, temps de contrôle et gravité des erreurs. Certains critères peuvent être automatiques, mais les nuances métier demandent fréquemment une revue humaine.

Mesure	Question	Exemple d’indicateur
Qualité	Le résultat répond-il au besoin ?	Pourcentage de critères satisfaits
Fiabilité	Les faits et citations sont-ils corrects ?	Erreurs majeures par dossier
Productivité	Le processus complet est-il plus rapide ?	Minutes, contrôle inclus
Coût	Combien coûte un résultat utilisable ?	Abonnement, usage et temps humain
Robustesse	Le résultat reste-t-il bon quand l’entrée varie ?	Taux de réussite sur les cas difficiles
Adoption	L’utilisateur comprend-il quand faire confiance ?	Erreurs détectées et satisfaction

Comparez toujours le nouveau processus à une référence réaliste. Si un humain accomplit la tâche en vingt minutes, une génération de deux minutes suivie de vingt-cinq minutes de correction n’est pas un gain. À l’inverse, une qualité identique avec une meilleure traçabilité ou une charge mentale réduite peut justifier le changement.

Versionner pour comprendre ce qui améliore le résultat

Conservez le prompt, le modèle ou mode, les paramètres importants, la date et les résultats du test. Ne changez qu’un élément à la fois lorsque c’est possible. Répétez certains cas plusieurs fois avec les mêmes paramètres lorsque la variabilité est importante. Vous distinguerez mieux un progrès réel d’une meilleure instruction, d’une source plus propre, d’un autre modèle ou d’un simple tirage favorable.

Les services évoluent. Rejouez périodiquement un petit jeu stable et ajoutez chaque erreur importante comme nouveau cas de test. La leçon Évaluer et versionner ses prompts fournit une méthode reproductible.

Ce que l’IA générative fait mal ou de manière instable

Les hallucinations

Une hallucination est une information générée qui paraît cohérente mais qui est fausse ou non étayée. Elle peut concerner un chiffre, une citation, un article de loi, une URL ou même l’existence d’un document. Demander au modèle d’être certain ne transforme pas une probabilité linguistique en preuve.

Réduisez ce risque en fournissant des sources, en exigeant la distinction entre fait et inférence, en autorisant explicitement la réponse « information insuffisante » et en vérifiant les points importants. La leçon Hallucinations : vérifier avant de faire confiance propose des exercices pratiques.

Les biais et angles morts

Les données, la méthode d’entraînement, le prompt et le contexte d’usage peuvent produire des biais. Une réponse moyenne peut invisibiliser un public minoritaire, reproduire un stéréotype ou privilégier les sources les plus présentes en ligne. Pour une décision concernant des personnes, testez des cas variés et documentez les écarts.

Le calcul et les données précises

Un modèle de langage peut expliquer une formule tout en commettant une erreur arithmétique. Pour les calculs, utilisez un outil d’exécution, un tableur ou un programme, puis vérifiez les unités et les hypothèses. Une réponse numérique sans détail sur les données d’entrée n’est pas auditable.

La cohérence sur les longues tâches

Plus une tâche comporte d’étapes, plus les erreurs peuvent s’accumuler. Découpez le travail en jalons vérifiables. Faites valider le plan, puis chaque livrable important. Conservez les critères de réussite dans un document de référence plutôt que de compter sur un historique de conversation très long.

Quand ne pas utiliser l’IA générative

La meilleure décision peut être de conserver une règle simple, un formulaire, une recherche classique ou un expert humain. Une technologie générative ajoute de la variabilité. Cette variabilité est précieuse pour explorer ou rédiger, mais inutile lorsque le résultat doit être exactement identique à chaque exécution.

• Une règle déterministe suffit. Pour appliquer un barème fixe, un calcul ou une validation de format, un programme classique est plus prévisible.
• L’erreur est immédiatement irréversible. Une décision critique sans possibilité de contrôle ou de recours ne doit pas dépendre d’une sortie générative non validée.
• Les données ne peuvent pas être partagées. Si aucun environnement conforme n’est disponible, retirez l’IA du processus.
• La source doit être exhaustive. Une recherche juridique, scientifique ou réglementaire exige une méthode documentaire adaptée et une personne compétente.
• Le volume est trop faible. Concevoir, sécuriser et maintenir une automatisation peut coûter plus cher que réaliser quelques cas manuellement.
• La relation humaine constitue le service. Dans certaines annonces difficiles, négociations ou situations de soin, l’assistance peut préparer, mais ne doit pas effacer la présence et la responsabilité humaines.

Une approche hybride est souvent la plus solide : logiciel déterministe pour les règles, IA générative pour les parties ambiguës, puis validation humaine aux points de décision. Cette répartition rend les responsabilités plus claires et facilite les tests.

Confidentialité, sécurité, données personnelles et droit d’auteur

Avant de coller une information dans un service, posez une question simple : êtes-vous autorisé à la transmettre à ce fournisseur, selon ce contrat, avec cette configuration ? Une donnée accessible à vos collègues n’est pas automatiquement partageable avec un service externe.

• Évitez les mots de passe, clés d’API, secrets d’affaires et dossiers non nécessaires.
• Identifiez les données personnelles, sensibles, contractuelles ou couvertes par un secret.
• Vérifiez la conservation, la réutilisation pour l’entraînement, la localisation et les accès administrateurs.
• Préférez un compte professionnel correctement configuré pour les usages professionnels.
• Retirez ou pseudonymisez les informations qui ne sont pas utiles à la tâche.

La CNIL recommande aux organisations de définir des usages autorisés et interdits, de former les utilisateurs et de contrôler régulièrement les pratiques. Elle rappelle aussi que les sorties doivent être vérifiées, notamment pour l’exactitude, le plagiat potentiel et les biais.

La prompt injection

Une injection de prompt est une instruction malveillante placée dans un contenu traité par le système. Elle peut se trouver dans une page web, un courriel ou un document et tenter de détourner l’agent de son objectif. Séparer les données des instructions aide, mais ne suffit pas. Il faut aussi limiter les permissions, filtrer les entrées et les sorties, journaliser les actions et confirmer les opérations sensibles.

Pour aller plus loin, consultez Prompt injection, confidentialité et sécurité et le guide IA générative en entreprise, RGPD et AI Act.

Le droit d’auteur

Les questions de droit d’auteur concernent les données utilisées pour entraîner un modèle, les contenus fournis en entrée et les résultats générés. Leur réponse dépend du pays, du contrat, de la nature de l’œuvre et de l’usage. Ne supposez pas qu’un contenu généré est automatiquement libre de droits, original ou protégeable. Pour un usage commercial important, conservez les sources et les étapes de création, effectuez des recherches de similarité lorsque c’est pertinent et demandez un avis juridique adapté.

Comment choisir un outil d’IA générative

Commencez par la tâche, pas par le classement du moment. Le meilleur outil pour analyser un dossier confidentiel n’est pas nécessairement celui qui produit l’image la plus créative. Préparez cinq cas représentatifs, des résultats attendus et des erreurs inacceptables.

Critère	Question à poser	Preuve à demander
Qualité	Le résultat est-il correct sur nos cas réels ?	Test reproductible et revue humaine
Sources	Peut-on retrouver le passage utilisé ?	Lien, citation et extrait vérifiable
Données	Les entrées servent-elles à entraîner le service ?	Contrat, réglage et documentation du fournisseur
Intégrations	Quels fichiers et outils peut-il utiliser ?	Liste des connecteurs et permissions
Administration	Peut-on gérer les comptes et journaux ?	SSO, rôles, journaux d’audit et politiques de conservation
Coût	Quel est le coût complet du cas d’usage ?	Abonnement, consommation, intégration, contrôle et formation
Réversibilité	Peut-on exporter les données et changer de fournisseur ?	Formats d’export et clauses de sortie

Les fonctionnalités et limites évoluent rapidement. Le comparatif ChatGPT, Claude, Gemini et Mistral fournit une grille par profil et un protocole de test que vous pouvez rejouer avec vos propres documents.

Ce que les évolutions de 2026 changent vraiment

Les annonces de l’été 2026 illustrent une évolution importante : la capacité d’un modèle, sa vitesse et son prix se règlent de plus en plus séparément. Le 30 juillet, OpenAI a réduit de 80 % le prix API de GPT-5.6 Luna et de 20 % celui de Terra. L’entreprise a aussi lancé Fast mode pour GPT-5.6 Sol, avec une vitesse annoncée pouvant atteindre 2,5 fois celle du traitement Standard, au double du prix. Les abonnements ChatGPT et Codex n’ont pas baissé pour autant. Notre analyse des nouveaux tarifs GPT-5.6 et de Fast mode distingue ces différents niveaux.

Google suit une logique comparable avec Gemini 3.6 Flash et Gemini 3.5 Flash-Lite, disponibles en production depuis le 21 juillet 2026. Le premier vise notamment le code, le multimodal et les tâches agentiques complexes. Le second privilégie le débit, l’extraction et les sous-tâches à grand volume. Cette disponibilité dans l’API ne signifie pas que chaque interface Gemini utilise automatiquement le même modèle, avec les mêmes outils et les mêmes limites. Le point complet sur Gemini 3.6 Flash et 3.5 Flash-Lite détaille aussi les changements nécessaires pour une migration.

Trois dimensions à mesurer séparément lorsqu’un fournisseur annonce un nouveau modèle ou un nouveau mode

Dimension	Ce que l’annonce peut indiquer	Ce que votre test doit établir
Qualité	Scores, capacités ou usages recommandés	Taux de réussite sur vos cas et gravité des erreurs
Vitesse	Débit, latence ou mode prioritaire	Temps complet, outils et validation compris
Coût	Prix du jeton, crédit ou abonnement	Coût par résultat accepté, reprises humaines comprises

Exemple concret : router selon la difficulté plutôt que tout envoyer au même modèle

Imaginez 10 000 demandes clients par semaine. Un modèle rapide et économique peut extraire le numéro de dossier, détecter la langue et classer les demandes simples. Une règle déterministe valide les champs. Les dossiers ambigus sont envoyés à un modèle plus capable avec davantage de contexte. Les remboursements, litiges ou demandes impliquant une personne sont transmis à un humain avec les faits et sources déjà préparés.

Cette architecture réduit potentiellement le coût sans demander au modèle léger de résoudre les cas qui dépassent ses capacités. Elle exige un mécanisme d’escalade observable : niveau de confiance, champ absent, contradiction, outil en échec ou catégorie sensible. La bonne économie ne consiste pas à choisir le prix unitaire le plus bas. Elle consiste à utiliser le niveau minimal de capacité qui atteint le seuil de qualité, puis à transférer proprement le reste.

À retenir : un modèle moins cher peut rendre un nouveau cas d’usage viable, mais il ne réduit pas automatiquement le coût total. Mesurez les jetons de sortie, les appels d’outils, les relances, la latence de bout en bout et le temps de contrôle humain.

Une méthode en six étapes pour vérifier une réponse

1. Définir le niveau de risque. Une idée de titre et un calcul fiscal ne demandent pas le même contrôle.
2. Séparer les affirmations. Isolez faits, chiffres, citations, hypothèses et recommandations.
3. Remonter aux sources primaires. Ouvrez le texte officiel, la documentation de l’éditeur ou l’étude d’origine.
4. Contrôler la correspondance. Une source pertinente peut ne pas soutenir la phrase exacte.
5. Recalculer ou reproduire. Rejouez les calculs, tests, requêtes ou étapes importantes avec un outil adapté.
6. Faire relire par la bonne personne. Le validateur doit comprendre le domaine et les conséquences d’une erreur.

Bon réflexe : demandez au système de lister séparément ce qu’il sait grâce aux sources fournies, ce qu’il déduit et ce qu’il n’a pas pu vérifier. Cette structure ne garantit pas l’exactitude, mais rend le contrôle plus rapide.

La leçon Recherche assistée : sources, preuves et citations permet de pratiquer cette méthode sur un dossier complet.

Bien démarrer en sept jours sans déployer une usine à gaz

Jour	Action	Livrable
1	Choisir une tâche fréquente, peu risquée et facile à vérifier	Fiche du cas d’usage
2	Rassembler cinq exemples réels et retirer les données inutiles	Petit jeu de test
3	Définir le résultat attendu et les erreurs inacceptables	Grille de contrôle
4	Tester deux outils avec la même consigne	Résultats comparables
5	Améliorer le prompt et documenter la version retenue	Prompt versionné
6	Mesurer temps gagné, corrections et cas d’échec	Bilan simple
7	Décider de poursuivre, modifier ou arrêter	Décision argumentée

Ce premier test doit rester petit. S’il fonctionne, élargissez progressivement le volume et la diversité des cas. S’il échoue, identifiez la cause : données insuffisantes, modèle inadapté, prompt ambigu, contrôle trop coûteux ou tâche qui ne devrait pas être automatisée.

Glossaire essentiel

• Agent : système qui sélectionne et exécute plusieurs actions pour atteindre un objectif.
• Contexte : informations disponibles pour produire la réponse actuelle.
• Embedding : représentation numérique utilisée notamment pour mesurer la proximité entre contenus.
• Fine-tuning : entraînement supplémentaire qui adapte un modèle à des exemples ou comportements ciblés.
• Hallucination : contenu faux ou non étayé présenté de façon plausible.
• Inférence : phase pendant laquelle un modèle produit un résultat à partir d’une entrée.
• LLM : grand modèle de langage.
• Multimodal : capable de traiter ou générer plusieurs types de contenus.
• Prompt : instruction et contexte transmis à un système génératif.
• RAG : méthode qui récupère des passages pertinents avant la génération.
• Token : unité utilisée par un modèle pour représenter une séquence.
• Appel d’outil, ou tool calling : production d’un appel structuré qu’une application peut exécuter.

Checklist avant d’utiliser une IA générative

• Le résultat attendu et son utilisateur sont définis.
• Les informations partagées sont nécessaires et autorisées.
• Le service, le compte et les réglages sont adaptés au niveau de confidentialité.
• Les sources ou documents de référence sont accessibles.
• Les erreurs inacceptables sont listées.
• Une personne responsable du contrôle est désignée.
• Les calculs, citations et faits importants peuvent être reproduits.
• Les permissions d’outils sont limitées au strict nécessaire.
• Une action sensible demande une validation humaine.
• Le prompt, le modèle, la date et le résultat peuvent être retrouvés si nécessaire.

Questions fréquentes sur l’IA générative

Quelle est la différence entre IA et IA générative ?

L’IA est le domaine général. L’IA générative désigne les modèles et systèmes conçus pour produire de nouveaux contenus synthétiques, comme du texte, des images, de l’audio, de la vidéo ou du code.

Une IA générative comprend-elle ce qu’elle écrit ?

Elle peut représenter des relations complexes et résoudre de nombreuses tâches, mais sa production reste issue d’un calcul sur des données et un contexte. Il ne faut pas assimiler une réponse fluide à une compréhension humaine, une intention ou une preuve de vérité.

Une IA a-t-elle toujours accès à Internet ?

Non. L’accès au web dépend du service, du mode et des outils activés. Demandez quelles pages ont réellement été consultées et ouvrez les sources avant de reprendre une information récente.

Un outil gratuit suffit-il pour commencer ?

Souvent, oui, pour découvrir une tâche sans donnée sensible. Un usage professionnel régulier peut exiger de meilleures limites, une administration, des engagements contractuels et des contrôles de données qui ne figurent pas dans l’offre gratuite.

Puis-je envoyer un document confidentiel ?

Seulement si vous êtes autorisé à le faire et si le contrat, les réglages, la conservation, la réutilisation et les accès du service conviennent. Dans le doute, ne transmettez pas le document et consultez les responsables juridique, sécurité ou protection des données.

Pourquoi l’IA invente-t-elle des sources ?

Parce qu’elle génère une suite plausible et peut reproduire la forme d’une référence sans disposer de la source réelle. Utilisez une recherche connectée, exigez des liens consultables et vérifiez chaque référence importante.

L’IA générative va-t-elle remplacer mon métier ?

Elle transforme déjà certaines tâches, mais un métier regroupe connaissances, décisions, relations, responsabilités et situations imprévues. Analysez les tâches une par une : lesquelles peuvent être accélérées, lesquelles exigent une expertise et lesquelles ne devraient pas être déléguées.

Faut-il apprendre des formules de prompt compliquées ?

Non. Commencez par un objectif clair, le contexte utile, les contraintes et le format. Les exemples et les tests comptent davantage qu’une formule magique. Les tâches complexes gagnent à être découpées et évaluées.

Le RAG supprime-t-il les hallucinations ?

Non. Il peut mieux ancrer une réponse dans des documents, mais la récupération peut sélectionner le mauvais passage et le modèle peut encore mal l’interpréter. Les citations et la vérification restent nécessaires.

Comment savoir si l’outil me fait vraiment gagner du temps ?

Mesurez le temps complet, y compris la préparation, les corrections et la validation. Comparez aussi le taux d’erreur, la qualité, la satisfaction de l’utilisateur et les cas où le résultat n’a pas pu être utilisé.

Continuer le parcours

• Apprendre à écrire et tester des instructions avec le guide complet du prompt engineering.
• Choisir un service avec le comparatif des principaux assistants IA.
• Comprendre l’automatisation avec le guide des agents IA et de MCP.
• Préparer un déploiement responsable avec le guide IA générative en entreprise, RGPD et AI Act.

Sources officielles et date de vérification

Dernière vérification éditoriale : 2 août 2026.

• NIST, définition de l’intelligence artificielle générative
• NIST, AI Risk Management Framework
• NIST AI 600-1, profil de risques de l’IA générative
• CNIL, questions-réponses sur l’utilisation d’un système d’IA générative
• CNIL, utiliser l’IA générative dans les TPE et PME
• ANSSI, recommandations de sécurité pour un système d’IA générative
• Ministère de la Culture, rapport sur le statut des productions de l’intelligence artificielle
• OpenAI, documentation d’utilisation de ChatGPT
• OpenAI, nouveaux tarifs GPT-5.6 et Fast mode, 30 juillet 2026.
• Google, stratégies de conception de prompts
• Google AI for Developers, guide de Gemini 3.6 Flash et 3.5 Flash-Lite
• Anthropic, aperçu du prompt engineering

Les fonctionnalités, limites et politiques des services évoluent. Vérifiez toujours la documentation et le contrat applicables à votre compte au moment de décider.