LLM (grand modèle de langage)

Un LLM, Large Language Model ou grand modèle de langage, traite et génère du langage à partir de régularités apprises pendant son entraînement. Il peut produire une réponse, reformuler un texte ou aider à analyser un contexte. Il ne possède pas automatiquement les documents privés de l’entreprise ni une connaissance actualisée de chaque situation.

Le modèle constitue une partie du système. L’application qui l’utilise ajoute une interface, des instructions et parfois des outils. Pour comprendre les capacités d’un produit, examinez ces composants ensemble. Deux applications qui utilisent le même modèle peuvent avoir des fonctions et des permissions différentes.

Le modèle reçoit une demande et un contexte disponible. Ce contexte peut inclure des instructions, des messages et des informations récupérées. Il génère ensuite une réponse selon son fonctionnement et ses paramètres. La place disponible pour le contexte est limitée et varie selon le modèle.

Un document ajouté ne signifie pas que chaque détail sera correctement utilisé. Le système peut sélectionner des passages ou omettre des éléments. Les contradictions et les versions doivent être traitées explicitement. Pour une information importante, la vérification dans la source reste nécessaire.

Le LLM produit ou interprète du langage. Un assistant organise l’interaction avec une personne. Un agent peut utiliser des outils et enchaîner des étapes pour une mission. Ces niveaux peuvent être associés, mais leurs rôles sont distincts.

Un modèle seul ne réalise pas une opération dans un logiciel sans le dispositif qui la permet. Les droits sont accordés aux outils et aux connexions, pas déduits de la capacité à écrire une instruction. Une réponse décrivant une action ne démontre pas que l’action a été exécutée.

Imaginons une équipe qui fournit deux versions d’une procédure et demande les différences. Le modèle peut préparer une liste des passages modifiés et des points à vérifier. Les documents doivent être identifiés avec leur date et leur statut.

Le responsable contrôle que la comparaison couvre les sections importantes et qu’elle ne présente pas une suggestion comme une modification approuvée. Si une annexe manque, la réponse doit annoncer cette limite. Le livrable conserve les références vers les passages comparés.

Ce scénario est illustratif. Le test doit inclure une modification discrète et une réserve pour vérifier la précision. La fluidité de la rédaction n’est pas le critère principal : il faut que la comparaison reflète les documents.

Le modèle peut produire un détail plausible sans preuve, mal interpréter une source ou échouer sur un calcul. Une formulation assurée ne mesure pas la certitude. Les réponses doivent être contrôlées selon leur usage et les conséquences d’une erreur.

L’apport de documents ou d’outils peut améliorer le contexte sans garantir le résultat. Un outil peut récupérer une information incorrecte ou partielle. Le modèle peut ensuite la résumer de manière trompeuse. Vérifiez la récupération et l’interprétation séparément.

Les tâches de rédaction, de reformulation et de préparation peuvent être évaluées avec des exemples connus. Les tâches qui impliquent des engagements, des personnes ou des données sensibles demandent des contrôles spécifiques. Le choix dépend du besoin, des sources et de la validation disponible.

Examinez aussi les conditions du service : conservation, accès, destinataires et disponibilité. Un modèle exécuté localement change certains aspects du parcours des données, mais ne règle pas automatiquement la qualité, les droits ni l’entretien de l’application.

Décrivez une tâche et les critères de réussite. Préparez des exemples avec un résultat vérifiable, une information absente et une contradiction. Comparez les réponses sur la même base au lieu de choisir uniquement d’après une démonstration générale.

Identifiez le modèle, l’application et les outils connectés. Vérifiez les permissions et les données réellement transmises. La confidentialité doit être examinée dans le fonctionnement complet, pas seulement dans le nom du modèle.

Mesurez le temps total de préparation et de correction. Conservez la version des instructions et les références utiles. Lorsque le modèle ou l’application change, reprenez les tests importants afin de vérifier que les résultats restent adaptés au processus.

Pour les limites et risques des modèles génératifs, voir le profil IA générative du NIST.

Référence consultée le 10 octobre 2026.