LLM : définition, fonctionnement et usages en entreprise

Un grand modèle de langage, en clair

Le sigle vient de l'anglais Large Language Model. En français, on parle de grand modèle de langage. C'est un programme d'intelligence artificielle qui a appris le fonctionnement du langage humain en lisant des milliards de phrases. Les assistants que vous connaissez ne sont pas des LLM à proprement parler : ce sont des interfaces posées sur un ou plusieurs modèles.

Un LLM n'est pas une base de connaissances que l'on interroge comme un annuaire. Il ne va pas chercher une fiche dans un tiroir, il reconstitue une réponse mot après mot. La différence avec un moteur de recherche est donc fondamentale. L'un vous renvoie des pages qui existent déjà, l'autre fabrique un texte qui n'existait pas avant votre question.

On range ces modèles dans la famille de l'IA générative, par opposition aux IA qui se contentent de classer ou de prédire une valeur. Leur matière première, c'est le texte, et leur sortie aussi. Certains modèles savent en plus traiter des images, du son ou des tableaux : on les qualifie alors de multimodaux, mais le moteur de langage reste au centre.

Pourquoi le mot « large » compte autant

La taille d'un modèle se lit dans son nombre de paramètres. Un paramètre est une valeur numérique, un poids, que le modèle ajuste pendant son apprentissage. L'entraînement consiste à corriger ces valeurs, encore et encore, jusqu'à ce que les prédictions tombent juste. Les premiers modèles comptaient quelques millions de paramètres ; les modèles actuels en alignent des dizaines, voire des centaines de milliards de paramètres.

Ce changement d'échelle n'améliore pas seulement la qualité du style. Il fait apparaître de nouvelles capacités : suivre une consigne en plusieurs étapes, résumer un contrat de quarante pages, écrire une fonction qui compile. Les modèles plus petits en étaient tout simplement incapables.

Du texte brut à la réponse : ce qui se passe à l'intérieur

Tout repose sur une architecture appelée Transformer, publiée par des chercheurs de Google en 2017. Les modèles basés sur cette architecture empilent des couches de neurones reliées par un mécanisme d'attention. Ce mécanisme sert à déterminer quels mots d'une phrase comptent le plus pour interpréter les autres. C'est lui qui permet au modèle de ne pas perdre le fil sur un paragraphe entier.

Les mots deviennent des vecteurs

Un modèle ne lit pas des lettres. Chaque fragment de texte est découpé en jetons, puis converti en vecteur, c'est-à-dire en une longue liste de nombres. Dans cet espace mathématique, les termes de sens voisin se retrouvent proches les uns des autres. Le modèle capte ainsi les relations entre les mots, et pas seulement leur orthographe.

Trois étapes dans la formation du modèle

L'apprentissage ne se fait pas d'un bloc. Le processus se découpe en phases bien distinctes, chacune avec son objectif propre.

• Le pré-entraînement : le modèle avale des volumes massifs de texte et apprend à prédire le mot suivant. C'est là que se construisent ses connaissances générales.
• Le réglage par instructions : on lui fournit des paires question-réponse de haute qualité, pour qu'il apprenne à suivre une consigne plutôt qu'à prolonger un texte.
• L'alignement par retour humain : des annotateurs classent différentes réponses, et le modèle ajuste ses poids pour privilégier celles que les humains préfèrent.

Voilà comment sont formés les grands modèles aujourd'hui. Cet entraînement relève du machine learning, et plus précisément du deep learning sur des réseaux de neurones profonds. Il mobilise des ressources de calcul considérables, ce qui explique le petit nombre d'acteurs capables d'en produire de nouveaux.

Pourquoi un LLM se trompe parfois

Le modèle ne vérifie rien. Il génère la suite la plus probable au regard du contexte qu'on lui a donné. Quand la question sort de ce qu'il a vu pendant son apprentissage, il produit une réponse plausible mais fausse : c'est ce qu'on appelle une hallucination. Un LLM n'apprend pas comme des étudiants qui relisent leur cours la veille d'un examen, et il n'a aucune conscience de ce qu'il ignore.

Ce qu'un LLM change concrètement pour une PME

Pour un dirigeant, la question n'est pas technique. Elle est simple : qu'est-ce que cet outil fait gagner ? Un LLM sait effectuer la plupart des tâches de langage répétitives qui mangent du temps sans rapporter d'argent.

• Rédiger et réécrire : fiches produits, descriptions de services, e-mails commerciaux, réponses aux avis clients.
• Résumer : comptes rendus de réunion, appels d'offres, documentation technique de plusieurs centaines de pages.
• Classer et extraire : trier les demandes entrantes, sortir un numéro de commande ou un montant d'un PDF.
• Répondre : un assistant branché sur vos propres documents traite les questions récurrentes de vos clients.
• Coder : générer des scripts, relire du code existant, créer des tests unitaires.

Ces usages passent presque toujours par une API : votre site ou votre logiciel envoie une requête au modèle et reçoit le texte en retour. C'est le principe d'une intégration d'IA sur mesure, branchée sur vos outils et vos données. Côté produits grand public, NotebookLM — souvent cherché sous le nom de notebook LLM — illustre bien cette logique : vous déposez vos sources, et le modèle répond uniquement à partir d'elles.

Le gain se joue toujours sur le même point : la relecture humaine. Un LLM produit un brouillon en quinze secondes là où il vous fallait vingt minutes. Vous gardez la décision, le ton de la maison et la responsabilité du contenu publié. C'est ce partage des rôles qui transforme un gadget en outil de production.

SLM ou LLM : choisir la bonne échelle

À côté des grands modèles, on trouve les SLM, pour Small Language Models. Même architecture, même machine learning, mais quelques milliards de paramètres au lieu de plusieurs centaines. La comparaison entre les deux se joue sur trois critères : le coût, la vitesse et la précision sur une tâche spécifique.

• Un grand modèle généraliste raisonne mieux, gère des consignes complexes et des documents longs, mais coûte plus cher par requête.
• Un petit modèle répond plus vite, tourne sur un serveur modeste et suffit largement pour classer des messages ou extraire des données.
• Un petit modèle affiné sur vos propres exemples bat souvent un gros modèle généraliste sur votre métier.

Le choix du meilleur LLM pour coder suit exactement la même logique. Les benchmarks publics donnent une tendance, mais ils ne testent ni votre code, ni vos conventions, ni votre pile technique. Mieux vaut faire tourner deux ou trois modèles sur vos vrais tickets pendant une semaine, puis comparer le temps gagné et le nombre de corrections. Les indicateurs clés de performance que vous suivez déjà restent le bon arbitre.

LLM en local, en France et en français

Faire tourner un LLM en local veut dire l'héberger sur votre machine ou votre serveur, sans passer par le cloud d'un éditeur. Des outils comme LM Studio ou Ollama rendent l'opération accessible en quelques clics. L'intérêt est net : aucune donnée ne sort de chez vous, le coût devient fixe, et le modèle reste disponible même sans connexion. La contrepartie tient aux ressources matérielles, car il faut une carte graphique sérieuse pour obtenir un confort d'usage.

Du côté des LLM en France, l'écosystème existe bel et bien : Mistral AI développe ses propres modèles, dont certains sont ouverts et librement téléchargeables. Pour une entreprise soumise au RGPD ou qui travaille avec le secteur public, un hébergement européen simplifie beaucoup de discussions juridiques et de clauses de sous-traitance.

Le français mérite un mot à part. Les modèles ont été entraînés sur un corpus très majoritairement anglophone, et c'est encore en anglais que se mesure le state of the art. Sur les grands modèles récents, un LLM en français donne d'excellents résultats ; les écarts se creusent surtout sur les petits modèles. Testez toujours dans la langue réelle de vos clients, avec votre vocabulaire métier et vos noms de produits.

Les erreurs à éviter quand on se lance

• Confier au modèle une mission non cadrée. Sans consigne précise ni exemples, la sortie est générique et inutilisable.
• Coller des données confidentielles dans un outil grand public. Vérifiez d'abord ce que l'éditeur fait de vos saisies.
• Croire tout ce qui est écrit. Demandez des références vérifiables, et relisez systématiquement les chiffres, les noms et les dates.
• Publier du contenu brut en masse. Google juge l'utilité d'une page, pas sa méthode de production : un texte sans valeur ajoutée ne tiendra pas dans les résultats de recherche.
• Oublier la mesure. Un projet d'IA sans objectif chiffré ne se pilote pas et ne se défend pas.

Questions fréquentes