Vous avez entendu dire que « l’IA transforme tout ». Vous avez également entendu dire qu’elle est surfaite, dangereuse et qu’elle va vous prendre votre emploi. Ces deux affirmations ignorent ce que fait réellement l’IA : traiter des modèles dans les données et renvoyer une prédiction ou une sortie textuelle. C’est tout. Tout le reste repose sur ce seul fait mécanique.
Ce guide ignore la philosophie et le battage médiatique des startups. Vous apprendrez ce que sont les systèmes d’IA, lesquels existent aujourd’hui, comment ils fonctionnent en pratique, et ce qu’ils peuvent – et surtout, ce qu’ils ne peuvent pas – faire. À la fin, vous serez capable d’évaluer un outil d’IA sans avoir besoin d’un diplôme en informatique.
Le mécanisme central : Reconnaissance de formes à grande échelle
Un modèle d’IA est une fonction mathématique. Il prend une entrée (texte, images, nombres) et produit une prédiction ou un texte généré. C’est toute la machine.
Voici comment cela fonctionne réellement :
- Entraînement : Vous montrez au modèle des millions d’exemples. « Voici une phrase. Voici le mot suivant qui vient après. » Le modèle trouve des modèles dans tous ces exemples et ajuste des poids internes (pensez-y comme à des curseurs) pour prédire le mot suivant avec plus de précision.
- Inférence : Une fois entraîné, vous lui donnez une nouvelle entrée qu’il n’a jamais vue auparavant. Il utilise ces modèles appris pour faire une prédiction – généralement le mot, pixel ou classification suivant statistiquement le plus probable.
- Amélioration : Les équipes passent ensuite des mois à affiner les sorties grâce à des techniques telles que le RLHF (apprentissage par renforcement à partir des retours humains), où les humains évaluent les sorties du modèle et le modèle apprend également de cela.
GPT-4, Claude, Mistral, Llama – tous fonctionnent sur cette même base. Les différences résident dans l’échelle (combien de paramètres, ou curseurs, ils ont), les données d’entraînement (ce qu’ils ont appris) et l’affinage (comment ils ont été améliorés après l’entraînement). Un paramètre n’est qu’un nombre que le modèle ajuste pendant l’entraînement pour améliorer les prédictions. GPT-4 a environ 1,7 trillion de paramètres. Mistral 7B en a 7 milliards. Plus de paramètres signifient souvent un meilleur raisonnement, mais pas toujours – la qualité des données d’entraînement et la méthode d’affinage comptent énormément.
Quels modèles d’IA existent réellement aujourd’hui
En 2026, vous travaillez avec trois catégories.
Modèles de pointe (les plus performants, nécessitent une API ou un abonnement) :
- Claude Sonnet 4 (Anthropic) : Fort sur les longs documents, les tâches de raisonnement et les sorties structurées. Coûte plus cher par token que GPT-4o mais gaspille souvent moins de tokens en absurdités.
- GPT-4o (OpenAI) : Le standard actuel. Bon dans la plupart des choses, excellent pour la génération de code. Le plus cher pour les charges de travail textuelles, mais le plus rapide pour les tâches simples.
- Gemini 2.0 Flash (Google) : Rapide et bon marché. Particulièrement bon avec les entrées multimodales (texte + images + vidéo dans une seule invite). Raisonnement plus lent que Claude sur les tâches complexes.
Modèles open-source intermédiaires (à exécuter localement ou via API) :
- Llama 3.1 70B (Meta) : Vraiment utile pour la plupart des flux de travail. Vous pouvez l’exécuter sur un serveur avec 48 Go de RAM. La qualité du raisonnement est de 75 à 85 % de celle de GPT-4o selon la tâche.
- Mistral 7B (Mistral AI) : Tient sur du matériel grand public (16 Go de RAM). Rapide. Bon pour la classification, l’extraction, la résumé. Le raisonnement chute notablement sur les problèmes de logique en plusieurs étapes.
Modèles spécialisés (affinés pour une seule tâche) :
- Modèles entraînés spécifiquement pour le diagnostic médical, la revue de code ou l’analyse juridique. Ils sont meilleurs dans leur domaine unique mais inutiles en dehors.
Les modèles de pointe sont encore significativement meilleurs en raisonnement, mais l’écart s’est considérablement réduit en 2024-2025. Si vous avez besoin d’une exécution locale, Llama 3.1 70B est le premier choix. Si vous avez besoin d’une inférence bon marché, Mistral 7B. Si vous avez besoin d’une sortie de pointe et que le coût n’a pas d’importance, Claude Sonnet 4.
Les trois choses pour lesquelles l’IA est réellement douée aujourd’hui
Les modèles d’IA fonctionnent lorsque vous faites l’une de ces choses :
1. Classification ou extraction : « Cet e-mail est-il un spam ? » « Extrayez le montant de la facture de ce PDF. » « Catégorisez cet avis comme positif, négatif ou neutre. » Le modèle fait de la reconnaissance de formes sur des données d’entraînement qu’il a vues des millions de fois. Haute précision. Faible coût.
2. Résumé ou reformulation : « Condensez ce document juridique de 10 000 mots en 500 mots. » « Réécrivez cet e-mail pour qu’il soit plus formel. » Le modèle réarrange des modèles familiers. Fonctionne bien. Bon marché.
3. Génération à partir d’une structure : « Rédigez un e-mail de prospection en utilisant ce modèle. » « Générez 5 descriptions de produits à partir de ce CSV. » Vous ne demandez pas au modèle d’inventer ; vous lui demandez de remplir des modèles. Fonctionne de manière cohérente.
Ce pour quoi l’IA est mauvaise : Inventer des choses véritablement nouvelles. Les mathématiques (contre-intuitif, mais les modèles font souvent des erreurs d’arithmétique). Raisonner sur des faits qu’ils n’ont pas vus dans les données d’entraînement. Tout ce qui nécessite des informations en temps réel après la date limite de leur entraînement.
La pile d’outils par laquelle vous devriez commencer
Si vous construisez quelque chose de réel, vous avez besoin de trois couches :
Accès au modèle : Commencez avec l’API Claude (Anthropic) ou l’API OpenAI. Vous obtenez la fiabilité, l’inférence rapide et une documentation qui ne présume pas que vous ayez un doctorat.
Orchestration : Utilisez LangChain ou Prompt Flow (Microsoft) pour enchaîner les invites, gérer les erreurs et enregistrer ce qui se passe. N’écrivez pas d’appels API directs en production.
Surveillance : Enregistrez chaque invite et chaque sortie. Vous obtiendrez des résultats inattendus. Vous devez les voir.
Voici un exemple Python minimal qui fonctionne aujourd’hui :
from anthropic import Anthropic
client = Anthropic()
def classify_email(email_text):
message = client.messages.create(
model=
