Un LLM, c’est quoi ? Expliqué simplement à un entrepreneur

Un LLM, pour « Large Language Model » ou grand modèle de langage, est le type de moteur qui fait tourner les assistants comme ChatGPT ou Claude. C’est un programme entraîné sur d’énormes quantités de texte, qui produit sa réponse en prédisant la suite la plus probable de ce que tu lui écris. Comprendre ce mécanisme en cinq minutes t’aide à mieux t’en servir, et à savoir quand ne pas lui faire confiance.
Un LLM, c’est quoi exactement ?
La CNIL définit un modèle de langage comme un modèle statistique de la distribution des unités d’une langue : lettres, sons, mots. Dit autrement, il a appris quels mots ont tendance à suivre quels autres. Son exemple le plus parlant : un modèle de langage peut prédire le mot suivant dans une phrase.
Le « L » de LLM, « large », veut dire grand. La CNIL parle de modèles de langage de grande taille pour ceux qui possèdent un grand nombre de paramètres, « généralement de l’ordre du milliard de poids ou plus ». Pour faire simple, un paramètre, ou poids, est un réglage interne du modèle, ajusté pendant l’entraînement.
Anthropic, l’entreprise qui fait Claude, le dit simplement dans sa documentation : un LLM est un modèle avec beaucoup de paramètres, entraîné sur de vastes quantités de texte, qui peut générer du texte proche de celui d’un humain, répondre à des questions et résumer de l’information. Chez OpenAI, ces modèles sont souvent appelés « GPT », pour « generative pre-trained transformer ».
Tu croiseras aussi le terme modèle de fondation : selon la CNIL, un modèle entraîné sur des données très nombreuses et variées, aux capacités générales, qu’on peut adapter à beaucoup de tâches différentes. Les grands LLM en font partie.
Comment un LLM devient un assistant
Un LLM ne naît pas assistant. Anthropic décrit, pour Claude, deux grandes étapes.
Le pré-entraînement. Le modèle lit un très grand volume de texte et apprend une seule chose : prédire le mot suivant à partir de ce qui précède. Selon Anthropic, un modèle qui s’arrête là n’est pas naturellement bon pour répondre à des questions ou suivre des consignes.
L’affinage. On l’entraîne ensuite davantage, avec des données choisies, pour en faire un assistant utile. Une des techniques s’appelle RLHF, pour apprentissage par renforcement à partir de retours humains : des personnes classent plusieurs réponses, et le modèle apprend à préférer celles qui ont été le mieux classées. Claude a été affiné de cette façon.
Du texte à l’assistant
- Le pré-entraînementle modèle lit énormément de texte et apprend à prédire la suite
- L’affinagedes données choisies et des retours humains en font un assistant
- Ta questionton prompt et tes documents entrent dans sa mémoire de travail
- Sa réponseil l’écrit morceau par morceau, en prédisant la suite la plus probable
Quand tu écris à Claude, ton texte est découpé en tokens, des morceaux de texte (des mots, des bouts de mots, des caractères), que le modèle traite pour produire sa réponse. On a détaillé ce découpage, et la quantité de texte qu’un assistant peut lire d’un coup, dans Fenêtre de contexte et tokens.
Ce que ça change pour toi, concrètement
Ce mécanisme aide à comprendre bien des bonnes et des mauvaises surprises.
Il ne sait que ce qu’il a lu, jusqu’à une date
Ses connaissances viennent de son entraînement, qui s’arrête à une date. Pour les modèles actuels de Claude (Fable 5.1, Opus 5.5, Sonnet 5.5 et Haiku 5.5), Anthropic indique des connaissances fiables jusqu’à juin 2026. L’aide de Claude prévient que, sur certains sujets, il n’a pas forcément les informations les plus récentes et peut se tromper sur l’actualité.
Deux façons de lui donner des informations fraîches :
- la recherche web : l’assistant s’appuie sur des contenus en ligne ; quand Claude cherche sur le web, sa réponse comprend des citations pour que tu vérifies ;
- tes propres documents : un devis, un contrat, une fiche produit. Une fois placés dans sa mémoire de travail, il peut s’appuyer dessus. C’est le principe de ce qu’on appelle le RAG, et son efficacité dépend de la qualité des documents fournis.
Il écrit ce qui est probable, pas ce qui est vrai
Un LLM produit un texte plausible. La plupart du temps, plausible et vrai se confondent. Parfois non : c’est ce qu’on appelle une hallucination. L’aide de Claude explique qu’il peut afficher des citations qui ont l’air sérieuses mais ne reposent sur aucun fait, et recommande de ne pas s’en servir comme source unique de vérité. Notre méthode pour vérifier est dans Vérifier les réponses d’une IA.
Il ne répond pas deux fois pareil
Un réglage appelé température dose la part de hasard dans le choix des mots : plus elle est haute, plus les réponses sont variées. Anthropic précise que même au réglage le plus bas, une même demande peut donner des réponses différentes. Pour une question importante, pose-la deux fois et compare.
Ton prompt le programme
La documentation d’OpenAI le résume : écrire un prompt, c’est en quelque sorte « programmer » le modèle, avec des instructions ou des exemples. Plus ta demande est précise, plus la suite qu’il prédit colle à ce que tu veux. La méthode complète est dans Écrire un bon prompt.
Un LLM est bon pour
- rédiger, reformuler, résumer
- répondre à une question générale
- analyser un document que tu lui donnes
Un LLM est fragile pour
- l’actualité, sans recherche web
- les chiffres, les noms et les citations précises
- une décision à fort enjeu, sans vérification
Bien s’en servir, en quatre gestes
Le mécanisme dicte la méthode. Voici celle qu’on te conseille au quotidien.
- Donne-lui la matièrecolle ou joins le document au lieu de lui demander de s’en souvenir
- Active la recherche web pour l’actualitédans Claude, bouton + en bas à gauche, puis Web search ; avec la nouvelle expérience Claude, il cherche seul quand c’est utile
- Autorise-le à dire « je ne sais pas »Anthropic conseille de l’écrire dans ta demande
- Demande des citationsune citation mot pour mot du document, ou une source pour chaque affirmation
Sur une offre Team ou Enterprise de Claude, la recherche web doit d’abord être activée par un Owner ou le Primary Owner dans Organization settings > Capabilities.
Un exemple : préparer une réponse à un client
Par exemple, si tu es menuisier et qu’un client te demande si un bois convient pour une terrasse, l’assistant peut écrire une réponse claire en quelques secondes. Mais il écrit ce qui est probable : si la question touche une norme, un délai ou un prix, il peut se tromper avec aplomb. Le bon réflexe : lui donner ta fiche produit ou la documentation du fournisseur, lui demander de répondre uniquement à partir de ce document et de citer le passage qu’il utilise, puis relire avant d’envoyer.
Tu es mon assistant pour [ton métier]. Voici [le document : fiche produit, devis, conditions]. Réponds à la question de mon client : « [sa question] ». Appuie-toi uniquement sur ce document, et cite mot pour mot le passage que tu utilises pour chaque information. Si le document ne permet pas de répondre, dis « je ne sais pas » et indique-moi ce qui manque.
Que faire de cette information ?
- Si tu rédiges ou résumesutilise-le librement, puis relis
- Si tu as besoin d’une info récenteactive la recherche web et ouvre les sources citées
- Si tu travailles sur un dossier clientdonne-lui le document et demande des citations
- Si l’enjeu est juridique, fiscal ou financiervérifie auprès de la source officielle ou d’un professionnel
Pour aller plus loin, un LLM est aussi le cerveau d’un agent IA, qui ne se contente plus d’écrire mais agit dans tes outils.
Passe à l’action
Questions fréquentes
Quelle est la différence entre un LLM et ChatGPT ?
Le LLM est le moteur, ChatGPT ou Claude est l’assistant que tu utilises. Claude, par exemple, repose sur un grand modèle de langage d’Anthropic, affiné pour être un assistant ; autour, l’application te donne des fonctions comme la recherche web.
Un LLM comprend-il vraiment ce qu’il écrit ?
Ce qui est documenté, c’est son fonctionnement : un modèle de langage apprend à prédire la suite d’un texte, et un assistant comme Claude est ensuite affiné pour suivre des instructions. Il produit ainsi des réponses souvent justes, mais il peut aussi écrire des choses fausses sur un ton convaincant. D’où la vérification.
Pourquoi un LLM ne connaît-il pas l’actualité ?
Parce que ses connaissances viennent de son entraînement, qui s’arrête à une date. Pour les modèles actuels de Claude, Anthropic indique juin 2026. La recherche web ou tes documents lui apportent des informations plus récentes.
Un LLM apprend-il de mes conversations ?
Ce que tu écris entre dans sa mémoire de travail, la fenêtre de contexte, qu’Anthropic distingue des données sur lesquelles le modèle a été entraîné. Savoir si tes conversations peuvent servir à entraîner de futurs modèles dépend des réglages de ton compte : on l’a détaillé dans RGPD et IA générative.
Sources
- CNIL, glossaire de l’IA, « Modèle de langage »
- CNIL, glossaire de l’IA, « Modèle de fondation »
- Anthropic, documentation Claude, « Glossary »
- Anthropic, documentation Claude, « Models overview »
- Anthropic, documentation Claude, « Reduce hallucinations »
- Aide Claude, « Claude is providing incorrect or misleading responses. What’s going on? »
- Aide Claude, « Enable and use web search »
- OpenAI, documentation développeurs, « Key concepts »