IA générative

En profondeur

Ce qui rassemble ces systèmes n’est pas une technique unique mais un régime de fonctionnement : ils apprennent la régularité d’un ensemble d’exemples, puis en tirent des objets nouveaux qui lui ressemblent sans y figurer. Selon la nature de ce qui est produit, les architectures diffèrent nettement, et un modèle qui écrit du texte n’a pas grand-chose de commun, dans son fonctionnement interne, avec un modèle qui synthétise une image. Le point commun tient au geste : fabriquer un objet plausible plutôt que reconnaître un objet existant. C’est aussi ce qui explique que la question de la véracité se pose partout dans cette famille, alors qu’elle se posait autrement pour les modèles qui se contentaient de classer.

La confusion de vocabulaire a des conséquences pratiques dans une organisation. Un projet de prévision ou de détection d’anomalies n’a pas besoin d’un modèle génératif : il demande des données propres, une cible mesurable et un modèle spécialisé, souvent plus petit, plus rapide et bien plus facile à évaluer. Poser un modèle génératif sur un problème de classement revient à payer très cher une souplesse dont on n’a pas l’usage, et à hériter d’une incertitude sur la sortie dont on se passait très bien. Le réflexe utile consiste à nommer la tâche avant de choisir la famille, jamais l’inverse.

Trois questions accompagnent systématiquement cette famille, et aucune n’est technique. D’où viennent les données d’entraînement et avec quel droit d’usage : le point n’est pas tranché partout, et il engage l’organisation qui publie le résultat autant que le fournisseur du modèle. Que vaut une production que personne n’a vérifiée : le coût déplacé vers la relecture est réel, et rarement compté dans les gains annoncés. Enfin, la réglementation européenne impose de signaler les contenus produits ou modifiés par un système d’IA, ce qui fait de la traçabilité une contrainte de conception et non une politesse ajoutée après coup.