Qu'est-ce qu'un LLM ?
Un LLM est un modèle statistique de très grande taille qui a appris, en lisant d'immenses quantités de textes, quels mots ont tendance à suivre quels autres dans quel contexte. Le sigle vient de l'anglais Large Language Model. L'adjectif « grand » désigne à la fois le volume de textes d'entraînement et le nombre de paramètres du modèle, ces réglages internes ajustés pendant l'apprentissage.
Les LLM d'aujourd'hui descendent de l'architecture Transformer, présentée en juin 2017 par Ashish Vaswani et sept coauteurs dans l'article « Attention Is All You Need ». Cette architecture repose uniquement sur un mécanisme d'attention, qui pèse l'importance de chaque mot par rapport aux autres. Selon ses auteurs, elle est plus facile à paralléliser et demande nettement moins de temps d'entraînement que les approches précédentes, ce qui a ouvert la voie à des modèles beaucoup plus gros.
Comment un LLM produit-il une réponse ?
Un LLM produit sa réponse jeton par jeton, en recalculant à chaque fois la suite la plus probable compte tenu de tout ce qui précède.
- Découpage : la consigne est découpée en jetons (tokens), des morceaux de mots qui sont l'unité de travail du modèle.
- Lecture du contexte : le modèle prend en compte la consigne, l'historique de l'échange et les documents fournis, dans la limite de sa fenêtre de contexte. En octobre 2026, la documentation d'Anthropic indique un million de jetons pour les modèles Claude actuels.
- Prédiction : il estime la probabilité de chaque jeton possible, en retient un, l'ajoute au texte et recommence jusqu'à la fin de la réponse.
- Connaissances figées : ce que le modèle a appris s'arrête à une date. Anthropic affiche pour ses modèles actuels une date limite de connaissances fiables fixée à juin 2026.
Conséquence directe pour une entreprise : un LLM ignore le contenu de votre ERP, vos tarifs négociés et votre dernière procédure qualité. Il faut lui transmettre ces informations au moment de la question.
À quoi sert un LLM dans une entreprise ?
Un LLM sert à traiter du texte non structuré là où un programme classique bute : mails, PDF, comptes rendus, demandes libres.
| Usage | Exemple concret | Point de vigilance |
|---|---|---|
| Extraire | Un bon de livraison scanné devient une ligne de réception dans la gestion de stock | Contrôler quantités et références avant l'import |
| Classer | Les mails de l'adresse contact sont triés entre devis, réclamation, facture et candidature | Prévoir une catégorie « à revoir » pour les cas ambigus |
| Rédiger | Un projet de réponse à une réclamation, à partir de l'historique du client | Relecture humaine avant tout envoi |
| Structurer | Une demande client en texte libre transformée en champs que le logiciel sait lire | Valider le format par le code |
Dans un logiciel, le LLM est appelé par API : le programme envoie la consigne et les données, reçoit le texte produit et décide de ce qu'il en fait. La plateforme Klass., livrée par YMHB Web, intègre par exemple l'API Claude d'Anthropic dans son socle technique.
Comment accéder à un LLM ?
Une entreprise accède à un LLM de trois façons, qui ne posent pas les mêmes questions de confidentialité ni d'intégration.
- L'assistant en ligne (ChatGPT, Claude, Gemini) : disponible immédiatement, mais chaque salarié copie et colle ses données à la main, sans lien avec vos logiciels.
- L'API d'un fournisseur (OpenAI, Anthropic, Mistral AI, Google) : le modèle est appelé par votre propre logiciel, ce qui permet d'automatiser et de tracer, sous réserve des conditions d'usage des données fixées par contrat.
- Un modèle hébergé par vos soins : les données ne quittent pas votre infrastructure, mais il faut exploiter des serveurs de calcul et suivre les versions du modèle.
Le choix du fournisseur dépend de l'hébergement des données, des langues traitées et des conditions contractuelles : ces critères sont comparés dans Mistral, OpenAI ou Anthropic pour une entreprise.
Les idées reçues sur les LLM
- « Le modèle cherche la réponse sur internet. » Pas par défaut : il répond avec ce qu'il a appris. La documentation d'Anthropic décrit des outils, comme la recherche web, que l'application doit explicitement mettre à sa disposition.
- « Le modèle apprend de nos échanges au fil de l'eau. » Ses paramètres ne changent pas pendant l'utilisation ; ce qu'il « retient » d'une conversation tient dans sa fenêtre de contexte et disparaît avec elle.
- « Le plus gros modèle est toujours le bon choix. » Pour trier des mails, un modèle plus rapide et moins coûteux suffit souvent : le bon modèle se choisit sur vos cas réels.
- « Une réponse bien écrite est une réponse juste. » La fluidité du texte ne dit rien de son exactitude, et c'est tout le sujet des hallucinations.
Termes voisins
- RAG : la technique qui fournit au LLM, au moment de la question, les passages de vos documents dont il a besoin.
- Agent IA : un programme où le LLM choisit lui-même les actions et les outils à utiliser pour atteindre un objectif.
- Hallucination : une réponse fausse ou inventée, formulée avec assurance par le modèle.
- Prompt : la consigne écrite envoyée au modèle, qui se rédige, se versionne et se teste comme du code dans un logiciel.
- Intégrer l'IA dans un logiciel métier : le guide des cas d'usage, des limites et des obligations.
Questions fréquentes
- Que veut dire LLM ?
- LLM est le sigle de l'anglais Large Language Model, traduit par grand modèle de langage. Un LLM est un modèle d'intelligence artificielle entraîné sur d'immenses volumes de textes, qui rédige ses réponses en prédisant la suite la plus probable d'un texte. Les modèles GPT d'OpenAI, Claude d'Anthropic, Gemini de Google ou ceux de Mistral AI sont des LLM.
- Quelle différence entre un LLM et ChatGPT ?
- Le LLM est le modèle, ChatGPT est un produit construit autour de modèles de ce type. ChatGPT ajoute au modèle une interface de conversation, un historique, des outils et des réglages. Une entreprise peut utiliser le même type de modèle sans passer par l'assistant grand public, en l'appelant par API depuis son propre logiciel, avec ses données et ses contrôles.
- Un LLM peut-il utiliser les données de mon entreprise ?
- Oui, un LLM peut travailler sur les données d'une entreprise si le logiciel les lui transmet au moment de la question, par exemple avec la technique du RAG qui retrouve les passages utiles dans vos documents. Le modèle ne connaît pas ces données par lui-même. Il faut alors vérifier, dans le contrat du fournisseur, l'usage qu'il peut faire des données envoyées et leur lieu de traitement.
- Faut-il entraîner son propre LLM ?
- Pour une PME, entraîner son propre LLM n'est presque jamais nécessaire. Un modèle existant, appelé par API et alimenté avec les bons documents au moment de la question, couvre la plupart des besoins : lecture de documents, rédaction, classement. L'ajustement d'un modèle sur des exemples se réserve aux tâches très répétitives où le format ou le ton doivent être parfaitement constants.