ChatGPT AI
quelle intelligence artificielle il y a derrière
La mécanique du modèle, et surtout ce qu’elle implique à l’usage : erreurs assurées, réponses jamais identiques, consignes oubliées.
« AI » est l’abréviation anglaise d’artificial intelligence : ChatGPT n’est pas l’IA en général, c’est une interface de conversation posée sur un modèle de langage. Ce modèle produit ses réponses en prédisant la suite la plus probable d’un texte, morceau après morceau. Tout son comportement découle de là : la fluidité, mais aussi les erreurs formulées avec assurance, la variabilité des réponses et les oublis en conversation longue.
- AI = IA : le sigle anglais d’artificial intelligence, rien de plus.
- Prédiction, pas consultation : le modèle prolonge un texte, il ne lit pas une fiche.
- Erreurs plausibles : chiffres, dates et citations sont les points à vérifier ailleurs.
- Fenêtre de contexte : ce qui explique les consignes oubliées en fin d’échange.
« ChatGPT AI »
ce que le sigle recouvre
« AI » est simplement l’abréviation anglaise d’artificial intelligence, ce que nous écrivons IA en français. La requête ne désigne donc pas un produit particulier : elle accole un nom d’outil et le nom du domaine auquel il appartient.
Cette accolade entretient une confusion utile à démonter. ChatGPT n’est pas « l’intelligence artificielle ». C’est une interface de conversation, posée sur un modèle de langage, lui-même conçu par une entreprise. Trois niveaux distincts, qu’on mélange d’autant plus facilement que l’usage courant a fait de ChatGPT le nom commun de toute une technologie — comme Frigidaire a longtemps désigné le réfrigérateur.
Ce qui suit porte sur le niveau du milieu : le modèle. C’est lui qui explique les qualités de l’outil, et surtout ses défauts.
Comment le modèle fabrique une réponse
La prédiction du mot suivant
Un modèle de langage fait une chose, et une seule : il prolonge un texte. Vous écrivez une question, il calcule quelle suite est la plus probable, morceau de mot après morceau de mot, en s’appuyant sur les régularités observées dans les immenses volumes de texte sur lesquels il a été entraîné.
Il n’y a pas de dictionnaire consulté, pas de base de connaissances interrogée, pas de fiche recopiée. Quand le modèle vous dit que Paris est la capitale de la France, il ne va pas chercher l’information : la suite « la capitale de la France est Paris » est simplement, dans tous les textes qu’il a vus, infiniment plus probable que n’importe quelle autre. Le savoir n’est pas rangé, il est diffusé dans les régularités du langage.
Le modèle ne consulte rien de lui-même. Lorsqu’une recherche web est activée, l’outil récupère des pages et les fournit au modèle, qui les résume et les cite. Le mécanisme reste le même — prédire la suite d’un texte — mais la matière première change : elle vient de sources identifiables, ce qui rend le contrôle possible.
L’ajustement par retours humains
Le pré-entraînement produit une machine à continuer du texte, pas un assistant. Un modèle brut, à qui l’on demande une recette, peut tout aussi bien enchaîner sur d’autres questions de cuisine, faute d’avoir appris qu’on attend de lui une réponse.
Une seconde phase corrige cela : des humains comparent des réponses, indiquent lesquelles sont préférables, et le modèle est ajusté d’après ces jugements. C’est là que se forgent le ton serviable, la structuration en paragraphes, les refus polis sur certains sujets. Autrement dit, la personnalité de ChatGPT n’a pas émergé du corpus : elle a été façonnée.
Pourquoi il se trompe avec autant d’assurance
Un système qui produit du plausible produit inévitablement, parfois, du plausible faux. C’est le même mécanisme qui écrit une bonne synthèse et qui invente une référence bibliographique inexistante : dans les deux cas, il assemble une suite crédible.
Le piège tient au ton. La formulation et l’exactitude sont deux compétences distinctes, et le modèle excelle dans la première. Une phrase parfaitement tournée, avec la bonne terminologie et la bonne structure, ne comporte aucun signal visible de son éventuelle fausseté. Aucune hésitation, aucune tournure prudente pour vous avertir.
Trois familles d’informations méritent donc une vérification systématique ailleurs : tout ce qui est chiffré, tout ce qui est daté, tout ce qui est attribué à quelqu’un. Un montant, une date de mise en application, une citation, un numéro d’article de loi, une référence d’étude : ce sont exactement les endroits où le plausible se substitue au vrai sans que rien ne le signale. Règle simple : plus une réponse est précise sur un point que vous n’étiez pas en mesure de vérifier vous-même, plus elle mérite un contrôle.
Pourquoi les réponses changent d’une fois sur l’autre
Posez deux fois la même question, vous obtiendrez deux réponses différentes. Ce n’est pas un défaut de mémoire, c’est une propriété du procédé : à chaque étape, le modèle ne choisit pas systématiquement la suite la plus probable, il pioche parmi les candidates les plus vraisemblables. Cette part d’aléatoire évite les réponses mécaniques et permet de reformuler un même texte de plusieurs façons.
Deux conséquences pratiques. Une réponse obtenue une fois n’est pas une référence stable : si elle compte, il faut la conserver, pas espérer la retrouver. Et une réponse décevante mérite une seconde tentative avant de conclure que le modèle en est incapable — reformuler la demande, préciser le contexte, indiquer le format attendu suffit souvent.
Pourquoi il perd le fil d’une longue conversation
À chaque tour de parole, le modèle relit ce qui précède pour produire la suite. Mais il ne peut relire qu’une quantité limitée de texte : c’est ce qu’on appelle la fenêtre de contexte. Au-delà, le début de l’échange sort de son champ de vision.
D’où cette expérience familière : au bout d’un échange prolongé, l’instruction donnée au tout début — écris en français, tutoie-moi, n’utilise pas de listes — n’est plus respectée. Le modèle ne l’a pas ignorée par négligence, il ne la voit plus.
Deux réflexes en découlent. Rappeler les contraintes importantes de temps en temps, en une phrase. Et pour un travail long, mieux vaut ouvrir une conversation neuve avec un récapitulatif de l’essentiel que traîner un échange interminable dont la première moitié a disparu.
Il produit du plausible
Effet : des affirmations fausses, formulées avec la même assurance que les justes. Réflexe : vérifier ailleurs tout ce qui est chiffré, daté ou attribué à quelqu’un.
Il pioche parmi les suites probables
Effet : deux réponses différentes à une question identique. Réflexe : conserver une réponse qui compte, et retenter une demande décevante en la reformulant.
Il ne relit qu’une fenêtre de texte
Effet : les consignes du début d’échange finissent par disparaître. Réflexe : les rappeler périodiquement, ou repartir d’une conversation neuve avec un récapitulatif.
« Comprendre », « raisonner »
ce que les mots veulent dire ici
Ces deux verbes sont employés à propos des modèles de langage, et ils demandent une précision.
Le modèle manipule des régularités de langage à une échelle qui produit des résultats souvent indiscernables d’une compréhension : il tient compte du contexte, saisit une ironie, adapte un registre. Mais il n’y a derrière ni représentation du monde, ni intention, ni vérification de ce qui est affirmé. La performance est réelle, le procédé n’est pas celui de la pensée humaine.
Quant au raisonnement, les modèles récents dits « de raisonnement » produisent des étapes intermédiaires avant de livrer leur réponse, un peu comme un élève qui écrit son brouillon. Cela améliore nettement les tâches à plusieurs temps — un calcul en chaîne, une déduction logique. Cela ne change pas la nature du procédé : ce sont toujours des suites de texte assemblées par calcul de probabilité, simplement organisées en étapes.
Où ChatGPT se situe dans le paysage de l’IA
L’intelligence artificielle ne se réduit pas aux assistants conversationnels. Votre banque détecte une transaction suspecte, votre boîte mail trie le courrier indésirable, un service de streaming vous suggère un film, un logiciel médical repère une anomalie sur une image : ce sont des systèmes d’IA, et aucun d’eux ne fonctionne comme ChatGPT.
ChatGPT appartient à la famille dite générative : des systèmes qui produisent du contenu nouveau — texte, image, son, code — plutôt que de classer, prédire une valeur ou détecter un motif. C’est une branche récemment devenue visible du grand public, pas l’ensemble du domaine.
La popularité du nom a fait naître, sur les magasins d’applications, des programmes qui empruntent l’appellation « ChatGPT AI » ou une variante proche, et qui facturent un abonnement pour un service qu’ils ne fournissent pas eux-mêmes. Un seul éditeur publie l’outil officiel : la vérification passe par le nom de l’éditeur affiché sur la fiche, pas par le titre de l’application ni par son icône.
Que veut dire « AI » dans ChatGPT AI ?
C’est l’abréviation anglaise d’artificial intelligence, soit IA en français. La requête associe donc le nom d’un outil et celui du domaine auquel il appartient. ChatGPT n’est pas l’intelligence artificielle en général, mais un produit reposant sur un modèle de langage.
Comment ChatGPT produit-il ses réponses ?
En prolongeant un texte : le modèle calcule la suite la plus probable, morceau de mot après morceau de mot, à partir des régularités apprises sur d’immenses volumes de textes. Il n’interroge aucune base de connaissances pour cela, sauf lorsqu’une recherche web lui fournit des pages à résumer.
Pourquoi invente-t-il des informations fausses ?
Parce qu’un système qui produit du plausible produit parfois du plausible faux. C’est le même mécanisme qui rédige une bonne synthèse et une référence inexistante. Les chiffres, les dates et les citations sont les points à vérifier en priorité ailleurs.
Pourquoi n’obtient-on pas deux fois la même réponse ?
Parce que la génération comporte une part d’aléatoire : à chaque étape, le modèle pioche parmi les suites les plus vraisemblables au lieu de retenir systématiquement la première. Une réponse utile doit donc être conservée, pas recherchée à l’identique.
Pourquoi oublie-t-il mes consignes dans une longue discussion ?
Parce qu’il ne relit à chaque tour qu’une quantité limitée de texte, appelée fenêtre de contexte. Au-delà, le début de l’échange sort de son champ. Mieux vaut rappeler les contraintes importantes, ou repartir d’une conversation neuve avec un récapitulatif.
Savoir que la machine calcule une suite de mots plutôt qu’elle ne consulte un savoir ne diminue pas l’outil : cela indique simplement où poser les yeux quand la réponse tombe trop bien.