Comment fonctionne l’IA ? Données, apprentissage et agents

Une intelligence artificielle peut rédiger un texte, analyser une image ou utiliser des logiciels pour accomplir une tâche. Derrière ces services se trouvent des données, des modèles mathématiques, du travail humain et une infrastructure informatique. Comprendre ces éléments aide à expliquer à la fois leurs capacités et leurs erreurs.

Le fonctionnement de l’IA ne se résume pas à une machine qui consulte Internet pour chaque réponse. Il faut distinguer la collecte des données, l’apprentissage du modèle et son utilisation. Un agent IA ajoute encore une couche : il associe le modèle à des outils pour effectuer des actions.

Ce guide suit ce parcours, principalement à travers l’IA générative et les modèles de langage. Vous découvrirez comment les données sont préparées, pourquoi les entreprises cherchent davantage de calcul, quel rôle jouent les travailleurs des données, les GPU et les datacenters, et comment séparer les capacités observées des promesses commerciales.

Qu’est-ce qu’une intelligence artificielle ?

L’intelligence artificielle regroupe des méthodes permettant à un système informatique de réaliser des tâches comme reconnaître des objets, classer des messages, prévoir une valeur ou produire du contenu. Toutes les IA ne sont pas des assistants conversationnels : un filtre antispam et un générateur d’images répondent à des objectifs différents.

Dans l’apprentissage automatique, le système ajuste un modèle à partir d’exemples, plutôt que de recevoir une règle écrite pour chaque situation. L’apprentissage profond utilise des réseaux de neurones comportant de nombreuses couches de calcul. Ces « neurones » sont des éléments mathématiques ; leur nom ne signifie pas qu’ils reproduisent un cerveau humain.

L’IA générative produit de nouveaux contenus : textes, images, sons ou vidéos. Un grand modèle de langage, ou LLM, traite notamment du texte. Le modèle fournit les capacités de calcul apprises ; l’application ajoute l’interface, les instructions, les outils et parfois des filtres. Deux applications utilisant un même modèle peuvent donc offrir des comportements différents.

D’où viennent les données utilisées pour entraîner les IA ?

Collecter des textes, des images et des données spécialisées

Selon le projet, les données peuvent provenir de pages Web, de livres, de dépôts de code, de documents scientifiques, d’images ou d’enregistrements. Elles peuvent être collectées automatiquement, achetées, obtenues sous licence ou créées spécialement. Les corpus publics et les données générées par d’autres modèles font également partie des sources possibles.

Le captage des données désigne cette acquisition. Pour le Web, des robots récupèrent des pages, puis des traitements extraient le contenu utile. Ce n’est pas encore de l’apprentissage : à ce stade, l’entreprise rassemble une matière première. Les jeux de données ne sont pas identiques d’un modèle à l’autre et leur composition n’est pas toujours publiée intégralement.

Nettoyer, sélectionner et organiser les corpus

Les données brutes contiennent du bruit : publicités, menus, textes répétés, pages illisibles ou contenus de faible qualité. La préparation consiste notamment à filtrer, identifier les langues et retirer des doublons. Les développeurs choisissent aussi les proportions de chaque domaine. Le projet FineWeb illustre ce travail de filtrage et de déduplication à grande échelle.

Une collection énorme n’est donc pas nécessairement une collection utile. Des répétitions peuvent surreprésenter certains contenus ; un corpus déséquilibré peut moins bien couvrir certaines langues ou situations. La collecte soulève aussi des questions de provenance, de confidentialité et de droits : pouvoir lire un document sur Internet ne permet pas de présumer que tous ses usages sont autorisés.

Des livres achetés, numérisés puis détruits : le cas Anthropic

Cette course dépasse le Web. Dans une décision du 23 juin 2025, dans l’affaire Bartz contre Anthropic, le tribunal décrit l’achat de millions de livres imprimés, souvent d’occasion, pour une bibliothèque numérique interne. Des prestataires retiraient les reliures et découpaient les pages afin de les scanner, puis jetaient les exemplaires papier. Les fichiers obtenus contenaient les pages et du texte exploitable par machine.

Cette numérisation destructive est documentée. En revanche, la décision ne démontre pas que la destruction visait à empêcher les concurrents d’accéder aux ouvrages. « Livres d’occasion » ne signifie pas non plus « livres rares ». Cet exemple montre les moyens industriels consacrés aux données, sans permettre de généraliser la pratique à tous les éditeurs d’IA.

Schéma explicatif : d’où viennent les données utilisées pour entraîner les IA ?

Comment une IA apprend-elle à partir des données ?

Transformer le contenu en nombres : tokens et représentations

Un ordinateur ne calcule pas directement avec le sens des mots. Pour un modèle de langage, le texte est découpé en tokens : mots, fragments de mots ou signes, selon le système de tokenisation. Un token n’équivaut donc pas toujours à un mot. Chaque élément reçoit un identifiant, puis une représentation numérique utilisée dans les calculs. La documentation de Hugging Face explique cette tokenisation.

Les images et les sons doivent eux aussi être transformés en représentations numériques, selon des méthodes adaptées. Un modèle multimodal peut traiter plusieurs types de contenus. Cela ne veut pas dire qu’il utilise exactement le même mécanisme pour produire du texte, une image et une voix.

Prédire, mesurer l’erreur et ajuster les paramètres

Pendant le préentraînement d’un modèle de langage génératif, une tâche courante consiste à prévoir le prochain token à partir des précédents. Dans un exemple simplifié, « Le chat dort sur le… » peut être suivi de « canapé ». Le modèle attribue des probabilités aux suites possibles et compare sa prédiction à la suite réellement présente dans l’exemple.

Un calcul mesure l’erreur. Un algorithme d’optimisation ajuste ensuite les paramètres, ou poids, du réseau pour améliorer ses prédictions sur les données. Ce cycle est répété sur de très nombreux exemples. On parle d’apprentissage auto-supervisé lorsque le texte fournit lui-même la cible à prédire : un humain n’a pas à annoter chaque phrase. Hugging Face décrit ce principe de préentraînement.

Beaucoup de LLM utilisent une architecture Transformer. Son mécanisme d’attention pondère les relations entre éléments du contexte, ce qui aide à traiter les dépendances dans une phrase ou un document. Il s’agit de calculs, pas d’une attention consciente. L’architecture a été présentée dans Attention Is All You Need.

Schéma qui explique comment une IA apprend : exemple, prédiction, mesure de l'erreur, ajustement

Ce que le modèle retient, et ce qu’il peut mémoriser

Les paramètres ajustés encodent des régularités qui permettent de généraliser : structures de phrases, associations et façons de résoudre certaines tâches. Le modèle ne fonctionne pas comme une base de données dans laquelle chaque question retrouverait systématiquement un document exact. Il peut cependant mémoriser des séquences et parfois les reproduire, comme le montre la recherche sur l’extraction de données d’entraînement.

Après ce premier apprentissage, un ajustement, ou fine-tuning, peut adapter le modèle à un domaine ou à une tâche. Des exemples de consignes et de réponses servent notamment à améliorer son utilisation comme assistant. Cette étape modifie le modèle ; elle est différente de l’ajout temporaire d’un document à une conversation. Hugging Face présente ce fonctionnement du fine-tuning.

Comprendre la conversation, la mémoire et l'entraînement de l'intelligence artificielle

Les « ouvriers du clic » : le travail humain derrière l’IA

L’IA s’appuie sur des métiers souvent moins visibles que ceux des ingénieurs. Les travailleurs des données peuvent classer des images, transcrire des enregistrements, corriger des exemples ou évaluer des réponses. L’expression « ouvriers du clic » souligne ce travail parfois fragmenté, mais elle ne doit pas masquer les compétences nécessaires à certaines tâches spécialisées.

Pour améliorer un assistant, des évaluateurs peuvent comparer deux réponses à une même question et indiquer laquelle est la plus utile. Ces préférences peuvent alimenter un apprentissage supplémentaire, par exemple à travers un modèle de récompense ou d’autres méthodes d’optimisation. Les travaux sur les retours humains décrivent cette famille de techniques. Une préférence humaine ne constitue toutefois pas une preuve automatique de vérité.

Ce travail peut être effectué par des salariés, des prestataires ou des personnes rémunérées à la tâche. Des recherches présentées par l’OIT examinent notamment le nettoyage, l’annotation et les conditions de travail en Inde et au Kenya. Les questions portent sur la rémunération, la stabilité de l’activité, la protection sociale et, pour certaines missions de modération, l’exposition à des contenus difficiles.

Les évaluateurs ne contrôlent pas chaque donnée d’entraînement ni chaque réponse produite ensuite. Leur intervention sert à préparer des exemples, mesurer la qualité et améliorer les systèmes. Elle ne transforme pas un assistant en service dont toutes les affirmations auraient été vérifiées par une personne.

Les lois d’échelle : plus de données et de puissance, une meilleure IA ?

Données, taille du modèle et budget de calcul

Les scaling laws, ou lois d’échelle, décrivent des relations empiriques entre les performances mesurées, la taille du modèle, les données et le calcul consacré à l’entraînement. Les travaux publiés en 2020 montrent notamment une évolution prévisible de l’erreur de prédiction dans les conditions étudiées. Ce sont des observations quantitatives, pas une loi garantissant une intelligence illimitée.

Cette perspective encourage la recherche de corpus et d’infrastructures plus importants. Mais les ressources doivent être équilibrées. L’étude Chinchilla, publiée en 2022, a montré qu’à budget de calcul comparable, un modèle plus petit entraîné sur davantage de tokens pouvait dépasser des modèles plus grands insuffisamment entraînés. Augmenter seulement le nombre de paramètres n’est donc pas toujours le meilleur investissement.

Les limites de la course au volume

La formule « plus de données = meilleure IA » reste incomplète. La qualité, l’architecture, la préparation du corpus et l’objectif d’évaluation comptent aussi. Une diminution de l’erreur de prédiction ne garantit pas une baisse équivalente des erreurs factuelles dans tous les usages. Les progrès supplémentaires peuvent exiger des augmentations importantes de ressources.

Les données synthétiques peuvent être utiles si elles sont sélectionnées et vérifiées. Elles peuvent aussi renforcer des erreurs ou réduire la diversité lorsqu’elles remplacent récursivement les données d’origine. Des recherches sur l’effondrement des modèles montrent que les résultats dépendent du mélange et de la conservation des données réelles : toute utilisation de données synthétiques ne provoque pas automatiquement un effondrement.

Il faut enfin distinguer le calcul d’entraînement du calcul effectué pendant l’utilisation. Explorer plusieurs réponses, vérifier des étapes ou consulter des outils peut améliorer un résultat, mais ajoute du temps et du coût. Cela ne remplace pas systématiquement un modèle mieux entraîné et ne garantit pas la justesse de la réponse.

Que se passe-t-il lorsque vous posez une question à une IA ?

L’inférence : utiliser le modèle déjà entraîné

Lorsque vous envoyez une demande, le système prépare les instructions et le contexte, puis utilise le modèle : c’est l’inférence. Pour un LLM génératif courant, la réponse est construite progressivement. Les probabilités calculées et la méthode de sélection des tokens déterminent la suite produite. La documentation sur la génération de texte décrit ces mécanismes.

Le contexte peut inclure votre message, une partie de l’historique et des documents. Sa capacité est limitée. Une conversation très longue peut être résumée ou tronquée par l’application ; tout ce qui a été dit n’est donc pas nécessairement disponible à chaque réponse. Le texte produit dépend aussi des consignes de l’application et des outils accessibles.

Conversation, mémoire et apprentissage ne sont pas la même chose

Si vous corrigez un nom dans une conversation, le modèle peut utiliser cette correction pour la suite sans que ses paramètres soient modifiés. Une application peut également enregistrer une préférence et la réintroduire plus tard. Cette mémoire logicielle est distincte de l’entraînement et ne correspond pas à la mémoire physique du GPU.

Un échange avec une IA ne réentraîne pas automatiquement son modèle. La conservation des messages, leur éventuelle utilisation pour une amélioration ultérieure et les mécanismes de mémoire dépendent du service, de ses réglages et du contrat. Il faut examiner ces règles avant d’envoyer des informations confidentielles.

Consulter le Web ou des documents sans réentraîner le modèle

Une application peut rechercher des passages dans un ensemble de documents puis les transmettre au modèle avec votre question. Cette approche est souvent appelée RAG, pour génération augmentée par récupération. Elle sépare le modèle entraîné d’une source documentaire consultable. Les travaux sur le RAG présentent cette association entre génération et recherche d’informations.

Ainsi, un assistant peut répondre sur un document récent sans avoir appris son contenu pendant le préentraînement. Il reste possible qu’il sélectionne un mauvais passage, interprète mal une source ou invente une conclusion. La présence d’un lien n’est pas suffisante : la source doit réellement soutenir l’affirmation.

Schéma explicatif de la collecte des données à la réponse de l'IA

Comment fonctionnent les agents IA ?

Un modèle relié à des outils et à une boucle d’action

Un agent IA associe généralement un modèle à des outils et à un programme qui organise les actions. Il peut rechercher une information, lire un fichier, appeler un service ou exécuter un traitement. Le modèle propose l’action ; le logiciel vérifie les permissions, l’exécute et lui retourne le résultat. Le système peut alors décider de poursuivre.

Prenons un exemple : préparer un tableau comparatif à partir de documents. L’agent recherche les fichiers, extrait les éléments utiles, construit le tableau et contrôle certaines valeurs. Lire ces documents lui fournit du contexte ; cela ne signifie pas qu’il modifie les paramètres de son modèle ou qu’il apprend durablement chaque document.

Une procédure fixe suit des étapes déterminées à l’avance. Un agent peut choisir davantage ses prochaines actions selon les résultats. Anthropic distingue ces workflows des agents. L’autonomie n’est cependant pas absolue : elle dépend des outils fournis, des permissions, de la durée autorisée et des contrôles prévus par l’application.

Pourquoi la supervision reste nécessaire

Une mauvaise interprétation peut produire une action incorrecte. Un document consulté peut aussi contenir des instructions malveillantes cherchant à détourner l’agent : on parle d’injection de prompt. Les contrôles doivent distinguer les informations lues des instructions autorisées, limiter les accès et prévoir une validation pour les actions importantes. Les travaux sur la sécurité des agents montrent que plusieurs protections sont nécessaires.

Comment fonctionne un agent IA : schéma explicatif

Pourquoi les GPU, la mémoire et les datacenters sont-ils importants ?

Les GPU : réaliser de nombreux calculs en parallèle

Les réseaux de neurones effectuent de grandes quantités de calculs sur des tableaux de nombres. Les GPU, initialement développés pour le graphisme, sont adaptés à de nombreuses opérations parallèles. Les accélérateurs destinés à l’IA ajoutent notamment des unités spécialisées dans certains calculs matriciels. Cela explique leur rôle dans l’entraînement et l’inférence.

Le processeur généraliste, ou CPU, reste nécessaire pour organiser les tâches, préparer les données et faire fonctionner le serveur. Une infrastructure performante dépend de leur coopération, ainsi que du stockage et des communications. L’architecture Grace Hopper de NVIDIA illustre cette association entre processeur, GPU et interconnexion.

La mémoire : capacité et vitesse comptent autant que le calcul

Il faut distinguer plusieurs ressources : le stockage conserve les corpus et les modèles ; la RAM accueille les données utilisées par le serveur ; la mémoire du GPU contient notamment les paramètres et les éléments nécessaires aux calculs. L’entraînement nécessite aussi de conserver des états supplémentaires pour ajuster le modèle.

Une puce rapide peut être limitée si les données arrivent trop lentement. La bande passante mémoire mesure la quantité transférable par unité de temps, tandis que la capacité détermine ce qui peut tenir en mémoire. La HBM, présente sur de nombreux accélérateurs de datacenter, vise de hauts débits. La documentation NVIDIA sur Hopper présente cette organisation.

Pendant l’inférence, les longs contextes et le nombre de demandes simultanées consomment également de la mémoire. Les systèmes utilisent notamment des caches pour éviter de refaire certains calculs. Une partie des optimisations consiste donc à mieux utiliser la mémoire disponible, et pas seulement à multiplier les opérations par seconde.

NVIDIA, CUDA et les autres accélérateurs

Le rôle de NVIDIA ne se limite pas aux puces. CUDA et les bibliothèques associées permettent aux développeurs d’exploiter les GPU pour leurs logiciels. L’environnement logiciel, les outils et les interconnexions comptent dans le choix d’une plateforme. Les accélérateurs de serveur ne se confondent pas avec une carte graphique de PC, même si certains principes sont communs.

D’autres solutions existent : AMD propose les GPU Instinct avec son environnement ROCm, et Google développe les TPU, des accélérateurs spécialisés. Le choix dépend notamment du logiciel, du calcul, de la mémoire, du coût et de la disponibilité. Aucun chiffre de performance isolé ne suffit à comparer toutes les charges de travail.

Relier, alimenter et refroidir les machines

Pour de grands entraînements, les calculs sont répartis sur de nombreux accélérateurs qui échangent régulièrement des données. Des réseaux rapides sont indispensables pour éviter que les machines attendent les résultats des autres. Le datacenter réunit ces serveurs avec leur alimentation, leur refroidissement et les équipements nécessaires à leur fonctionnement continu.

La consommation ne vient pas uniquement de l’entraînement initial : chaque utilisation du service demande aussi du calcul. L’Agence internationale de l’énergie analyse les besoins croissants des datacenters. Pour comparer les impacts, il faut distinguer leur consommation totale de la part attribuable à l’IA et tenir compte du matériel, de l’électricité et du refroidissement. Un chiffre universel par question masque ces différences.

Toutes les IA ne nécessitent pas un immense datacenter. Des modèles plus petits peuvent fonctionner sur un PC ou un téléphone, avec des compromis de vitesse, de mémoire et de capacités. Le cloud facilite la mise à disposition de gros modèles pour de nombreux utilisateurs ; le fonctionnement local répond à d’autres contraintes, notamment de disponibilité et de maîtrise des données.

Schéma explicatif : ce qui fait fonctionner l'IA dans un dactacenter (CPU, RAM, GPU, mémoire, stockage)

Capacités réelles et « mirages » de l’IA : comment faire la différence ?

Des usages utiles, avec des résultats à vérifier

Ces systèmes peuvent produire un brouillon, reformuler un document, proposer du code ou aider à comparer des informations. Leur intérêt dépend de la tâche et de la possibilité de vérifier le résultat. Pour une reformulation, la relecture peut être rapide ; pour une affirmation technique complexe, le contrôle peut demander davantage de travail que la génération.

Une réponse convaincante peut être fausse. Le modèle peut inventer une référence, mélanger des faits ou suivre une association inadéquate : on parle souvent d’hallucination. Sa fluidité ne prouve pas la vérité du contenu. Le NIST recense ces risques de l’IA générative, ainsi que les biais et les problèmes de fiabilité.

Une démonstration ne prouve pas une autonomie générale

Une démonstration présente un résultat dans certaines conditions. Un benchmark mesure la réussite sur un ensemble défini de tâches. Un usage réel ajoute des documents incomplets, des demandes ambiguës et des conséquences en cas d’erreur. Comparer ces situations exige de connaître les conditions du test, les outils et les interventions humaines.

Pour examiner une annonce, quelques questions concrètes sont utiles :

La tâche a-t-elle été réussie une seule fois ou de manière répétée ?
Les essais ratés et les interventions humaines sont-ils comptabilisés ?
Le test utilise-t-il des situations nouvelles et représentatives de l’usage annoncé ?
Le coût, le délai et le travail de vérification sont-ils inclus ?
Les résultats peuvent-ils être reproduits ou examinés indépendamment ?

Ces critères constituent une grille de lecture, pas une preuve qu’une démonstration donnée serait trompeuse. Ils permettent de distinguer une capacité mesurée d’une généralisation commerciale. La recherche et l’évaluation peuvent évoluer plus vite que les garanties offertes dans un produit.

Promesses de remplacement des métiers et d’intelligence générale

Automatiser une tâche ne revient pas nécessairement à remplacer un métier entier. Le métier comprend aussi des responsabilités, des interactions et des cas inhabituels. L’OIT distingue automatisation et complémentarité avec le travail humain : les effets dépendent de l’intégration dans les organisations, pas seulement des possibilités du modèle.

Les annonces d’intelligence générale ou d’autonomie complète restent des projections lorsqu’elles ne sont pas étayées par des critères précis et des résultats reproductibles. Comprendre le fonctionnement actuel ne permet ni de garantir ces promesses ni de conclure qu’aucun progrès supplémentaire n’est possible. Pour les apprécier, il faut examiner les capacités démontrées, les conditions d’utilisation et les limites connues, sans transformer une prévision en fait.