Les modèles : LLM, prompt, hallucination
Tout commence par le modèle, le moteur qui lit et rédige. Il est puissant, mais il ne connaît ni votre entreprise, ni vos clients, ni vos chiffres.
- Intelligence artificielle générative : famille de modèles d'IA qui produisent un contenu nouveau, texte, image, son ou code, à partir de ce qu'ils ont appris sur de très grands volumes de données. En pratique : rédiger un brouillon, résumer un dossier, reformuler une réponse, extraire une information d'un document.
- Modèle de langage (LLM, pour Large Language Model) : modèle d'IA générative entraîné sur de grands volumes de texte, qui produit du texte en calculant, morceau par morceau, les suites les plus probables. Ces morceaux, appelés jetons, sont des mots ou des fragments de mots. En pratique : c'est le composant qui lit vos e-mails ou vos documents et rédige une réponse. Il ne connaît pas vos données internes tant qu'on ne les lui transmet pas.
- Prompt : l'instruction écrite donnée au modèle, en langage courant : la tâche, le contexte, les règles à suivre, le format attendu. Dans un système d'entreprise, une partie est fixée par le concepteur, comme le rôle, les règles et le ton ; l'autre change à chaque demande. En pratique : vos règles métier, vos exemples et vos formats de sortie y sont écrits. Un prompt se teste et se tient à jour, comme une procédure.
- Hallucination : réponse fausse présentée avec assurance, comme si elle était exacte : un chiffre inventé, une référence qui n'existe pas, une clause attribuée au mauvais contrat. Elle découle du fonctionnement même du modèle, qui produit un texte plausible, pas un texte vérifié. En pratique : on la réduit en fournissant au modèle vos documents, en exigeant qu'il cite ses sources et en faisant vérifier les points sensibles. On ne la supprime pas totalement.
Donner accès à vos connaissances : RAG, embeddings, fine-tuning
Un modèle ne connaît pas vos procédures, vos contrats ni vos fiches produits. Pour qu'il réponde à partir de vos documents, on ne le réentraîne généralement pas : on lui transmet, à chaque question, les passages utiles.
- RAG (Retrieval-Augmented Generation, ou génération augmentée par la recherche) : avant de répondre, le système recherche dans vos documents les passages pertinents et les transmet au modèle, qui rédige sa réponse à partir d'eux. L'approche a été décrite sous ce nom dans un article de recherche publié en 2020. En pratique : un assistant qui répond sur vos procédures ou vos contrats en citant le document d'origine. Si les droits d'accès sont appliqués, il ne s'appuie que sur les documents que l'utilisateur a le droit de consulter.
- Embedding (vecteur) : traduction d'un texte en une liste de nombres, calculée de façon que deux textes au sens proche obtiennent des listes proches. C'est ce qui permet une recherche par le sens, et pas seulement par mots-clés. En pratique : une question sur les « délais de paiement » retrouve un paragraphe qui parle d'« échéances de règlement ».
- Base vectorielle : base de données, ou extension d'une base existante, qui stocke ces vecteurs et retrouve rapidement ceux qui sont les plus proches d'une question. En pratique : c'est souvent la mémoire documentaire d'un système RAG. Elle doit suivre vos documents : si elle n'est pas mise à jour, les réponses s'appuient sur des versions périmées.
- Fine-tuning : prolonger l'entraînement d'un modèle existant sur vos propres exemples, pour adapter son style, son format de réponse ou son comportement sur une tâche très précise. En pratique : on en a rarement besoin au début. Pour qu'un modèle s'appuie sur vos documents, le RAG est plus simple : on met à jour les documents, pas le modèle, et chaque réponse peut citer sa source. Le fine-tuning demande un jeu d'exemples de qualité et doit être refait quand on change de modèle.
Faire agir l'IA : agents et tool calling
Lire et rédiger ne suffit pas toujours. Pour qu'un système crée une tâche, mette à jour une fiche ou prépare une relance, le modèle doit pouvoir déclencher des actions, dans un cadre défini à l'avance.
- Agent IA : système dans lequel un modèle de langage, à partir d'un objectif, choisit lui-même les étapes à suivre et les outils à utiliser, observe le résultat de chaque action, puis décide de la suivante. En pratique : un agent utile a une mission précise, peu d'outils et un journal de ce qu'il fait. Ce n'est pas un assistant branché sur tout.
- Tool calling (appel d'outils) : capacité d'un modèle à demander l'exécution d'une fonction déclarée à l'avance, par exemple « rechercher un client » ou « créer une tâche », avec les bons paramètres. Le modèle ne fait que formuler la demande : c'est l'application qui exécute l'action et lui renvoie le résultat. En pratique : c'est ce qui permet de limiter strictement ce qu'un agent peut faire, outil par outil.
- Automatisation (règles fixes) ou agent : une automatisation suit un chemin écrit à l'avance, « si telle condition, alors telle action », et donne toujours le même résultat avec les mêmes données. Un agent interprète la situation et peut suivre des chemins différents sur des cas proches. En pratique : si la règle peut s'écrire, l'automatisation suffit, et elle est plus prévisible. L'agent sert pour le texte libre et les cas variables. La plupart des processus combinent les deux.
Connecter vos outils : API, webhook, MCP
Un système d'IA n'est utile que s'il lit vos données et agit dans vos logiciels : CRM, ERP, messagerie, comptabilité. Plusieurs mécanismes le permettent, et on les combine souvent.
- API (interface de programmation) : porte d'entrée qu'un éditeur de logiciel ouvre aux autres programmes pour lire ou modifier ses données, avec une authentification et des droits. En pratique : c'est la voie à privilégier pour connecter l'IA à un CRM ou à un ERP, quand elle existe et couvre les données utiles.
- Connecteur : intégration prête à l'emploi entre deux outils, fournie par un éditeur ou par une plateforme d'automatisation. En pratique : rapide à mettre en place, mais limité à ce qu'il expose. Si une donnée ou une action n'y figure pas, il faut passer par l'API.
- Webhook : message envoyé automatiquement par un logiciel à une adresse que vous définissez, dès qu'un événement se produit : nouvelle commande, devis signé, ticket créé. En pratique : il déclenche le traitement au bon moment, sans interroger le logiciel en boucle.
- MCP (Model Context Protocol) : standard ouvert qui définit comment une application d'IA se connecte à des systèmes externes : sources de données, outils, modèles d'instructions. Il a été publié en open source par Anthropic en novembre 2024. Sa documentation officielle le compare à un port USB-C : une prise standard plutôt qu'un câble différent par appareil. Un « serveur MCP » expose une liste d'outils déclarés, que l'agent appelle par tool calling. En pratique : un même serveur MCP pour votre CRM peut servir à plusieurs applications d'IA compatibles. MCP ne remplace pas les permissions du logiciel : il s'y ajoute.
Les données : structure, qualité, extraction
La qualité d'un système d'IA dépend d'abord des données qu'on lui confie. Une IA qui lit des données incohérentes produit des conclusions incohérentes, avec la même assurance.
- Données structurées et non structurées : les données structurées sont rangées dans des champs connus, au format prévu, comme une fiche client dans un CRM ou une ligne de commande dans un ERP. Les données non structurées sont du contenu libre : e-mails, PDF, contrats, scans, comptes rendus. En pratique : l'apport principal d'un modèle de langage est de lire le non structuré et d'en tirer des données structurées, que vos logiciels savent ensuite traiter.
- Qualité des données et référentiel : une donnée de qualité est complète, exacte, à jour et sans doublon. Le référentiel est la source qui fait foi : le système désigné comme référence pour les clients, les produits ou les prix, que les autres recopient. En pratique : avant de connecter une IA, décidez quel logiciel fait foi pour chaque donnée. Sans cela, le même client existe sous trois noms et aucun croisement n'est fiable.
- OCR et extraction de documents : l'OCR (reconnaissance optique de caractères) transforme l'image d'un texte, scan ou photo, en texte exploitable. Un PDF produit par un logiciel contient souvent déjà son texte et n'en a pas besoin. L'extraction va plus loin : elle repère les champs utiles, comme le fournisseur, la date, le montant ou le numéro de commande, et les range dans des données structurées. En pratique : factures fournisseurs, bons de livraison, bons de commande, avec des contrôles de cohérence, sur les totaux par exemple, et une relecture humaine des cas douteux.
Garder le contrôle : validation humaine et journal
Un système qui agit dans vos outils doit pouvoir être expliqué, corrigé et arrêté. Deux mécanismes y contribuent, et ils se règlent action par action, pas pour le système dans son ensemble.
Chez OMEGA, chaque action exécutée par un système est journalisée.
- Validation humaine (human in the loop) : une personne vérifie, corrige ou approuve le travail du système avant qu'il produise un effet réel. Le système prépare, l'humain décide. En pratique : elle s'impose pour les actions coûteuses ou irréversibles, comme un paiement, une écriture comptable ou un envoi à un client. On peut l'alléger ensuite, action par action, quand le journal montre que le système est fiable.
- Journal d'exécution (traçabilité) : registre de chaque exécution, avec les données reçues, la décision prise et son motif, l'action réalisée, son résultat et sa date. En pratique : il permet d'expliquer une décision, de corriger une erreur, de mesurer ce que le système apporte et de décider s'il peut gagner en autonomie.
Sources
- Model Context Protocol : documentation officielle, « What is the Model Context Protocol (MCP)? » (nouvel onglet)
- Model Context Protocol : présentation de l'architecture (outils, ressources, prompts) (nouvel onglet)
- Anthropic : annonce de la publication du Model Context Protocol (novembre 2024) (nouvel onglet)
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, 2020) : l'article de recherche d'origine du RAG (nouvel onglet)
- NIST AI 600-1, Generative Artificial Intelligence Profile (juillet 2024) : définitions de l'IA générative et des « hallucinations » (nouvel onglet)
- Office québécois de la langue française : « grand modèle de langage » (définition de FranceTerme, 2024) (nouvel onglet)
- Office québécois de la langue française : « hallucination d'IA » (nouvel onglet)
- Anthropic : Building effective agents (distinction entre workflows et agents) (nouvel onglet)
