C'est quoi l'IA ? (vraiment)

1. Ce que tu sauras faire à la fin

Pas « tu comprendras ». Tu sauras faire, et chaque ligne ci-dessous décrit un geste qu'on peut vous demander d'exécuter devant témoin :

1. Expliquer à quelqu'un, en une minute et sans jargon, pourquoi une IA invente — et pourquoi « inventer » n'est pas « mentir ».

2. Regarder une réponse d'IA et dire, phrase par phrase, laquelle est du raisonnement et laquelle est du souvenir. C'est la compétence centrale de tout le programme ; les quarante-neuf modules suivants s'appuient dessus.

3. Provoquer volontairement une hallucination, en trente secondes, sur n'importe quel modèle — et savoir pourquoi ça marche à tous les coups.

4. Mesurer vous-même combien de texte une IA garde en mémoire dans une conversation, au lieu de croire le chiffre annoncé.

5. Décider si une information que vous vous apprêtez à taper doit sortir de chez vous, avec un critère et non une intuition.

6. Reconnaître les quatre familles d'IA que vous croisez déjà tous les jours, et dire pour chacune ce qu'elle peut et ne peut pas faire.

Si, à la fin, vous ne savez pas faire l'une de ces six choses, le cours a échoué, pas vous — et le mouvement 16 vous dira laquelle relire.

2. Le fil rouge — Karim et le devis de trop

Tout ce cours suit une seule personne. Vous la retrouverez à chaque mouvement.

Karim est menuisier à Lyon. Il travaille seul, il est bon, et il a un problème très concret : vingt-deux demandes de devis en retard. Chacune demande vingt minutes — lire la demande, mesurer, calculer, rédiger. Il les fait le soir. Il en perd la moitié parce qu'il répond trop tard.

Un client lui parle de ChatGPT. Karim essaie. Il tape :

« Rédige-moi un devis pour une bibliothèque sur mesure en chêne massif, 3 m de large, 2,40 m de haut, pour un particulier à Lyon. »

Il obtient un devis complet en douze secondes. Mise en page correcte, postes détaillés, mentions légales, TVA. Karim est stupéfait.

Le lendemain, il regarde de plus près. Le devis mentionne une norme technique qui encadrerait la fixation murale des meubles hauts. Karim n'a jamais entendu parler de cette norme, et il a vingt ans de métier. Il cherche. Elle n'existe pas. Le numéro est plausible, le libellé est plausible, la phrase entière est plausible. Elle est fausse.

Karim se pose alors la seule question qui compte, et c'est la nôtre :

Comment un outil qui vient de me faire gagner vingt minutes peut-il inventer une norme avec exactement le même aplomb que le reste ? Et comment est-ce que je fais, moi, pour savoir laquelle des deux choses je suis en train de lire ?

Ce cours répond à cette question. Puis il apprend à Karim à s'en servir quand même — parce que la réponse n'est pas « ne t'en sers pas ».

3. Le problème, avant l'outil

Avant de parler de ce qu'est une IA, il faut voir pourquoi les réflexes que vous avez déjà ne fonctionnent pas ici. Vous en avez trois, et ils sont tous excellents. Ils sont tous inopérants.

Le réflexe du moteur de recherche : « il l'a trouvé quelque part »

Trente ans d'internet vous ont appris que quand une machine affiche une information, elle l'a récupérée. Il existe une page, un document, une base. La machine a cherché, elle a trouvé, elle affiche. Si l'information est fausse, c'est que la source était fausse — et on peut remonter à la source.

Ce modèle mental est faux ici, et il est dangereux précisément parce qu'il a toujours marché. Karim a cherché la norme. Il n'y avait pas de source. Il n'y a jamais eu de source. La phrase n'a pas été retrouvée, elle a été fabriquée — et nous verrons au mouvement 5 que la machine ne dispose d'aucun moyen de faire la différence entre les deux.

Le réflexe de l'expert : « s'il le dit avec assurance, c'est qu'il sait »

Dans le monde humain, l'assurance est un signal. Quelqu'un qui hésite sait moins que quelqu'un qui affirme. C'est imparfait, mais ça marche assez souvent pour qu'on s'en serve tous les jours sans y penser.

Ce signal est totalement absent ici. Un modèle de langage produit une invention et un fait exact avec le même ton, la même fluidité, la même précision de détail. Ce n'est pas un défaut qu'on corrigera dans la prochaine version : nous verrons pourquoi c'est une conséquence directe du mécanisme. L'assurance n'est pas un indice de vérité ; elle n'est même pas corrélée à la vérité.

Le réflexe du logiciel : « si ça marche une fois, ça marche toujours »

Vous avez l'habitude d'outils déterministes. Une calculatrice qui donne 4 pour 2+2 le donnera toujours. Un logiciel qui exporte correctement un PDF l'exportera correctement demain.

Un modèle de langage ne se comporte pas ainsi. Posez deux fois la même question, dans deux conversations neuves : vous obtiendrez deux réponses différentes. Parfois légèrement. Parfois complètement. Ce n'est pas un bug, c'est le fonctionnement normal, et le mouvement 5 explique exactement d'où vient cette variabilité. Conséquence pratique immédiate : un test réussi une fois ne prouve rien. Nous en tirerons une méthode.

Ce que ça coûte de garder ces trois réflexes

Karim a failli envoyer un devis contenant une norme inventée à un client. Dans le meilleur des cas, le client ne remarque rien. Dans le pire, il la vérifie, et Karim passe pour quelqu'un qui invente des normes — c'est-à-dire exactement le contraire du professionnel sérieux qu'il est.

L'erreur ne coûte pas cher quand elle est visible. Elle coûte cher quand elle est plausible. Et un modèle de langage ne produit, par construction, que du plausible.

Figure 1 — Les trois réflexes qui vous ont toujours servi, et qui ne fonctionnent pas ici. À retenir : chacun échoue pour une raison différente, et les trois échouent en même temps.

4. D'où ça vient — la courte histoire qui explique le reste

Vous n'avez pas besoin de l'histoire complète de l'intelligence artificielle. Vous avez besoin de trois bascules, parce que chacune explique une chose que vous allez rencontrer.

Bascule 1 — On a renoncé à expliquer le monde à la machine

Pendant quarante ans, faire de l'IA voulait dire écrire les règles. On voulait un programme qui reconnaisse un chat ? On décrivait un chat : quatre pattes, des moustaches, des oreilles pointues. On voulait qu'il traduise ? On écrivait la grammaire.

Ça a produit des résultats réels dans des domaines étroits — et ça s'est effondré dès que le monde était trop varié pour tenir dans des règles. Il y a toujours un chat sans queue, une phrase qui viole la grammaire, un cas qu'on n'avait pas prévu.

La bascule : on a arrêté d'écrire les règles, et on a montré des exemples. Au lieu de décrire un chat, on montre un million de photos étiquetées « chat » et « pas chat », et on laisse le programme trouver tout seul ce qui les distingue. Personne ne sait dire, ensuite, quelle règle il a trouvée. On a échangé l'explicabilité contre la performance.

Ce que ça explique pour vous : quand vous demanderez « pourquoi l'IA a répondu ça ? », personne ne pourra vous répondre — pas par mauvaise volonté, mais parce que la réponse n'existe sous aucune forme lisible. Le mouvement 12 traite cette objection sérieusement.

Bascule 2 — Une machine qui lit une phrase entière d'un coup

Jusqu'en 2017, les modèles lisaient un texte mot après mot, en gardant un résumé de ce qui précédait. Comme quelqu'un qui lirait une lettre par le trou d'une serrure : à la fin de la page, il ne se souvient plus bien du début.

Une architecture appelée Transformer a changé ça : elle regarde tous les mots en même temps et calcule, pour chaque mot, quels autres mots comptent pour lui. Dans « le chat que Karim a adopté hier dort », la machine relie « dort » à « chat » et non à « hier », sans qu'on lui ait jamais expliqué ce qu'est un sujet.

Deux conséquences, et vous les vivrez toutes les deux :

• Ça se parallélise. On peut entraîner sur des quantités de texte auparavant inimaginables. C'est la raison technique du saut de qualité que le grand public a découvert en 2022.

• Ça coûte cher quand le texte s'allonge. Chaque mot regarde tous les autres : doubler la longueur quadruple grossièrement le travail. C'est pourquoi la mémoire d'une conversation n'est pas infinie, et le mouvement 7 en tire des conséquences très concrètes.

Bascule 3 — Le passage du laboratoire à la boîte de dialogue

Les modèles puissants existaient avant d'être utilisables. Ce qui a tout changé n'est pas une percée scientifique : c'est une interface. Une boîte où l'on écrit en français, et qui répond en français.

Ce que ça explique : l'écart, que vous constaterez sans arrêt, entre ce qu'un modèle peut faire et ce que les gens en obtiennent. Le facteur limitant n'est presque jamais le modèle. C'est la façon de lui parler — et c'est l'objet du Niveau 1 tout entier.

Figure 2 — Les trois bascules. À retenir : la troisième n'est pas technique, et c'est pourtant elle qui a tout changé pour vous.

Ce que l'histoire ne dit pas, et qu'il faut savoir

Ces trois bascules donnent une impression de progression continue et inévitable. Elle est trompeuse. Le domaine a connu au moins deux longues périodes d'abandon, où les financements se sont taris après des promesses non tenues — on les appelle les hivers de l'IA. À chaque fois, la cause était la même : des capacités réelles présentées comme plus générales qu'elles ne l'étaient.

Retenez ce motif, il vous servira dans les quarante-neuf modules suivants : la technologie tient rarement ce qu'on promet en son nom. La question utile n'est jamais « est-ce que ça marche ? », elle est « sur quoi exactement est-ce que ça marche, et comment je le vérifie ? »

5. Les fondations — pourquoi une IA invente sans jamais mentir

C'est le mouvement le plus important du programme entier. Prenez le temps. Tout ce qui suit, dans les quarante-neuf autres modules, en découle.

Débarrassons-nous d'une image fausse

Un modèle de langage ne consulte pas une base de connaissances. Il n'y a pas, quelque part dans ChatGPT ou dans Claude, une bibliothèque qu'il irait ouvrir pour répondre. Il n'y a pas d'index, pas de fiches, pas de « mémoire des faits ».

Il y a des poids — des centaines de milliards de nombres — et une opération, répétée.

Ce qu'il fait réellement, à chaque instant

Le modèle regarde le texte déjà présent, et calcule pour chaque suite possible une probabilité. Puis il en tire une. Puis il recommence, en incluant ce qu'il vient d'écrire.

Concrètement, sur « La capitale de la France est » :

Il tire, il écrit, il recommence avec « La capitale de la France est Paris ». C'est tout. Il n'existe aucun moment où il vérifie quoi que ce soit.

Figure 3 — La figure centrale de ce cours. Tout le reste en découle : la variabilité (mouvement 5), l'invention structurelle, l'accord complaisant, l'illusion de mémoire. À retenir : il n'y a pas deux modes — un « normal » et un « qui hallucine ». Il y a cette boucle, et rien d'autre.

Pourquoi il n'écrit pas toujours le plus probable — et pourquoi c'est voulu

Si le modèle prenait toujours la suite la plus probable, il serait déterministe — et il serait insupportable à lire. Il tournerait en boucle, répéterait les mêmes formules, produirait une prose plate. On introduit donc délibérément du hasard dans le tirage : la suite la plus probable est souvent choisie, mais pas toujours.

Voilà d'où vient la variabilité qui déroutait Karim au mouvement 3. Ce n'est pas une imperfection à corriger : c'est un réglage, et il est là pour une bonne raison.

Première conséquence pratique, et elle est immédiate : puisque le tirage comporte du hasard, un test réussi une fois ne prouve rien. Si vous voulez savoir si un modèle sait faire quelque chose, faites-le trois fois dans trois conversations neuves. C'est la méthode la plus rentable de tout ce cours, et elle coûte trois minutes.

Le tokeniseur — pourquoi l'IA ne voit pas des mots

Le modèle ne manipule ni lettres ni mots, mais des tokens : des morceaux de mots. En français, un token vaut grossièrement les trois quarts d'un mot — mais ce chiffre est une moyenne trompeuse. « Bonjour » fait un token ; un mot rare, un nom propre ou un terme technique peut en faire quatre ou cinq. Ne retenez pas le ratio, retenez que vous pouvez le mesurer — le mouvement 9 vous fait le faire.

Cette découpe explique des bizarreries qui, sinon, paraissent absurdes :

• Le modèle compte mal les lettres d'un mot. Il ne voit pas les lettres. Demandez-lui combien de « r » dans un mot : il devine. Ce n'est pas de la bêtise, c'est de la cécité.

• Il est meilleur en anglais, à modèle égal, parce que l'anglais se découpe plus efficacement : la même idée y coûte moins de tokens.

• Votre facture est en tokens, pas en mots. Tout ce qui coûte cher dans les modules 4 et 5 se calcule là-dessus.

Le point central : pourquoi l'invention est structurelle

Reprenons la norme de Karim.

Quand le modèle écrit « conformément à la norme », il ne consulte rien. Il calcule quelle suite est probable après ces mots, dans un devis de menuiserie. Or dans les millions de devis qu'il a vus pendant son entraînement, ce début de phrase est presque toujours suivi d'une référence normative. Un numéro. Un libellé. Une année.

Il en produit donc une. Et il la produit exactement comme il produirait la vraie, puisqu'il n'y a qu'un seul mécanisme.

Une erreur de moteur de recherche est une erreur de récupération : l'information juste existait, il ne l'a pas trouvée. Une erreur de modèle de langage est une erreur de génération : la suite était plausible, donc elle a été écrite.

C'est pourquoi une invention arrive avec le même aplomb qu'un fait exact : la machine ne dispose d'aucun signal interne qui distingue les deux. Elle ne ment pas — mentir suppose de savoir. Elle ne se trompe pas non plus, au sens où on se trompe : elle fait exactement ce pour quoi elle est faite, et le résultat se trouve être faux.

Mais alors, d'où vient ce qu'il « sait » ?

Question légitime, et le mouvement serait incomplet sans elle. Si le modèle ne consulte rien, comment se fait-il qu'il connaisse la capitale de la France, la formule de l'aire d'un cercle, ou le fonctionnement d'une TVA à 10 % ?

Parce qu'il a été entraîné sur une quantité de texte gigantesque, et que prédire correctement la suite d'un texte exige d'avoir capté quelque chose de ce dont il parle.

Prenez la phrase à compléter : « L'eau bout à 100 degrés au niveau de la mer, mais en altitude elle bout à une température ___ ». Pour bien prédire « inférieure », il ne suffit pas de connaître les statistiques des mots : il faut que quelque chose, dans les poids, encode la relation entre pression et ébullition. Ce quelque chose n'est pas rangé quelque part — on ne peut pas ouvrir le modèle et pointer « la case physique ». Mais il est là, réparti dans les poids, parce que sans lui la prédiction serait moins bonne.

C'est ça, l'entraînement : on montre des milliards de textes, on laisse le modèle prédire la suite, on corrige légèrement les poids à chaque erreur, et on recommence des milliards de fois. Personne n'a écrit une seule règle. Ce qui ressemble à de la connaissance est le résidu statistique de cet exercice.

Trois conséquences, et elles répondent à des questions que vous vous poserez :

① Pourquoi le modèle ignore l'actualité récente. L'entraînement s'est arrêté à une date. Tout ce qui a été écrit après lui est inconnu — et surtout, il ne sait pas qu'il l'ignore (mouvement 7 ①). Questionné sur un événement postérieur, il produira du plausible avec le même aplomb. C'est l'un des pièges les plus fréquents, et le plus facile à éviter : datez vos questions, et méfiez-vous de tout ce qui est récent.

② Pourquoi il est bon sur le banal et mauvais sur le rare. Ce qui a été beaucoup écrit est beaucoup prédit, donc bien encodé. Ce qui a été peu écrit ne l'est presque pas — mais le mécanisme produit quand même une réponse. Le sujet peu écrit, c'est votre métier, dès qu'il est un peu spécialisé.

③ Pourquoi deux modèles se trompent souvent au même endroit. Ils ont lu des textes largement communs. Recouper deux modèles est utile mais insuffisant : un accord ne prouve pas la vérité, il peut prouver une source commune. C'est pour ça que le module 1.5 recommande de croiser des modèles d'architectures différentes, et que même là, le recoupement n'est qu'un signal.

Prédire n'est pas obéir — la seconde phase, dont personne ne parle

Un modèle qui n'a fait que prédire du texte est presque inutilisable : posez-lui une question, il continuera volontiers par une autre question, parce que dans les textes du monde, une question est souvent suivie d'une autre question.

Il y a donc une seconde phase, après l'entraînement principal : on lui montre des exemples de « bonne réponse à une demande », et des humains classent des sorties de la meilleure à la pire. On ajuste alors le modèle pour qu'il produise plus souvent ce que ces humains ont préféré.

Ce que ça explique, et c'est important : le ton serviable, la propension à s'excuser, la tendance à donner raison (mouvement 7 ④) et le refus de certains sujets ne sont pas des propriétés du langage — ce sont des préférences humaines encodées. Elles varient d'un éditeur à l'autre, et elles changent d'une version à l'autre.

Conséquence pratique : quand un assistant vous paraît « moins bon » après une mise à jour, ce n'est pas toujours le modèle qui a changé de capacité. C'est souvent cette couche-là qui a été réglée autrement.

Le mot « hallucination » est mal choisi, et ça vous induit en erreur

Le terme est passé dans l'usage, on le gardera. Mais il suggère un accident — un moment où la machine déraille, par opposition aux moments où elle fonctionne.

Il n'y a pas deux modes. Il n'y a qu'un mécanisme, qui produit du plausible. Quand le plausible coïncide avec le vrai — ce qui arrive très souvent, parce que le vrai est souvent ce qui a été le plus écrit — on appelle ça une bonne réponse. Quand il ne coïncide pas, on appelle ça une hallucination. Du point de vue de la machine, rien n'a changé.

Attendre qu'une prochaine version « corrige les hallucinations » revient à attendre qu'une caméra corrige le fait qu'elle ne mesure pas les températures. Les modèles récents en produisent moins, parce qu'ils prédisent mieux. Ils n'en produiront pas zéro, parce que ce n'est pas un défaut du réglage, c'est la définition de l'opération.

Ce qui distingue le raisonnement du souvenir — la compétence centrale

Voici ce qui va rester avec vous quand tous les modèles auront changé.

Il y a deux choses très différentes dans une réponse d'IA, et elles arrivent mélangées, dans la même phrase, avec le même ton.

① Le raisonnement. « Si votre bibliothèque fait 3 m de large et que vous posez trois étagères en chêne de 25 mm, la flèche au centre sera visible ; il faut un montant intermédiaire ou une épaisseur supérieure. » Vous pouvez suivre cette phrase pas à pas. Elle se vérifie en la suivant. Si une étape est fausse, vous pouvez la désigner.

② Le souvenir. « Conformément à la norme NF X 12-345. » Il n'y a rien à suivre. C'est un fait isolé, sorti d'un chapeau statistique. Il ne se vérifie qu'à la source.

La question n'est jamais « est-ce que l'IA se trompe ? ». Elle est : « est-ce que cette phrase-là est du raisonnement ou du souvenir ? »

Un raisonnement se contrôle en le lisant. Un souvenir — une date, un chiffre, un nom propre, une référence légale, un prix, une citation — ne se contrôle qu'ailleurs. Et c'est exactement dans cette seconde catégorie que tombent les choses qui vous coûteront cher.

Karim n'avait pas besoin de vérifier tout le devis. Il avait besoin de repérer, dans le devis, les trois phrases qui étaient du souvenir. Il y en avait trois. Une était fausse.

6. Le vocabulaire exact — les mots pour chercher sans nous

Un membre qui n'a pas les mots ne peut pas chercher seul. Ce cours vise à ce que vous puissiez vous passer de nous : voici les termes, avec ce qu'ils recouvrent et ce qu'ils ne recouvrent pas.

Les quatre familles que vous croisez déjà — et pourquoi ça compte

« L'IA » ne désigne pas une chose. Vous en utilisez quatre familles différentes, souvent sans le savoir, et elles n'ont pas les mêmes défauts. Confondre leurs modes de panne est l'une des erreurs les plus fréquentes.

① Celle qui classe. Elle range une entrée dans une case. Le filtre anti-spam de votre messagerie, la banque qui repère une transaction inhabituelle, l'application photo qui trie vos images par visage.

• Ce qu'elle sait faire : trancher entre des catégories qu'on lui a montrées, très vite, à très grande échelle.

• Ce qu'elle ne sait pas faire : rien d'autre. Elle ne rédige pas, ne raisonne pas.

• Son mode de panne : elle se trompe silencieusement et systématiquement sur les cas qui ressemblent peu à ce qu'elle a vu. Pas d'invention ici — un classement faux, répété.

② Celle qui recommande. Elle prédit ce qui va vous intéresser : le fil de vos réseaux, les suggestions d'achat, la playlist qui s'enchaîne.

• Ce qu'elle sait faire : repérer que des gens qui vous ressemblent ont aimé telle chose.
• Son mode de panne : elle optimise ce qu'on lui a demandé d'optimiser — le plus souvent le temps passé, pas votre intérêt. Ce n'est pas une erreur technique, c'est un objectif. Le module 7.3 y revient longuement.

③ Celle qui perçoit. Elle transforme un signal en information : reconnaissance vocale, lecture d'une plaque, détection d'un obstacle, transcription d'une réunion.

• Ce qu'elle sait faire : convertir, avec un taux d'erreur mesurable.
• Son mode de panne : elle dégrade progressivement hors de ses conditions — accent inhabituel, bruit, mauvaise lumière. Elle donne rarement l'alerte ; elle rend un résultat un peu plus faux, puis nettement plus faux.

④ Celle qui génère. Elle produit du contenu neuf : texte, image, son, code. C'est la seule dont parle ce cours, et c'est la seule qui invente au sens du mouvement 5.

Figure 4 — Les quatre familles. À retenir : quand on vous dira « l'IA se trompe » ou « l'IA est dangereuse », votre premier réflexe est de laquelle des quatre parlez-vous ? Neuf fois sur dix, l'argument ne vaut que pour l'une d'elles.

Pourquoi cette distinction est opérationnelle et pas académique. Un filtre anti-spam ne « hallucine » pas — il se trompe de case. Une reconnaissance vocale n'invente pas une phrase — elle en entend une autre. Seule la quatrième famille produit une affirmation fausse et bien formée. Quand quelqu'un vous dira « l'IA se trompe » ou « l'IA est dangereuse », votre premier réflexe doit être : de laquelle des quatre parlez-vous ? Neuf fois sur dix, l'argument vaut pour l'une et pas pour les autres.

Un mot sur celle dont on parle le plus et qui n'existe pas. Vous entendrez « IA générale » ou « AGI » : un système qui saurait tout faire, comme un humain. Aucun produit commercial n'en est un — les quatre familles ci-dessus sont toutes des IA étroites, entraînées sur un type de tâche. C'est un sujet de recherche et de débat, pas une case de votre quotidien, et un vendeur qui emploie le mot pour décrire son produit vous dit quelque chose sur lui, pas sur sa technologie.

Deux confusions coûteuses, à lever tout de suite.

« Entraînement » ≠ « ce qui se passe quand je discute ». Le modèle que vous utilisez est figé. Vos messages ne le modifient pas. Mais ils peuvent être conservés et servir à entraîner une version future — c'est un choix de l'éditeur, pas une propriété de la technologie, et ça se règle. Le mouvement 13 vous montre où.

« Poids ouverts » ≠ « open source ». Vous pouvez télécharger et faire tourner le modèle chez vous. Vous ne pouvez pas savoir sur quoi il a été entraîné, ni le reproduire. C'est considérable — et ce n'est pas la même chose. Le Niveau 5 vit entièrement dans cette nuance.

7. Ce que ça implique — les conséquences que personne ne tire

Le mécanisme du mouvement 5 tient en quelques lignes. Ses conséquences, presque personne ne les énonce. Les voici.

① Le modèle ne sait pas qu'il ne sait pas

Puisqu'il n'y a pas de consultation, il n'y a pas d'échec de consultation. Il n'existe aucun état interne « je n'ai pas trouvé ». La machine produit toujours quelque chose, et quand elle n'a rien de solide, elle produit ce qui ressemble le plus à une réponse.

Corollaire opérationnel : les questions les plus dangereuses ne sont pas les difficiles, ce sont les questions pointues sur des sujets peu écrits. Un sujet abondamment documenté donne des réponses fiables. Un sujet rare donne des réponses tout aussi assurées et beaucoup plus fausses. Karim est tombé sur ce cas exact : les normes de fixation de meubles hauts pour particuliers sont un sujet peu écrit.

② « Je ne sais pas » est une réponse rare, et il faut la demander

Rien, dans le mécanisme, ne pousse à l'abstention : une réponse assurée est plus probable dans les textes d'entraînement qu'un aveu d'ignorance. On peut cependant la rendre plus probable, en la rendant acceptable dans la consigne : « Si tu n'es pas certain, dis-le explicitement plutôt que de proposer une réponse plausible. » Ça ne garantit rien. Ça change mesurablement la fréquence. Le Niveau 1 en fait un réflexe.

③ Demander une source ne prouve rien — et c'est contre-intuitif

Vous allez avoir l'idée, très naturellement, de demander « donne-moi tes sources ».

Une référence est du texte. Le modèle la produit exactement comme il produit le reste : en calculant ce qui est plausible. Un titre d'article plausible, des auteurs plausibles, une revue plausible, une année plausible. Demander la source ne fait pas apparaître la source : ça fait apparaître une phrase qui ressemble à une source.

Ce qui marche, en revanche : demander la citation exacte, avec la phrase telle qu'elle figure dans le document — puis chercher cette phrase. Une phrase exacte se trouve, ou ne se trouve pas. La vérification ne se délègue pas à celui qu'on vérifie.

(Les outils qui vont réellement chercher sur le web changent cette donne — et introduisent leurs propres problèmes. C'est le module 9.2.)

④ Le modèle est d'accord avec vous, et ce n'est pas de la politesse

Reformulez une question en y glissant une supposition fausse, et vous obtiendrez le plus souvent une réponse qui l'adopte. Ce n'est pas de la complaisance : votre message fait partie du texte à continuer. Une suite cohérente avec ce qui précède est plus probable qu'une suite qui le contredit.

Conséquence directe pour Karim : s'il tape « quelle est la norme qui encadre la fixation des meubles hauts ? », il a déjà affirmé qu'elle existe. La question contient sa propre réponse. La bonne formulation est : « existe-t-il une norme… ? », et elle change le résultat. Ce n'est pas une astuce, c'est une conséquence du mécanisme.

⑤ La mémoire est une illusion d'interface

Le modèle ne se souvient de rien entre deux messages. À chaque envoi, on lui renvoie toute la conversation depuis le début. L'impression de continuité vient de là.

Trois conséquences très concrètes :

• Une conversation longue coûte plus cher qu'une courte, à question égale, puisqu'on renvoie tout à chaque fois.

• Quand ça déborde, quelque chose est retiré — souvent le début. Le modèle « oublie » alors ce que vous aviez posé en premier, sans vous prévenir.

• Une conversation neuve n'a aucun accès à la précédente, sauf mécanisme de mémoire explicite proposé par l'éditeur — et qui est autre chose. C'est le module 1.3.

Le geste qui en découle : quand une conversation s'égare, ne discutez pas avec elle. Ouvrez-en une neuve et reposez le problème proprement. Vous serez surpris de la fréquence à laquelle c'est la bonne réponse.

⑥ « Plus gros » ne veut pas dire « meilleur pour vous »

Le nombre de paramètres est un chiffre de communication. Il ne dit ni la qualité des données, ni la qualité de l'entraînement, ni l'adéquation à votre tâche. Un petit modèle spécialisé bat régulièrement un grand modèle généraliste sur une tâche étroite — en étant plus rapide et beaucoup moins cher.

Le seul classement qui compte est celui que vous faites sur vos propres exemples. Le mouvement 10 vous donne la méthode, elle tient en une page et coûte une demi-heure.

8. La pratique guidée — six cas, ratés compris

On montre les essais qui échouent. Un exemple qui marche du premier coup ne vous apprend rien : il vous rassure, ce qui est le contraire de ce dont vous avez besoin.

Cas 1 — Le devis de Karim, et pourquoi la première version était piégée

Ce que Karim a tapé la première fois :

« Rédige-moi un devis pour une bibliothèque sur mesure en chêne massif, 3 m de large, 2,40 m de haut, pour un particulier à Lyon. »

Ce qu'il a obtenu : un devis complet, bien présenté, contenant trois affirmations de type « souvenir » — un prix au mètre linéaire, un délai de fabrication standard, et une norme inventée.

Pourquoi c'était prévisible. La demande dit « rédige un devis ». Un devis, dans les millions d'exemples vus à l'entraînement, contient des prix, des délais et des références. Le modèle a produit ce que contient un devis. Karim a demandé la forme, et il a reçu la forme — garnie de contenu plausible.

La deuxième version, corrigée :

« Tu es assistant de rédaction pour un menuisier. Je te donne mes chiffres ; tu ne dois en inventer aucun. Bibliothèque chêne massif, 3 m × 2,40 m. Mon prix : 1 250 € le mètre linéaire, pose comprise. Délai : 5 semaines. TVA au taux applicable à ce type de chantier — le vôtre est sur votre devis. Rédige le devis en utilisant EXCLUSIVEMENT ces éléments. Si une information te manque, écris [À COMPLÉTER : …] au lieu de la deviner. N'ajoute aucune référence normative. À la fin, liste séparément toute affirmation que tu n'as pas tirée de mes données. »

Le résultat : la mise en page et la formulation professionnelle — c'est-à-dire les vingt minutes que Karim gagne — sans les trois souvenirs. Et la dernière consigne lui donne, en bas du devis, exactement la liste des phrases à vérifier.

Figure 5 — Les deux versions du même prompt, sur le même devis. À retenir : on ne demande pas à un modèle de savoir. On lui demande de mettre en forme ce que vous savez — et le gain de vingt minutes est intact.

Ce que ce cas enseigne, et qui vaut pour tout le programme : on ne demande pas à un modèle de langage de savoir. On lui demande de mettre en forme ce que vous savez. Le gain est là, il est énorme, et il est sans risque.

Cas 2 — Provoquer une hallucination en trente secondes

À faire maintenant, vraiment. C'est le moment le plus utile de ce module.

1. Ouvrez une conversation neuve avec n'importe quel assistant.

2. Demandez la biographie d'une personne dont vous êtes certain qu'elle n'existe pas. Inventez un nom plausible et un domaine : « Peux-tu me résumer la carrière de la physicienne belge Éliane Vasseur-Kohl ? »

3. Lisez ce que vous recevez.

4. Ouvrez une seconde conversation neuve et reposez exactement la même question.

Ce que vous allez obtenir : deux biographies. Détaillées. Cohérentes. Assurées. Différentes l'une de l'autre.

Pourquoi l'étape 4 est la vraie leçon. La première biographie est troublante. La seconde est démonstrative : elle vous montre, sans discussion possible, que ce n'était pas une information mal récupérée — il n'y avait rien à récupérer.

⚠️ Certains assistants refuseront, ou diront ne rien trouver. C'est un bon signe, pas un échec de l'exercice : les éditeurs entraînent activement leurs modèles à ce refus. Réessayez avec un domaine plus étroit — un artisan régional, une entreprise locale, une norme sectorielle. Le refus tient sur les personnes célèbres ; il tient beaucoup moins sur les sujets peu écrits. Et ce sont précisément vos sujets.

Cas 3 — Mesurer la mémoire au lieu de croire le chiffre annoncé

Les éditeurs annoncent des fenêtres de contexte gigantesques. Ce que le modèle accepte et ce qu'il exploite réellement sont deux choses différentes, et vous pouvez le mesurer.

Le protocole, en cinq minutes :

1. Ouvrez une conversation neuve.
2. Premier message : « Retiens ce mot de passe : ORVET-7431. Réponds juste OK. »

3. Collez ensuite un long texte quelconque — un rapport, un article, plusieurs pages. Demandez un résumé. Recommencez trois ou quatre fois avec d'autres textes.

4. Puis, sans prévenir : « Quel était le mot de passe ? »

Trois résultats possibles, et chacun vous apprend quelque chose :

Ce que ce test change dans votre pratique : vous ne poserez plus jamais une consigne importante uniquement au début d'une longue conversation. Les consignes qui comptent se répètent, ou se remettent dans le dernier message.

Cas 4 — Voir la différence entre répondre et raisonner

Prenez une question à plusieurs étapes, où l'erreur est facile :

« Un atelier facture 1 250 € le mètre linéaire. Un client commande 3,20 m, et négocie 8 % de remise. La TVA est à 10 %. Quel est le montant TTC ? »

(Taux posé pour l'exercice, pour qu'il ait une solution — ce n'est pas une indication fiscale : le taux réel dépend du chantier et figure sur le devis.)

Posez-la deux fois : une fois telle quelle, une fois en ajoutant « Détaille chaque étape du calcul avant de donner le total. »

Ce que vous observerez. La version « détaille » se trompe moins — et surtout, quand elle se trompe, vous voyez où. La première version vous donne un nombre : juste ou faux, vous ne pouvez rien en faire. La seconde vous donne une chaîne : elle transforme un souvenir en raisonnement, c'est-à-dire en quelque chose de vérifiable.

(Les modèles dits « de raisonnement » font cette étape d'eux-mêmes, en interne, et il ne faut alors pas la demander. C'est le module 1.2, et c'est une des rares choses que la plupart des gens font à l'envers.)

Cas 5 — Travailler sur VOTRE document — le cas le plus rentable, et le moins connu

C'est le geste qui change le plus de choses dans une semaine de travail, et presque personne ne commence par là.

Le principe : quand vous fournissez le document, vous fournissez les faits. On retombe exactement sur la branche « feu vert » de l'arbre du mouvement 10 : le modèle ne puise plus dans ses poids, il travaille sur ce que vous lui avez donné. Le risque d'invention chute brutalement — il ne disparaît pas, et nous allons voir pourquoi.

Ce que Karim a fait. Il a reçu un cahier des charges de dix-huit pages pour un aménagement de boutique. Auparavant : deux heures de lecture, un soir. Il a écrit :

« Voici le cahier des charges en pièce jointe. Réponds UNIQUEMENT à partir de ce document. 1. Liste toutes les exigences qui concernent la menuiserie, avec le numéro de page. 2. Liste séparément ce qui est ambigu ou contradictoire. 3. Si une information n'est pas dans le document, écris ABSENT DU DOCUMENT — n'invente rien. »

Résultat : onze minutes, dont trois à vérifier les numéros de page. Et le point 2 lui a fait gagner plus que le point 1 : deux contradictions entre le plan et le descriptif, qu'il aurait découvertes en atelier.

Le raté qu'il faut connaître. À son premier essai, Karim avait écrit seulement « résume ce cahier des charges ». Il a obtenu un résumé correct qui contenait une exigence de hauteur sous plafond ne figurant nulle part dans le document. Le modèle avait comblé : un cahier des charges de boutique parle de hauteur sous plafond, donc il en a produit une.

La différence entre les deux essais tient en une phrase : « Réponds UNIQUEMENT à partir de ce document », plus la consigne ABSENT DU DOCUMENT. Fournir le document ne suffit pas — il faut interdire explicitement de le compléter. Sans cette interdiction, le mécanisme du mouvement 5 fait ce qu'il fait toujours : il produit du plausible.

Et une vérification qui prend dix secondes : demandez les numéros de page. Une référence à la page 7 se vérifie en ouvrant la page 7. C'est le même principe qu'au mouvement 7 ③ — on ne demande pas au modèle de se porter garant, on lui demande de quoi le contrôler.

Cas 6 — Le tri, sur un texte réel

Prenez la dernière réponse d'IA que vous avez reçue — une vraie, pas un exemple. Passez-la au surligneur, phrase par phrase, en deux couleurs :

• Raisonnement : je peux suivre l'enchaînement et désigner l'étape fausse s'il y en a une.
• Souvenir : un fait isolé, à prendre ou à laisser — date, chiffre, nom propre, référence, citation, prix.

Comptez. Sur la plupart des réponses, les « souvenirs » sont rares : trois, cinq, parfois zéro. C'est votre liste de vérification, et elle est courte.

C'est le geste qui restera de ce module quand tous les modèles auront changé. Il ne demande aucun outil, il prend deux minutes, et il remplace avantageusement toute méfiance générale — laquelle, en pratique, ne tient jamais.

9. L'atelier — l'audit de vos vingt minutes

Un exercice que vous faites, pas que vous lisez. Comptez trente minutes. Le livrable Module-0.1-Template-Audit-IA du module vous donne la grille à remplir.

Ce que vous produisez

Étape 1 — Listez cinq tâches que vous faites toutes les semaines et qui vous prennent plus de vingt minutes. Écrites, précises. Pas « la paperasse » : « répondre aux demandes de devis ».

Étape 2 — Pour chacune, répondez à trois questions :

Étape 3 — Classez. Trois piles : j'y vais maintenant · j'y vais avec un contrôle · je n'y vais pas.

Étape 4 — Prenez la première pile, choisissez UNE tâche, et faites-la avec la méthode du cas 1 : vous fournissez le contenu, l'IA fournit la forme, et vous demandez en fin de réponse la liste des affirmations qu'elle n'a pas tirées de vos données.

Le résultat attendu, et comment savoir que vous l'avez obtenu

Vous avez réussi si :

• votre liste comporte au moins une tâche dans la pile « je n'y vais pas » — un audit où tout est faisable signifie que vous n'avez pas cherché les cas sensibles ;

• sur la tâche que vous avez traitée, vous pouvez désigner les phrases qui étaient du souvenir, et dire si vous les avez vérifiées ;

• vous savez dire combien de temps vous avez gagné, vérification comprise. Si la vérification coûte plus cher que la rédaction, c'est un résultat, pas un échec : vous venez d'identifier une tâche où l'IA ne sert pas.

Karim, lui, a obtenu ceci : vingt minutes → sept minutes par devis, dont trois de vérification. Vingt-deux devis en retard : environ quatre heures et demie récupérées par semaine. Et une tâche dans la pile « je n'y vais pas » : les courriers de litige, où il refuse qu'une formulation ne soit pas exactement la sienne.

10. Décider — le seul classement qui vaut est le vôtre

Vous allez vouloir savoir « quel est le meilleur ». La question est mal posée, et le mouvement 7 ⑥ a dit pourquoi. Voici comment la poser correctement.

La méthode des cinq exemples

Elle coûte une demi-heure, une fois, et elle vaut tous les classements du monde.

1. Prenez cinq tâches réelles parmi celles de votre audit — vos vraies tâches, avec vos vrais textes, pas des exemples de démonstration.

2. Notez à l'avance ce que serait une bonne réponse. Une phrase par tâche. Avant de voir les réponses — sinon vous jugerez ce qu'on vous montre au lieu de ce dont vous avez besoin.

3. Faites tourner les mêmes cinq tâches sur deux ou trois outils.

4. Trois fois chacune, en conversations neuves — souvenez-vous du hasard de tirage (mouvement 5) : une réussite unique ne prouve rien.

5. Comptez. Pas d'impression : combien de fois sur trois le résultat est utilisable ?

Ce classement-là est vrai pour vous. Il ne se périme que quand vos tâches changent.

L'arbre de décision, pour la question qui revient le plus

« Est-ce que je peux confier ceci à une IA ? »

Figure 6 — L'arbre de décision. À retenir : la question de confidentialité ne dépend d'aucune des trois branches — elle passe avant.

Choisir une famille d'outil — quatre situations, quatre réponses

Aucune version, aucun prix, aucun nom de produit dans ce tableau — c'est délibéré. Les quatre situations, elles, ne périmeront pas. Les noms d'outils du moment sont au mouvement 15, avec leur date de relève, et c'est le seul endroit du cours où ils vivent.

11. Ce qui casse — les six pannes, et le signe qui les trahit

Un mode de panne sans son signal d'alerte est une anecdote. Chacune ci-dessous vient avec ce que vous verrez.

① La référence fabriquée

Le signe : une référence précise — numéro, année, article, page — sur un sujet peu écrit. La précision est elle-même le signal : plus une référence est détaillée sur un sujet rare, plus elle est suspecte, parce que c'est exactement ce qu'un mécanisme de plausibilité produit. Le geste : cherchez la référence, pas la réponse. Trente secondes.

② La dérive de conversation

Le signe : au bout de vingt échanges, les réponses redeviennent génériques, ou contredisent une consigne posée au début. La cause est au mouvement 7 ⑤ : le début est sorti de la fenêtre. Le geste : conversation neuve, problème reposé proprement. Ne négociez pas avec une conversation qui a débordé.

③ L'accord complaisant

Le signe : vous n'êtes jamais contredit. Vous proposez une hypothèse, elle est adoptée ; vous en proposez l'inverse deux messages plus loin, elle est adoptée aussi. Le geste : le test de symétrie. Posez la question dans les deux sens — « pourquoi X est-il préférable à Y ? » puis « pourquoi Y est-il préférable à X ? ». Si vous obtenez deux plaidoiries également convaincantes, vous n'avez pas reçu un avis, vous avez reçu un miroir.

④ Le chiffre qui a l'air d'un calcul

Le signe : un total, un pourcentage, une conversion — donné sans étapes. La cause : produit comme du texte, pas comme un calcul. Le geste : exigez les étapes (cas 4), ou recalculez. Sur un devis, cette règle n'est pas négociable.

⑤ Le glissement de langue

Le signe : des tournures anglaises, des unités impériales, un format de date américain, un cadre juridique qui n'est pas le vôtre. La cause : l'essentiel des textes d'entraînement est anglophone ; en l'absence de précision, le modèle retombe sur le contexte majoritaire. Le geste : dites le cadre. « Contexte : France, particulier, euros, TVA française. »

⑥ La confiance qui s'installe

Le signe : vous ne vérifiez plus. C'est la panne la plus coûteuse, et la seule qui ne vienne pas de la machine. La cause : trente réponses justes d'affilée — ce qui est parfaitement normal — enseignent au cerveau que la trente-et-unième le sera aussi. Elle ne le sera pas plus ni moins : les tirages sont indépendants. Le geste : le tri du cas 6 comme routine, pas comme réaction. Deux minutes, à chaque réponse qui va sortir de chez vous.

12. Ce qu'on va te dire — sept objections, et ce qu'elles valent

Vous allez rencontrer ces phrases. Certaines sont fausses. Trois ont raison, et il vaut mieux le savoir de nous.

« C'est juste de l'autocomplétion sophistiquée. » Techniquement exact, et pourtant trompeur. C'est bien de la prédiction — mais prédire correctement la suite d'un raisonnement exige d'avoir capté quelque chose de sa structure. Le désaccord porte sur le mot « juste ». Ce qui est certain, et c'est ce qui vous concerne : le mécanisme est celui du mouvement 5, avec les conséquences du mouvement 7.

« Ça va remplacer les développeurs / les rédacteurs / les comptables. » Ce qui est observable aujourd'hui : la tâche change, elle ne disparaît pas. Karim n'a pas cessé de faire des devis ; il est passé de vingt minutes à sept, dont trois de vérification — un travail de contrôle qui n'existait pas avant. Méfiez-vous des deux camps : celui qui annonce la disparition et celui qui annonce que rien ne change.

« Ça ne comprend rien, donc c'est inutile. » Le non-séquitur le plus répandu. Une calculatrice ne comprend pas les nombres. La question utile n'est pas « est-ce que ça comprend ? » mais « est-ce que le résultat m'est utilisable, et à quel coût de vérification ? » — c'est-à-dire l'arbre du mouvement 10.

« Les hallucinations seront corrigées dans la prochaine version. » Faux, et le mouvement 5 explique pourquoi. Moins fréquentes, oui. Supprimées, non : ce n'est pas un réglage, c'est la définition de l'opération.

« Il suffit de lui demander de citer ses sources. » Faux, et c'est l'une des erreurs les plus coûteuses. Mouvement 7 ③ : une référence est du texte, donc elle se fabrique comme le reste.

« C'est un désastre écologique. » — celle-ci a une part de raison. L'entraînement d'un grand modèle consomme beaucoup. L'usage, requête par requête, consomme peu, mais il est massivement répété. Le débat porte sur des ordres de grandeur, pas sur le principe, et les chiffres qui circulent sont souvent recopiés sans source. Ce cours n'en avance aucun — c'est le module 10.2 qui les traite, avec leurs sources et leurs dates.

« Mes données servent à les entraîner. » — celle-ci a souvent raison, et c'est sérieux. Cela dépend entièrement de l'éditeur et de l'offre, ça change régulièrement, et le réglage est parfois activé par défaut. Ne croyez ni celui qui affirme que oui, ni celui qui affirme que non — y compris ce cours. Le mouvement 13 vous dit où regarder pour trancher vous-même, aujourd'hui, sur l'outil que vous utilisez.

13. Quand ne PAS l'utiliser

Distinct des limites. Ici, la bonne réponse est de ne pas s'en servir — même si ça marche.

La règle de confidentialité, et comment la trancher vous-même

Le test, en une phrase : serais-je à l'aise si ce que je m'apprête à taper était lu par un inconnu compétent ? Si la réponse est non, ça ne se tape pas dans une interface grand public, quelles que soient les promesses affichées.

Pourquoi ce cours ne vous donne la politique d'aucun éditeur. Elles changent, elles diffèrent d'une offre à l'autre chez le même éditeur, et un réglage par défaut peut basculer d'une mise à jour à l'autre. Un cours qui vous donnerait « la » réponse vous rendrait un mauvais service : vous cesseriez de regarder.

Ce qui ne périme pas, c'est où regarder :

1. Dans les réglages du compte, cherchez les termes « amélioration du modèle », « entraînement », « données », « historique ». Regardez la valeur par défaut, ne supposez pas qu'elle est à « non ».

2. Distinguez l'offre grand public de l'offre professionnelle ou API du même éditeur : les règles diffèrent, souvent nettement.

3. Une case décochée n'efface pas le passé. Cherchez séparément la suppression de l'historique.

4. Datez ce que vous constatez — dans votre audit du mouvement 9 — et revérifiez quand l'interface change.

Les cinq situations « feu rouge »

La dernière mérite qu'on s'y arrête. Un modèle vous est le plus utile là où vous êtes compétent — parce que vous voyez ce qui cloche. Il est le plus dangereux là où vous ne l'êtes pas, et c'est exactement là qu'on est tenté de s'en servir.

14. Le coût réel

Le seul chiffre honnête sur le retour sur investissement est le vôtre, et il sort de l'atelier du mouvement 9 : (temps avant − temps après − temps de vérification) × fréquence. Tout autre chiffre qu'on vous citera vaut ce que vaut sa source — allez la voir.

15. Les faits datés

La seule section de ce cours qui périmera. Tout ce qui précède tient sur des mécanismes ; ce qui suit tient sur l'état du monde à une date. Chaque ligne porte sa source et son relevé.

⚠️ Ce que nous n'avons PAS pu vérifier, et que vous voulez pourtant savoir

Le modèle proposé par défaut dans chaque offre ChatGPT (Free, Go, Plus, Pro). Des sources secondaires l'indiquent ; nous ne l'avons pas confirmé chez l'éditeur, donc nous ne le reprenons pas. Ce fait n'a pas sa place dans le tableau ci-dessus : un tableau de faits datés ne contient que des faits datés. Et dans ce cas précis, la vérification vous coûte moins cher qu'à nous : le sélecteur de modèle de votre propre compte est à jour par construction, et il est à un clic.

⚠️ Pourquoi on vous le dit au lieu de se taire. C'est une information que vous voulez, et nous ne l'avons pas confirmée chez l'éditeur. Nous préférons vous dire que nous ne savons pas plutôt que recopier une source seconde. Et dans ce cas précis, la vérification vous coûte moins cher qu'à nous : le sélecteur de modèle de votre compte est à jour par construction.

Ce que ce tableau vous apprend, au-delà de son contenu. Trois lignes. Un cours entier d'environ quatre-vingt-dix minutes de lecture, et trois faits périssables. Tout le reste tient sur des mécanismes qui ne bougent pas.

C'est la mesure de la qualité d'un cours sur l'IA : la taille de sa section « faits datés ». Un cours qui en aurait cinquante ne vous apprendrait pas l'IA — il vous apprendrait le catalogue du mois.

16. Comment savoir que tu as compris

Cinq questions. Elles portent sur le raisonnement, jamais sur la mémoire — vous ne trouverez ici aucune question sur le nom d'un modèle. Répondez avant de lire la réponse.

Q1. Un collègue vous dit : « J'ai demandé ses sources à l'IA, elle m'en a donné trois, donc c'est fiable. » Que lui répondez-vous ?

Qu'une référence est du texte, produite par le même mécanisme que le reste (mouvement 7 ③). Trois sources plausibles ne valent pas une source vérifiée. Ce qu'il doit faire : demander la citation exacte, puis chercher cette phrase. Elle se trouve, ou elle ne se trouve pas.

Q2. Pourquoi une question sur un sujet rare est-elle plus dangereuse qu'une question difficile ?

Parce que la difficulté n'entre pas dans le mécanisme, mais l'abondance de texte, si. Un sujet abondamment écrit rend le plausible et le vrai proches ; un sujet rare les sépare — et la machine produit du plausible avec le même aplomb (mouvement 7 ①).

Q3. Vous obtenez deux fois la même bonne réponse. Qu'avez-vous prouvé ?

Presque rien. Le tirage comporte du hasard (mouvement 5) : deux succès ne disent pas la fréquence. Ce qui commence à prouver quelque chose, c'est trois essais en conversations neuves, et le comptage des utilisables — méthode du mouvement 10.

Q4. Karim veut demander si une norme encadre la fixation des meubles hauts. Quelle est la mauvaise formulation, et pourquoi ?

« Quelle est la norme qui encadre… » — elle affirme que la norme existe, et le modèle continue le texte qu'on lui donne (mouvement 7 ④). La bonne formulation est « existe-t-il une norme… ? », éventuellement suivie de « si tu n'es pas certain, dis-le ».

Q5. Dans quelle situation un modèle de langage vous est-il le plus dangereux — et pourquoi est-ce contre-intuitif ?

Là où vous n'êtes pas compétent (mouvement 13). Contre-intuitif parce que c'est précisément là qu'on est tenté de s'en servir : sans expertise, vous ne pouvez pas faire le tri raisonnement/souvenir, donc vous ne pouvez pas repérer l'erreur plausible.

Si vous avez buté sur une question, le mouvement est indiqué dans la réponse. Relisez-le seul : c'est plus rentable que de reprendre le cours.

17. Après ce module

Ce que ce cours ne vous a pas appris

• À écrire de bonnes consignes. Vous savez maintenant pourquoi la formulation change tout ; vous ne savez pas encore comment la construire. C'est le Niveau 1 entier.

• À choisir entre les modèles du moment. Vous avez la méthode (mouvement 10) ; vous n'avez pas le paysage. C'est le module 1.1.

• À faire chercher l'IA sur le web. Le mouvement 7 ③ dit pourquoi demander une source ne suffit pas ; les outils qui vont réellement chercher sont au module 9.2.

• À travailler sans envoyer vos données dehors. Le principe est au mouvement 13 ; la mise en œuvre est le Niveau 5.