Une machine à prédire, pas une encyclopédie
Un LLM ne cherche pas une réponse, il la compose. À partir de votre consigne, il prédit mot après mot la suite la plus probable au regard des textes sur lesquels il a été entraîné. Cette mécanique explique à la fois sa souplesse impressionnante et sa principale limite : rien ne distingue, pour lui, une phrase vraie d'une phrase plausible.
C'est pourquoi il peut inventer une référence, un article de loi ou un chiffre avec le même aplomb qu'une information exacte. Ce n'est pas un bug qu'un éditeur corrigera dans la prochaine version, c'est la conséquence directe du fonctionnement du modèle.
Ce qu'il fait très bien en entreprise
Les usages les plus rentables sont ceux où le texte est déjà là et où le modèle le transforme : résumer un rapport, extraire les informations utiles d'un devis, classer des demandes entrantes, reformuler une réponse, traduire, comparer deux documents. Dans ces cas, la matière est fournie, la marge d'invention se réduit et la vérification est facile.
Les usages les plus risqués sont ceux où on lui demande de savoir : un chiffre précis, une règle interne, un historique client. Là, il faut lui donner la source, ce que fait le RAG, ou l'accès à l'outil qui détient la donnée, ce que permet le MCP.
Les questions à poser avant de choisir
Trois critères pèsent plus que la performance brute annoncée. Où vont les données envoyées au modèle et sous quel régime d'hébergement, ce qui rejoint directement vos obligations RGPD. Quel est le coût réel à l'usage, facturé au volume de texte traité, une fois le pilote passé à l'échelle. Et comment mesure-t-on la qualité des réponses sur vos propres cas, avec un jeu d'exemples métier plutôt qu'une impression générale.
Un LLM seul reste un moteur de texte. C'est en le branchant sur vos données et vos outils qu'il devient un agent utile, sujet que nous traitons au quotidien en automatisation et IA.
