LLM (Large Language Models) en entreprise

Pourquoi parler de LLM ? 

En 2025, les LLM (Large Language Models) sont devenus l'ossature de l'IA générative en entreprise : assistants métier, synthèse de documents, aide au code, moteurs de recherche internes?

Pour décider quoi déployer (et comment), il faut comprendre ce qu'est un LLM, d'où il vient, comment il apprend, ce qu'il permet et quels risques encadrer.

Qu'est ce qu'un LLM ? 

Un LLM est un modèle neuronal (le plus souvent un Transformer) qui génère du texte en prédisant le prochain ?token? (morceau de mot) à partir du contexte. En répétant cette tâche sur d'immenses corpus, il apprend des régularités linguistiques et factuelles réutilisables dans de nombreux usages (réponse, résumé, traduction, code).

Pour faire simple, un LLM, ou Large Language Model (grand modèle de langage), est un programme d'intelligence artificielle qui apprend à comprendre et à produire du texte.

Pour fonctionner, il analyse d'énormes quantités de textes (livres, articles, pages web?) et repère les liens entre les mots. Ensuite, quand on lui pose une question ou que l'on donne un début de phrase, il devine quel mot ou groupe de mots devrait venir ensuite pour que la phrase ait du sens. En répétant ce travail des millions de fois, le LLM devient capable de tenir une conversation, d'expliquer un sujet, de résumer un texte, de traduire, ou même d'écrire du code informatique.
 

D'où viennent les LLM ? 

Avant l'IA moderne, on faisait du language modeling avec des n-grammes : on calculait la probabilité des suites de mots (« le mot B après A »). Cette approche, née avec Shannon (1951), a régné jusqu'aux années 2010, utile en reconnaissance vocale et traduction « statistique ».

• Tournant deep learning (2003-2013) : Des réseaux neuronaux apprennent à prédire un mot selon son contexte et créent des embeddings (représentations continues des mots). Avec Word2Vec (2013), on obtient ces embeddings à très grande échelle : les mots proches en sens deviennent proches en mathématiques.

• Pré-entraînement (2012-2016) : entraîner d'abord un grand modèle sur d'énormes textes non annotés (objectif auto-supervisé : prédire des mots manquants), puis l'adapter à une tâche précise par fine-tuning ou simplement via un prompt (une consigne). À cette échelle, on parle de foundation models : un même modèle peut répondre, résumer, traduire, coder?

• Révolution Transformer (2017) : Le Transformer utilise l'attention (au lieu des boucles des RNN) et s'entraîne très bien à grande échelle. En mode décodeur (génératif), il prédit le prochain ?token? (auto-régressif) en empêchant le modèle de « voir » le futur (masquage). On maximise la vraisemblance des textes du corpus.

Les lois d'échelle (scaling laws, 2020) montrent alors que : plus de données et de paramètres = meilleurs résultats, mais avec un coût matériel élevé (entraînement distribué, beaucoup de GPU).

Deux branches se distinguent ensuite

1. BERT (2019) : voie encoder. Il reconstruit des mots masqués ? excellente compréhension des textes (classification, extraction, QA). Permet de comprendre. 
2. GPT-1/2/3 (2018-2020) : voie decoder. Prédiction gauche?droite ? très bon pour générer (réponses, résumés, traductions, code). Permet de générer. 

Dans les deux cas, on part d'un pré-entraînement massif, puis on adapte légèrement (fine-tuning, instructions, ou simple prompting) pour la tâche métier.
 

Comment apprend un LLM ?
 

1. Le pré-entraînement (auto-supervisé)

But : donner au modèle une « culture générale » du langage.

Données : de très grands volumes de textes publics (livres, articles, pages web?).

Tâche : deviner des mots manquants ou prédire le prochain ?token? (un token = un morceau de mot ou un mot).

Deux variantes courantes :

• Masquage (type BERT) : on cache certains mots et le modèle les reconstitue.
• Prédiction gauche?droite (type GPT) : le modèle devine le mot suivant à partir de ceux déjà vus.

Ce que ça lui apprend : grammaire, style, faits fréquents, relations entre concepts? bref, les règles et régularités de la langue.

Image mentale : c'est comme un entraînement « remplir les blancs » et « deviner la suite » répété des milliards de fois, jusqu'à développer des réflexes linguistiques très solides.
 

2. L'adaptation au besoin (fine-tuning et/ou prompting)

But : spécialiser le modèle pour votre usage.

Fine-tuning (affinage) : on ré-entraîne légèrement le LLM sur des exemples proches de la tâche visée (par ex. notices techniques, mails SAV, consignes internes).

Prompting : on ne ré-entraîne pas le modèle ; on lui donne une consigne claire (le prompt) et parfois quelques exemples dans la question (few-shot).

Choix pratique :

• Prompting = rapide, peu coûteux, parfait pour démarrer.
• Fine-tuning = utile quand on veut un ton, un domaine, ou des formats très spécifiques, de façon répétable.
   

3. L'alignement par préférences humaines (RLHF)

But : obtenir des réponses utiles, sûres et conformes.

Étape 1 ? Retours humains : des annotateurs comparent plusieurs réponses du LLM et indiquent la meilleure (plus claire, moins risquée, plus utile).

Étape 2 ? Modèle de récompense : on entraîne un petit modèle à prédire ces préférences humaines.

Étape 3 ? Ajustement : on optimise le LLM pour maximiser cette « récompense » (souvent avec une méthode appelée PPO, un algorithme de renforcement).

Résultat : le LLM privilégie les réponses qui ressemblent à ce que des humains compétents attendent (pertinence, politesse, prudence).
 

4. Le ?in-context learning? (apprentissage dans le prompt)

But : faire apprendre sur le moment, sans ré-entraînement.

Zero-shot : une consigne bien écrite suffit parfois (« Explique ce texte à un débutant? »).

Few-shot : on ajoute 1 à 3 exemples de question?réponse pour montrer le format attendu.

Chaînes de raisonnement (Chain-of-Thought) : on demande explicitement au modèle de raisonner en étapes (« explique ton calcul pas à pas »).

Limite naturelle : le modèle ne peut pas « inventer » une langue ou un domaine jamais vus au pré-entraînement ; si la connaissance n'existe pas ou est rare, il faut ajouter des données (fine-tuning) ou brancher des documents (RAG, base de connaissances).

En résumé : 

• Pré-entraînement : le LLM apprend la langue en devinant des mots sur d'énormes textes.
• Adaptation : on spécialise avec un peu de fine-tuning ou juste un bon prompt.
• Alignement (RLHF) : on ajuste le modèle à ce que des humains préfèrent (utile, sûr).
• In-context learning : on montre des exemples dans la question pour guider la réponse.

Petit glossaire

• Token : unité minimale traitée (souvent un morceau de mot).
• Embedding : représentation numérique d'un mot/phrase qui capture le sens.
• Prompt : la consigne donnée au modèle.
• Fine-tuning : ré-entraîner un modèle déjà pré-entraîné sur votre jeu d'exemples.
• RLHF : méthode pour aligner les réponses du modèle avec des préférences humaines.
• PPO : algorithme d'apprentissage par renforcement utilisé pour cet alignement.
   

Que font les LLM ? Et Pourquoi ça fonctionne ? 

Un socle polyvalent pour les métiers

En 2025, les LLM servent avant tout de couche d'assistance métier qui s'adapte au contexte de l'entreprise :

• Assistants de connaissance (Q/R) branchés sur vos documents via RAG, pour trouver et résumer procédures, contrats, manuels.
• Synthèse & traduction de rapports techniques, PV de réunion, mails clients ? avec un ton et des formats imposés.
• Génération de code & de tests (aide à la revue, scaffolding, documentation), utile à la DSI comme aux équipes d'ingénierie.
• Support & qualité : tri des tickets, rédaction de réponses initiales, classification d'incidents, checklists de conformité.
• Marketing & avant-vente B2B : briefs produits, FAQ techniques, variantes multilingues, scripts d'appels.

Pourquoi ça fonctionne ? Parce qu'un LLM prédit le prochain « token » (morceau de mot) en tenant compte du contexte (vos données, votre consigne prompt). Plus le contexte est bien cadré (ex. RAG + consignes + gabarits de sortie), plus la réponse colle à votre réalité. Côté pilotage, on mesure l'impact par KPI métiers : temps gagné par ticket, délai de mise sur le marché, taux de résolution au premier contact, etc.

Concrètement, les gains ne sont pas uniformes : les tâches structurées et répétitives (synthèses, brouillons, réponses types) profitent le plus ; les tâches critiques (décision, conformité) exigent toujours validation humaine et règles de gouvernance.
 

Ce que dit la recherche économique récente sur les LLM

OCDE, AI Paper n° 39 (20 juin 2025) : les études expérimentales confirment des gains de productivité et d'innovation, mais hétérogènes selon les tâches, les compétences et l'organisation. Vous devez donc outiller (donner l'accès aux données, RAG), former vos équipes et redessiner les processus là où l'IA apporte réellement de la valeur. 

McKinsey (2023) : la valeur économique potentielle de l'IA générative est estimée entre 2,6 et 4,4 trillions $ par an, sur 63 cas d'usage et 16 fonctions (customer operations, marketing & sales, software engineering, R&D...). Côté mise en ?uvre, la capture de cette valeur dépend du rythme d'adoption, de la qualité des données et de la réingénierie des processus.

Preuve micro (développeurs) : un essai contrôlé (GitHub Copilot) montre des tâches réalisées 55,8 % plus vite ; utile pour estimer des gains sur des activités similaires (rédaction de brouillons techniques, génération de tests, doc). Attention, cependant, la qualité finale dépend toujours de la revue et des standards internes.
 

Ce que ça change pour une équipe B2B ou industrielle
 

1. Cartographier les tâches textuelles à fort volume (synthèses, réponses type, fiches produit, doc qualité).
2. Préparer les données (sources fiables, versions à jour) et brancher un RAG pour ancrer les réponses dans vos contenus.
3. Encadrer par des prompts et des gabarits (formats, ton, champs obligatoires).
4. Former les équipes (bonnes pratiques, limites, sécurité) et définir qui valide quoi.
5. Mesurer avant/après (temps moyen par tâche, taux d'escalade, satisfaction, erreurs évitées) et itérer.

En résumé, les LLM sont un socle polyvalent qui, bien inséré dans vos flux (données + prompts + gouvernance), transforme des minutes perdues en productivité mesurable, tout en gardant la validation humaine sur ce qui engage la conformité, la sécurité et la relation client.

Patrick BERTHET - Expert Web