IA générative : définition, modèles, usages et risques

L'IA générative regroupe les modèles qui ne se contentent pas d'analyser des données, mais en produisent de nouvelles : un e-mail, la synthèse d'un rapport, une illustration, une voix de synthèse, une fonction Python. L'utilisateur décrit ce qu'il veut en langage naturel, et le modèle génère un contenu qui n'existait pas, en s'appuyant sur les régularités apprises pendant son entraînement.

Elle se situe au bout d'une chaîne d'ensembles emboîtés : l'IA générative est une application du deep learning, qui est lui-même une famille du machine learning, branche de l'intelligence artificielle. Tous les modèles génératifs actuels sont donc des réseaux de neurones profonds, entraînés sur d'immenses volumes de données.

Les modèles génératifs existent depuis longtemps en recherche, mais plusieurs avancées les ont rendus réellement utiles : les GAN en 2014, l'architecture Transformer en 2017, puis les modèles de diffusion à partir de 2020. Le basculement vers le grand public survient en novembre 2022 avec ChatGPT, qui rend les grands modèles de langage accessibles à tous par une simple conversation. En quelques mois, les entreprises passent de l'expérimentation à la recherche de cas d'usage concrets.

À retenir : un modèle génératif ne consulte pas une base de faits, il produit le contenu le plus plausible. C'est sa force (fluidité, polyvalence) et sa principale faiblesse (hallucinations).

Chaque famille repose sur un principe d'apprentissage différent et domine un type de contenu.

Les grands modèles de langage (LLM)

Les LLM sont des Transformers entraînés à prédire le token suivant d'un texte. À grande échelle, cette tâche simple fait émerger des capacités de rédaction, de traduction, de raisonnement et de programmation. Ils constituent la famille la plus utilisée en entreprise, pour le texte comme pour le code.

Les modèles de diffusion

Un modèle de diffusion apprend à retirer progressivement le bruit d'une image. Pour générer, il part d'un bruit aléatoire et le débruite étape par étape, guidé par une description textuelle. C'est le principe de Stable Diffusion et de la plupart des générateurs d'images et de vidéos actuels, détaillé dans notre article sur les modèles de diffusion.

Les GAN et les VAE

Les GAN (Generative Adversarial Networks) opposent deux réseaux : un générateur qui produit des exemples et un discriminateur qui tente de les distinguer des vrais. Les VAE (auto-encodeurs variationnels) apprennent un espace compressé dans lequel on peut échantillonner de nouveaux exemples. Moins utilisés aujourd'hui pour la génération grand public, ils restent employés pour les données synthétiques, la super-résolution ou comme composants d'autres architectures.

Les modèles multimodaux

Les modèles les plus récents combinent plusieurs modalités : ils lisent du texte et des images, transcrivent ou produisent de l'audio, et répondent dans le format demandé. La frontière entre familles s'estompe, mais le Transformer reste l'architecture commune.

Ce script charge un petit modèle de langage ouvert depuis Hugging Face et lui demande de rédiger une réponse à un client. Il tourne sur un poste de travail, sans envoyer de données à un service externe.

from transformers import pipeline

generateur = pipeline("text-generation", model="Qwen/Qwen2.5-1.5B-Instruct")

messages = [
    {
        "role": "system",
        "content": "Tu es un conseiller du service client. Réponds en français, "
                   "avec courtoisie, en cinq phrases maximum.",
    },
    {
        "role": "user",
        "content": "Ma commande devait arriver lundi, nous sommes vendredi "
                   "et je n'ai toujours rien reçu. Que se passe-t-il ?",
    },
]

resultat = generateur(messages, max_new_tokens=200, do_sample=True, temperature=0.7)
print(resultat[0]["generated_text"][-1]["content"])

Le message système fixe le rôle et les contraintes, le message utilisateur porte la demande. Avec do_sample=True, deux exécutions produisent des réponses différentes : la température règle cette part d'aléatoire. Le modèle ne connaît rien de la commande réelle ; il rédige une réponse générique, voire invente un motif de retard. Pour une réponse exacte, l'application doit lui fournir le statut de la commande dans le contexte, ce qui mène directement au RAG et aux agents.

Déployer l'IA générative en entreprise suppose de traiter quatre familles de risques dès la conception.

• Hallucinations : le modèle peut citer une loi qui n'existe pas, inventer un chiffre ou une référence. Les parades combinent un contexte fiable, des consignes strictes, l'affichage des sources et une validation humaine sur les sujets sensibles.
• Données et confidentialité : tout ce qui est envoyé à un modèle hébergé par un tiers sort du système d'information. Il faut choisir un fournisseur et des conditions contractuelles adaptés, ou héberger un modèle ouvert en interne, et appliquer le RGPD aux données personnelles.
• Propriété intellectuelle : les données d'entraînement de nombreux modèles font l'objet de contentieux, et la protection des contenus générés reste incertaine. En Europe, l'AI Act impose notamment aux fournisseurs de modèles à usage général de publier un résumé des contenus utilisés pour l'entraînement.
• Sécurité et usages détournés : injections de prompt cachées dans un document, fuite d'instructions internes, génération de contenus trompeurs. Notre article sur la sécurité des LLM détaille les attaques et les défenses.

L'AI Act prévoit en outre des obligations de transparence : informer l'utilisateur qu'il interagit avec une IA et signaler les contenus générés ou manipulés, comme les hypertrucages.

Un modèle génératif seul connaît ce qu'il a appris jusqu'à sa date d'entraînement, et rien de vos données. Deux architectures permettent d'en faire une application métier.

Le RAG ajoute une étape de recherche : avant de répondre, le système retrouve les passages pertinents dans vos documents et les fournit au modèle comme contexte. Les réponses deviennent ancrées, sourcées et à jour, sans réentraîner le modèle.

Les agents IA vont plus loin : le LLM ne se contente plus de répondre, il planifie, appelle des outils (API, base de données, recherche web), observe les résultats et enchaîne les actions jusqu'à accomplir une tâche. L'IA générative devient alors le moteur de raisonnement d'un système plus large, qui doit être orchestré, surveillé et sécurisé.

Les deux approches coexistent souvent dans une même entreprise, et parfois dans une même application.

L'exemple de la dernière ligne illustre leur complémentarité : un modèle prédictif identifie les clients à risque, un modèle génératif rédige pour chacun un message personnalisé, relu avant envoi.