Capacités, limites et indicateurs métier de l'IA générative

Bonne lecture et bon apprentissage ! Junior TSAFACK – 11/09/2026 ⏱️ Temps de lecture estimé : 11 minutes

L’IA générative est une technologie à usage général — comme l’électricité ou Internet en leur temps — qui permet de créer rapidement et à moindre coût des applications d’IA auparavant complexes et onéreuses. Mais elle ne peut pas tout faire. Ce chapitre pose un cadre pour évaluer objectivement ce qu’elle apporte, ce qu’elle ne garantit pas, et comment choisir le bon modèle pour un besoin donné.

Les avantages : adaptabilité, réactivité, simplicité

L’adaptabilité vient du fait qu’un même modèle de fondation peut être réutilisé pour de très nombreuses tâches — rédaction, résumé, traduction, génération de code — sans devoir entraîner un modèle spécifique par tâche, contrairement au ML traditionnel.

La réactivité tient à la rapidité de mise en œuvre : accéder à un modèle de fondation via une API (Amazon Bedrock, par exemple) permet de prototyper une application en quelques heures plutôt qu’en plusieurs mois d’entraînement.

La simplicité découle de la réduction de la barrière technique : plus besoin d’une équipe de data scientists pour obtenir des résultats exploitables — l’ingénierie des prompts (voir chapitre suivant) remplace souvent l’entraînement personnalisé.

Les limites : ce que l’IA générative ne garantit pas

Les hallucinations

Une hallucination se produit quand le modèle génère une réponse qui semble crédible et bien formulée, mais factuellement fausse. Ce n’est pas un bug isolé : c’est une conséquence directe de la façon dont un LLM fonctionne — il prédit le mot suivant le plus statistiquement probable, sans « savoir » s’il dit vrai. Quand une information manque dans ses données d’entraînement (son « espace latent »), le modèle comble le vide avec la réponse la plus proche possible, sans signaler son incertitude.

⚠️ Cas réel : en 2023, des avocats ont soumis à un tribunal de New York un mémoire s’appuyant sur des jurisprudences citées par un outil d’IA générative — des jurisprudences qui n’existaient pas. Le tribunal a rejeté l’affaire et sanctionné les avocats et leur cabinet d’une amende. La leçon : toute affirmation factuelle produite par un LLM doit être vérifiée auprès d’une source faisant autorité avant d’être considérée comme fiable, surtout dans un contexte à enjeu (juridique, médical, financier).

Le non-déterminisme

Contrairement à un modèle de ML traditionnel évalué sur des métriques déterministes (précision, RMSE), un LLM peut donner des réponses légèrement différentes à la même invite. Cela complique l’évaluation — nous verrons dans le chapitre sur l’évaluation comment des benchmarks spécifiques (ROUGE, BLEU, HELM…) tentent d’y répondre malgré tout.

D’autres risques concrets

Propriété intellectuelle : un modèle entraîné sur des données protégées peut reproduire des éléments protégés dans ses sorties (Getty Images a par exemple poursuivi les créateurs de Stable Diffusion pour usage non autorisé de 12 millions de photographies).
Résultats biaisés, pouvant entraîner un traitement discriminatoire — nous y consacrons tout le module 4.
Contenu toxique ou nuisible, si de tels contenus figuraient dans les données d’entraînement.

Avantage	Limite en contrepartie
Adaptabilité (multi-tâches)	Difficile à spécialiser sans fine-tuning ou RAG
Réactivité (rapide à déployer)	Non-déterminisme, évaluation plus complexe
Simplicité (accessible via API)	Hallucinations, nécessité de vérification humaine

Choisir le bon modèle : les critères qui comptent

Face à des dizaines de modèles de fondation disponibles, plusieurs facteurs orientent le choix :

Type de modèle et modalité : texte, image, code, multimodal — chaque modèle de fondation a ses spécialités (le Titan Image Generator d’Amazon pour l’image, GPT-4 derrière ChatGPT pour le texte général…).
Performance et exigences : latence tolérable, longueur d’entrée/sortie, support multilingue, taille du modèle.
Capacités et contraintes : contraintes de coût, de conformité, de personnalisation possible.
Compromis de coût selon l’approche de personnalisation : du moins coûteux au plus coûteux, on trouve l’ingénierie des prompts, puis le RAG (génération augmentée par récupération), puis le fine-tuning, puis enfin le pré-entraînement complet à partir de zéro — chaque étape demandant plus de données, de calcul et d’expertise.

👉 Ces techniques de personnalisation (RAG, fine-tuning) sont détaillées dans le module 3.

Mesurer la valeur métier de l’IA générative

Un projet d’IA générative doit être relié à des indicateurs métier concrets, pas seulement à des métriques techniques :

Catégorie	Exemples d’indicateurs
Qualité des résultats	Pertinence, précision, cohérence, justesse
Efficacité opérationnelle	Taux d’achèvement des tâches, réduction de l’effort manuel, taux d’erreur
Impact commercial	Taux de conversion, revenu moyen par utilisateur, valeur du cycle de vie client (CLTV)
Retour sur investissement	Coûts opérationnels comparés aux gains d’efficacité

Comme pour tout projet ML (voir chapitre 3 du module 1), l’important est de mesurer, surveiller et réévaluer en continu — l’IA générative évolue rapidement, et un modèle satisfaisant aujourd’hui peut avoir besoin d’être réévalué demain.

Points clés à retenir

L’IA générative excelle par son adaptabilité multi-tâches, sa rapidité de mise en œuvre et son accessibilité via API — mais reste non-déterministe et sujette aux hallucinations.
Toute affirmation factuelle produite par un modèle génératif doit être vérifiée avant d’être utilisée dans un contexte à enjeu.
Le choix d’un modèle dépend de la modalité, des performances requises, des contraintes de coût, et du niveau de personnalisation nécessaire — de l’ingénierie de prompts (le moins coûteux) au pré-entraînement complet (le plus coûteux).
La valeur d’un projet d’IA générative se mesure via des indicateurs métier (conversion, CLTV, ROI), pas seulement via des métriques de qualité de sortie.

Glossaire

Terme	Définition
Hallucination	Réponse d’un modèle génératif, formulée avec assurance, mais factuellement incorrecte.
Non-déterminisme	Propriété d’un modèle produisant des réponses variables pour une même entrée.
CLTV	Customer Lifetime Value — valeur du cycle de vie d’un client.

Prochain chapitre

Voyons maintenant les briques concrètes qu’AWS met à disposition pour construire une application d’IA générative : Amazon Bedrock, SageMaker JumpStart, PartyRock, et l’infrastructure de sécurité sous-jacente.

👉 Chapitre 3 : Bedrock, SageMaker JumpStart et l’infrastructure AWS pour l’IA générative

Junior TSAFACK – 11/09/2026