Partie 1 – Introduction aux IA génératives

• 9h20 – 10h00 · 40 min
• Objectif 1 : comprendre le fonctionnement et les familles d'IA
• Suivi de l'atelier 1

📁 Dans le dépôt

• Pas de fichier à ouvrir pour cette partie : la leçon se suit sur cette page.
• La grille d’auto-positionnement à remplir en début de journée : grilles/auto-positionnement.md.
• Le vocabulaire introduit ici est repris dans glossaire.md et sur la page Glossaire.

Jeu d’ouverture : humain ou IA ?

Quatre textes courts, deux avis clients et deux e-mails internes. Lesquels ont été écrits par une IA, et à quoi le voit-on ?

	Texte
A – Avis client	Nous avons été ravis de notre expérience. Le personnel était accueillant, le service rapide et les produits de qualité. Nous recommandons vivement cet établissement.
B – Avis client	Bon, la tarte citron était un peu trop sucrée pour moi mais ma fille a fini la mienne, donc je suppose que ça compte comme un 5/5. Le serveur a retrouvé mon écharpe. Merci Karim.
C – E-mail interne	Bonjour à tous, je vous remercie pour votre implication sur ce projet. Grâce à vos efforts collectifs, nous avons atteint nos objectifs. N’hésitez pas à me contacter pour toute question.
D – E-mail interne	Hello l’équipe — on a livré. Pas parfait (le module export est encore bancal, Léa est dessus), mais le client a dit « enfin » au téléphone et je crois que ça veut dire merci. Pizzas jeudi.

Réponse

Les quatre textes ont été rédigés pour l’exercice. A et C imitent le style typique d’une IA : lisse, générique, structure parfaite, aucun détail concret. B et D imitent le style humain : détail précis, imperfection, émotion. La leçon n’est pas « on reconnaît toujours l’IA », c’est l’inverse : on ne distingue plus de façon fiable, donc la transparence et la vérification deviennent indispensables. C’est l’objet de la partie 4.

Qu’est-ce qu’une IA générative ?

Une IA générative est un modèle entraîné sur d’immenses volumes de données pour produire un contenu nouveau — texte, image, son, vidéo, code — à partir d’une instruction en langage naturel : le prompt.

Étape	Ce qui se passe
Données massives	Textes, images, code collectés à très grande échelle
Entraînement	Le modèle apprend les régularités : des milliards de paramètres
Modèle	Un « moteur de prédiction » généraliste, figé à une date
Prompt	Votre instruction : contexte, rôle, objectif, format
Génération	Le contenu est produit mot à mot, pixel par pixel

À retenir

L’IA ne « comprend » pas, elle prédit la suite la plus probable. La qualité de la sortie dépend donc directement de la qualité de l’entrée : votre prompt. Toute la journée découle de cette phrase.

Dix ans qui ont tout changé

Année	Jalon	Ce que cela change
2017	Transformer	Google publie l’architecture qui rend les grands modèles de langage possibles
2020	GPT-3	Premier modèle de langage « généraliste » convaincant
2021	DALL·E, Copilot	L’IA génère des images et du code
2022	ChatGPT	Midjourney, Stable Diffusion, puis ChatGPT en novembre : adoption massive en quelques semaines
2023	La concurrence	GPT-4, Claude, LLaMA, Mistral : modèles ouverts, arrivée en entreprise
2024	Multimodal	Texte, image, voix dans un même modèle ; l’Europe adopte l’AI Act
2025	Raisonnement	Modèles qui « réfléchissent » avant de répondre, agents qui enchaînent des actions
2026	IA partout	Bureautique, CRM, ERP : l’IA devient une fonctionnalité des outils existants

Les outils changent tous les six mois ; les compétences de prompting restent. Ce que vous apprenez aujourd’hui s’applique à ChatGPT, Claude, Copilot, Mistral et aux outils de l’an prochain.

Sous le capot : comment un modèle de langage génère du texte

Le modèle prédit le mot suivant, un token à la fois. Pour « Le chat est assis sur le ____ », il attribue une probabilité à chaque suite possible :

Suite	Probabilité (illustrative)
tapis	62 %
canapé	21 %
lit	9 %
toit	5 %
frigo	3 %

Il choisit un token selon ces probabilités, l’ajoute au texte, et recommence. Un texte de 500 mots représente des centaines de tirages successifs. Les pourcentages ci-dessus sont un exemple pédagogique, pas une mesure.

Quatre notions suffisent pour comprendre le comportement d’un modèle :

Notion	Définition	Conséquence pratique
Token	Unité de texte, environ ¾ de mot	On raisonne et on paie en tokens
Fenêtre de contexte	Tout ce que le modèle « voit » : votre prompt, les documents joints, la conversation	Au-delà, il oublie le début ; une conversation trop longue dérive
Température	Dose de hasard dans le choix du token	Basse : réponses sûres et répétitives ; haute : créatives et risquées
Date de coupure	Fin des données d’entraînement	Le modèle ne connaît rien après cette date, sauf s’il dispose d’un outil de recherche

À essayer dans votre outil

Tapez « Le chat est assis sur le » et observez la réponse. Relancez deux fois : la variabilité que vous constatez est celle de la génération probabiliste.

Les trois familles d’IA génératives

Famille	Ce qu’elle produit	Outils de référence
Modèles de langage (LLM)	Texte, code, raisonnement, conversation	ChatGPT (OpenAI), Claude (Anthropic), LLaMA (Meta), Mistral (Mistral AI)
IA d’images	Création et retouche d’images à partir d’une description	DALL·E (OpenAI), Midjourney, Stable Diffusion (open source)
IA audio et vidéo	Voix, musique, avatars, vidéos synthétiques	ElevenLabs (voix), Synthesia (avatars vidéo), Runway Gen (vidéo générative)

Les frontières s’effacent : les modèles deviennent multimodaux, acceptant et produisant texte, image et audio dans une même conversation.

Modèles de langage : qui fait quoi ?

Modèle	Éditeur	Accès	Points forts	Usage typique
ChatGPT (GPT)	OpenAI (États-Unis)	Propriétaire	Écosystème riche, images, voix, extensions	Assistant généraliste
Claude	Anthropic (États-Unis)	Propriétaire	Documents longs, rédaction soignée, code	Analyse de documents, rédaction professionnelle
LLaMA	Meta (États-Unis)	Poids ouverts	Base de nombreux modèles dérivés, exécution locale possible	R&D, intégration sur mesure
Mistral	Mistral AI (France)	Ouvert et propriétaire	Efficacité, souveraineté européenne, Le Chat	Déploiement interne, conformité RGPD

Tous fonctionnent sur le même principe : prédire le token suivant. Les techniques de prompting vues aujourd’hui s’appliquent donc à tous. Ce qui change : la taille, les données d’entraînement, les outils connectés (web, fichiers, code) et la politique de confidentialité. « Poids ouverts » signifie que le modèle peut être téléchargé et exécuté en local ou chez un hébergeur de son choix, ce qui compte pour la confidentialité. Les versions évoluent très vite ; celles du jour vous seront données en séance.

IA d’images : du bruit à l’image

Le principe de la diffusion : le modèle a appris à « débruiter » des images. À la génération, il part d’un nuage de pixels aléatoires et le transforme progressivement, en 20 à 50 étapes, en une image guidée par le prompt. Chaque génération est nouvelle, même avec un prompt identique.

Outil	Éditeur	Accès	Signature	Idéal pour
DALL·E	OpenAI	Intégré à ChatGPT	Compréhension fine du texte, édition par dialogue	Illustrations rapides, visuels de présentation
Midjourney	Midjourney Inc.	Web ou Discord, abonnement	Esthétique très travaillée, rendu « artistique »	Concept art, moodboards, communication
Stable Diffusion	Stability AI et communauté	Open source, local ou cloud	Contrôle total, modèles spécialisés, ControlNet	Production sur mesure, confidentialité

Un prompt image décrit sujet + style + composition + lumière + ambiance ; la méthode complète est dans la partie 3.

Démonstration : même prompt, trois IA d’images

Le prompt « Une salle de réunion lumineuse où une équipe découvre l’IA, style photo éditoriale, lumière naturelle du matin, ratio 16:9 » est soumis à DALL·E, Midjourney et Stable Diffusion. Observez : respect du prompt, style, réalisme des visages et des mains, texte parasite, et diversité des personnes représentées — premier aperçu des biais. Les prompts de cette démonstration sont dans demos/demos-images.md si vous voulez la refaire avec vos outils.

IA audio et vidéo : la voix, l’avatar, la scène

Outil	Ce qu’il fait	Usages
ElevenLabs	Synthèse et clonage de voix : texte vers voix réaliste, plus de 30 langues, doublage automatique	Voix de marque, podcasts, e-learning
Synthesia	Vidéos avec avatars : un script texte devient un présentateur virtuel, plus de 140 langues, sans caméra ni studio	Formation interne, communication RH
Runway Gen	Vidéo générative : texte ou image vers séquence vidéo, effets, retouche	Publicité, prototypage créatif

Vigilance

Le clonage de voix et les deepfakes exigent le consentement explicite des personnes. L’AI Act européen impose de signaler les contenus synthétiques. En entreprise, l’usage se valide avec la direction juridique et la communication.

Panorama des cas d’usage en entreprise

Domaine	Exemples
Texte	Rédaction d’e-mails, comptes rendus, offres ; résumé de documents longs ; reformulation, traduction, ton ; FAQ et support client
Code	Génération de fonctions et scripts ; correction et explication de bugs ; documentation et tests ; migration entre langages
Image	Visuels pour réseaux sociaux ; mockups et moodboards ; illustrations de supports ; variantes de packaging
Vidéo et audio	Vidéos de formation avec avatar ; doublage multilingue ; voix off de tutoriels ; teasers et prototypes
Automatisation	Tri et réponse aux e-mails ; extraction de données de PDF ; chatbots internes (RAG) ; workflows Make / Zapier avec API

Règle d’or : l’IA augmente le professionnel, elle ne le remplace pas. L’humain cadre, vérifie et assume la décision finale. Repérez dès maintenant le domaine dans lequel vous vous projetez : il orientera votre prompt métier de l’après-midi.

Limites, biais et risques des modèles génératifs

Risque	De quoi il s’agit
Hallucinations	Réponses fausses mais formulées avec assurance : chiffres, citations, références inventées
Biais	Les modèles reproduisent les stéréotypes de leurs données : genre, origine, culture, langue dominante
Confidentialité	Ce que vous tapez peut être stocké ou réutilisé pour l’entraînement : jamais de données sensibles sans cadre
Obsolescence	Connaissances figées à la date de coupure ; actualités, tarifs, lois récentes peuvent être faux
Propriété intellectuelle	Droits sur les données d’entraînement et sur les contenus produits : zone grise juridique
Dépendance et déqualification	Perte d’esprit critique, uniformisation des contenus, sur-confiance dans l’outil

Deux cas réels illustrent les deux premiers risques : en 2023, un avocat américain a été sanctionné pour avoir cité des jurisprudences inventées par ChatGPT ; la même année, des extraits de code source confidentiel d’un industriel ont fui via un chatbot public. Ces risques justifient la grille d’évaluation et la charte de la partie 4.

Ce qu’il faut retenir

• Une IA générative prédit, elle ne sait pas : la qualité du prompt conditionne la qualité de la réponse.
• Trois familles : modèles de langage, IA d’images, IA audio et vidéo ; les mêmes principes de prompting s’appliquent.
• Quatre notions : token, fenêtre de contexte, température, date de coupure.
• Six familles de risques, dont les deux que vous rencontrerez dès l’atelier 1 : la variabilité et l’hallucination.

Place à la pratique : Atelier 1 – Même prompt, plusieurs IA.