La ligne de partage n’est pas « prédire » contre « créer » : un modèle de langage prédit lui aussi. Ce qui change, c’est la nature de la sortie, et donc la façon de mesurer les erreurs.
L’IA générative produit du contenu dans un espace ouvert : un texte, une image, une voix, dont il n’existe pas de version correcte unique. L’IA dite classique produit une sortie prise dans un ensemble fini connu d’avance : fraude ou pas fraude, un score, un classement, une catégorie. Cette différence commande tout le reste. La seconde se mesure avec des taux d’erreur vérifiables et sert à décider ; la première ne se mesure qu’imparfaitement et sert à proposer. Les deux reposent pourtant sur la même mécanique d’apprentissage.
Un dossier de crédit est refusé en quatre secondes. Le courrier évoque une « analyse automatisée du risque ». Le demandeur ouvre un assistant conversationnel et lui fait rédiger une lettre de contestation, obtenue en trente secondes, bien tournée. Deux systèmes d’intelligence artificielle viennent d’intervenir dans la même affaire, à deux minutes d’intervalle, et ils n’ont presque rien en commun.
Le premier a produit un chiffre entre 0 et 1, comparé à un seuil. On peut mesurer exactement à quelle fréquence il se trompe, dans quel sens, et sur quelle catégorie de population. Le second a produit un texte parmi une infinité de textes possibles, dont aucun n’est « la » bonne réponse. Aucun taux d’erreur ne s’applique.
C’est cette asymétrie, et non la nouveauté technologique, qui doit guider le choix d’un outil, la lecture d’une plaquette commerciale et la question qu’on pose à un fournisseur.
L’opposition la plus répandue est fausse. On explique volontiers que l’IA classique prédit tandis que l’IA générative crée. Or un modèle de langage ne fait rien d’autre que prédire : à chaque étape, il calcule la probabilité de chaque jeton possible et en tire un, puis recommence. Le mécanisme est décrit dans le fonctionnement d’un modèle de langage. La création apparente est une prédiction répétée quelques centaines de fois.
La distinction utile porte sur la sortie. Dans un cas, elle appartient à un ensemble fini énuméré à l’avance : fraude ou non, une des douze catégories de dépense, un score entre 0 et 1000, un ordre de vingt produits. Dans l’autre, elle appartient à un espace ouvert : toutes les suites de mots possibles, toutes les images de 1024 pixels de côté. Le premier espace se compte, le second non.
Notez au passage que l’expression « IA classique » n’est pas un terme technique. Les praticiens parlent de modèles discriminatifs, de classification, de régression, d’apprentissage sur données tabulaires. Le mot « classique » est apparu vers 2023, rétrospectivement, pour désigner tout ce qui n’était pas génératif. Les deux familles reposent sur le même socle, décrit dans l’apprentissage automatique : ajuster des paramètres pour minimiser une erreur sur des exemples.
| IA classique (prédictive, classement, recommandation) | IA générative | |
|---|---|---|
| Nature de la sortie | Un élément d’un ensemble fini : classe, score, rang | Un contenu dans un espace ouvert : texte, image, voix, code |
| Existe-t-il une bonne réponse unique ? | Oui, connue pour les exemples passés | Non, plusieurs sorties sont acceptables |
| Mesure de qualité | Taux d’erreur, précision, rappel, matrice de confusion | Jugement humain, comparaisons appariées, tests partiels |
| Données nécessaires | Des milliers à des millions d’exemples étiquetés du métier | Des corpus de plusieurs centaines de milliards de mots |
| Coût d’entraînement | De quelques minutes sur un ordinateur ordinaire à quelques heures sur serveur | Des milliers de processeurs graphiques pendant des semaines |
| Rôle dans la chaîne | Décider, trier, alerter, prioriser | Proposer un contenu qu’un humain relit |
| Explication d’un résultat | Poids des variables, règles de décision consultables | Aucune trace interprétable du raisonnement |
La dernière ligne explique beaucoup de choix industriels. Quand une décision doit être motivée devant un client, un contrôleur ou un juge, un modèle qui sait dire « ce dossier a basculé à cause du taux d’endettement et de l’ancienneté bancaire » vaut mieux qu’un modèle plus puissant et muet.
Un modèle de classification s’évalue sur des exemples qu’il n’a jamais vus, dont on connaît la bonne réponse. On compte les quatre cases : vrais positifs, faux positifs, vrais négatifs, faux négatifs. De là sortent la précision, le rappel, et surtout la possibilité de déplacer le seuil pour arbitrer entre les deux types d’erreur. Cet arbitrage est une décision de gestion, pas une décision technique : une banque qui veut rater moins de fraudes acceptera plus de cartes bloquées à tort.
Pour un modèle génératif, rien de tel. Il n’existe pas de résumé correct unique d’un rapport de quarante pages. L’évaluation passe donc par des juges humains, coûteux et peu reproductibles, par des jeux de questions à réponse vérifiable qui ne couvrent qu’une fraction des usages réels, ou par un autre modèle chargé de noter le premier, ce qui déplace le problème. C’est pourquoi les annonces de performance sur des modèles génératifs portent sur des épreuves standardisées dont l’écart avec votre usage réel reste inconnu.
Le filtre antispam. Il classe chaque message entrant en deux catégories à partir de centaines de signaux : mots du corps, réputation de l’expéditeur, résultat des vérifications d’authentification. Sa performance est mesurable au message près, et ses faux positifs sont visibles, comme l’explique le trajet d’un courriel.
La détection de fraude bancaire. Un score est calculé en quelques millisecondes sur chaque paiement : montant, commerçant, pays, historique, appareil. Le seuil détermine le blocage. C’est le même type de modèle qui déclenche l’appel du conseiller, et son taux de fausses alertes explique les cartes bloquées en vacances. Les suites d’un débit contesté relèvent ensuite du droit, décrit dans le remboursement d’un paiement frauduleux.
Le classement de votre fil d’actualité. Un modèle prédit, pour chaque contenu candidat, la probabilité que vous cliquiez, regardiez ou commentiez, puis ordonne. Aucun texte n’est produit : le système choisit dans un catalogue existant. Le mécanisme est détaillé dans le classement d’un fil.
Ces trois systèmes existaient avant 2022 et fonctionnent toujours. Ils représentent, en volume de décisions prises chaque jour en France, un ordre de grandeur bien supérieur à tous les usages génératifs réunis.
La rupture n’est pas la performance sur des tâches anciennes, c’est l’accès à des tâches qui n’étaient pas automatisables faute d’exemples étiquetés. Pour entraîner un modèle classique à classer des réclamations en douze catégories, il faut des milliers de réclamations déjà étiquetées à la main. Un modèle génératif accepte la même tâche avec une consigne en français et trois exemples, sans entraînement.
C’est le vrai basculement : le coût d’entrée d’une tâche de traitement du langage est passé de plusieurs mois d’annotation à quelques heures de rédaction de consignes. Les tâches concernées sont la reformulation, la traduction, le résumé, l’extraction d’information dans un texte libre, la génération de brouillons et de code. Écrire la consigne devient alors la compétence déterminante, ce que traite l’anatomie d’une consigne qui marche, et le constructeur de prompt aide à en poser les éléments.
Ce que le génératif n’a pas remplacé : les données en tableau, qui constituent l’essentiel des données d’entreprise. Sur ces données, les modèles d’arbres de décision agrégés restent au niveau des réseaux profonds, pour un coût de calcul sans commune mesure. Un modèle de scoring utile tient parfois dans quelques dizaines de kilo-octets.
La lecture des textes confirme cette hiérarchie des risques. Les usages classés à haut risque par le règlement européen sur l’IA concernent des systèmes qui produisent une décision ou une évaluation sur une personne : évaluation de solvabilité, tri de candidatures, notation d’examens, priorisation des secours, identification biométrique. Ce sont, dans leur immense majorité, des modèles de classification ou de score, c’est-à-dire de l’IA classique. Les obligations attachées sont détaillées dans le régime des systèmes à haut risque, et le cas du tri de curriculum vitae dans l’IA appliquée au recrutement.
Les modèles génératifs relèvent d’un régime distinct, centré sur la transparence : signaler qu’un contenu est produit ou manipulé artificiellement, informer l’utilisateur qu’il s’adresse à une machine, documenter les données d’entraînement pour les plus gros modèles. La logique est cohérente avec la distinction précédente : quand une sortie n’est pas mesurable, on ne peut pas exiger un taux d’erreur maximal, on exige de savoir qu’on la lit.
Le RGPD, lui, s’applique aux deux, mais avec un angle différent. Sur un modèle décisionnel, le droit à l’intervention humaine et l’explication de la logique du traitement sont les leviers utiles. Sur un modèle génératif, l’enjeu est ailleurs : ce que deviennent les contenus soumis, et la licéité de l’entraînement.
Dans un modèle classique, le biais se mesure. On compare les taux de faux positifs et de faux négatifs entre groupes de population, on obtient des écarts chiffrés, et on peut décider d’y remédier au prix d’une baisse de performance globale. Le Défenseur des droits et la CNIL ont documenté ce type d’analyse pour les décisions automatisées.
Dans un modèle génératif, le biais se manifeste dans des formulations, des choix d’exemples, des représentations implicites, sans catégorie de sortie sur laquelle calculer un écart. Les méthodes de mesure existent mais sont partielles et discutées. Les deux phénomènes portent le même mot et n’ont ni les mêmes causes ni les mêmes remèdes, comme le montre l’origine des biais d’un modèle. Les mêmes questions se posent d’ailleurs pour la fabrication d’une image par diffusion, où la sortie est encore moins réductible à un score.
Présenter les deux familles comme concurrentes fait rater l’architecture réelle des produits vendus aujourd’hui. Un assistant branché sur la documentation interne d’une société enchaîne au moins quatre étapes, dont une seule est générative.
La question de l’utilisateur est d’abord transformée en vecteur numérique par un modèle d’encodage, puis comparée à des milliers de passages de documents également vectorisés. Cette recherche par similarité est une tâche de classement, mesurable : on sait dire si le bon passage figure dans les cinq premiers résultats. Un second modèle, dit de réordonnancement, affine souvent ce classement. Là encore, sortie finie, évaluation chiffrée.
Ce n’est qu’ensuite que le modèle génératif intervient, pour rédiger une réponse à partir des passages retenus. Enfin, des classificateurs de sécurité contrôlent l’entrée et la sortie : demande interdite, donnée personnelle détectée, ton inapproprié. Sorties binaires, taux d’erreur connus.
La conséquence pratique compte : quand un tel outil donne une mauvaise réponse, la cause est le plus souvent en amont du modèle génératif. Le bon document n’a pas été retrouvé, ou il a été retrouvé mais classé douzième et jamais transmis. Diagnostiquer en changeant de modèle génératif revient à régler le mauvais bouton. La méthode de contrôle côté utilisateur est décrite dans la vérification d’une réponse d’IA.
Devant un outil présenté comme intelligent, regardez ce qu’il rend, pas comment il est vendu. Si la sortie est une catégorie, une note ou un ordre, vous avez affaire à un système mesurable : demandez le taux de fausses alertes sur une population comparable à la vôtre, et qui décide du seuil. Si la sortie est un contenu, vous avez affaire à un système qui ne se mesure pas : la seule question utile porte sur la relecture humaine avant que ce contenu ne produise un effet. Un fournisseur qui répond « notre IA est fiable à 99 % » sans préciser lequel des deux cas il décrit ne répond pas à la question. Pour situer l’une et l’autre dans l’ensemble du domaine, voir ce que le mot intelligence artificielle recouvre et ce qu’est réellement un réseau de neurones.
Générative, mais le service complet mélange souvent les deux. Autour du modèle de langage tournent des composants classificateurs : un filtre qui détecte les demandes interdites, un routeur qui choisit le modèle selon la difficulté, un système de recherche documentaire qui classe des passages par pertinence. Ces briques sont de l’IA classique, avec des sorties finies et des taux d’erreur mesurables. Ce que vous voyez est génératif, ce qui l’encadre ne l’est pas.
Parce qu’un modèle de langage ne fournit ni score calibré, ni stabilité, ni explication auditable. Un scoring doit donner deux fois le même résultat pour le même dossier, produire une probabilité utilisable et permettre d’exhiber les variables déterminantes en cas de contestation. Des modèles tabulaires bien plus simples font cela mieux, plus vite et pour un coût dérisoire. La règle générale vaut au-delà du crédit : quand la sortie est un choix parmi quelques options, le génératif est presque toujours le mauvais outil.
Plus récente et plus lourde, pas plus performante sur les tâches de l’IA classique. Sur des données en tableau, qui constituent l’essentiel des données d’entreprise, les modèles d’arbres restent au niveau des réseaux de neurones profonds tout en étant plus rapides et plus faciles à auditer. La générative a ouvert des tâches auparavant impossibles, elle n’a pas rendu obsolètes les techniques existantes.
Regardez la sortie, pas la plaquette. Si l’outil rend une catégorie, une note, un ordre de priorité ou un oui/non, c’est de l’IA classique et vous pouvez exiger ses taux d’erreur, mesurés sur une population comparable à la vôtre. S’il rend un texte, une image ou un résumé, c’est du génératif et la bonne question porte sur la relecture humaine avant usage. Voir aussi pourquoi un modèle génératif invente.
De l’IA classique. Un système de recommandation ordonne un catalogue existant : il ne crée rien, il classe. C’est pour cela que le règlement européen sur les services numériques a pu imposer aux grandes plateformes d’expliquer les principaux paramètres de ce classement et d’offrir une alternative non fondée sur le profilage. Une telle obligation serait bien plus difficile à formuler pour un modèle génératif.
Les liens ci-dessus renvoient vers les textes et les organismes cités. Les dates de consultation sont celles de la dernière relecture, le 13 septembre 2026.
Dans ce thème
Dans la rubrique
Modèles de langage, IA générative, deepfakes et règlement européen sur l’IA, expliqués sans hype ni panique.