Ouvrir le capot de l’IA

L’intelligence artificielle inonde nos vies. Elle est là, omniprésente, accompagnée de la promesse qu’avec elle, tout deviendra plus facile.

Même les plus réfractaires finissent par s’y frotter. On l’apprivoise en l’utilisant tantôt comme guide, tantôt comme confident, tantôt comme binôme pour réfléchir ou se divertir. Tout paraît si simple, tant que l’on n’attend pas réellement un résultat précis.

Et puis, un jour, le besoin devient sérieux. Nous savons ce que nous voulons obtenir. Nous avons un objectif, des contraintes et un résultat attendu.

C’est précisément à ce moment que les choses commencent à se compliquer.

Cette personne, cette machine, cette chose — on ne sait parfois plus très bien comment la considérer — semble nous comprendre. Pourtant, au fil des échanges, une question finit par apparaître : ne sommes-nous pas en train de perdre davantage de temps que nous pensions en gagner ?

Nous avons probablement tous connu ce sentiment d’incapacité face à une tâche qui paraissait pourtant si facile. On reformule la demande. On ajoute des précisions. On recommence autrement. Et, presque sans s’en rendre compte, plusieurs heures se sont écoulées.

L’intelligence artificielle reste avant tout un outil. Un système extrêmement complexe, certes, mais un système malgré tout. Comme pour n’importe quel outil, il faut apprendre à l’utiliser, mais aussi comprendre suffisamment son fonctionnement pour en connaître le potentiel et les limites.

Cette compréhension devient d’autant plus importante dans le monde professionnel. Les attentes y sont plus précises, les environnements plus complexes et les conséquences plus importantes. Il faut tenir compte de la sécurité, des obligations légales, de la confidentialité, de la qualité des données, de la fiabilité des réponses et des risques liés aux actions confiées au système.

Or l’intelligence artificielle est à la mode, et tout le monde en parle.

On trouve des listes des dix meilleurs prompts à utiliser tels quels, des comparatifs de modèles, des classements fondés sur des tests dont on ne comprend pas toujours l’énoncé, des documentations extrêmement techniques consacrées à un composant particulier et, pour compléter le tableau, de nombreux articles alarmistes nous annonçant que nos emplois sont plus que jamais menacés.

Entre les recettes simplistes et les explications réservées aux spécialistes, il reste pourtant un espace essentiel : celui de la compréhension globale.

Faut-il connaître chaque détail du fonctionnement interne d’un composant ? Pas nécessairement. Mais il est utile de comprendre comment les différentes briques d’un système s’organisent, ce qu’elles apportent, quelles limites elles compensent et comment elles travaillent ensemble pour produire ce qui ressemble parfois à de la magie.

C’est le constat auquel je suis arrivé en essayant moi-même de comprendre le fonctionnement de l’intelligence artificielle afin d’en tirer le meilleur parti. Les informations existaient, mais elles étaient dispersées entre articles, documentations, vidéos, publications scientifiques, démonstrations et discours marketing. Il me manquait une carte permettant de relier les différents morceaux.

J’ai donc entrepris de construire le guide d’apprentissage que j’aurais aimé trouver.

Je ne souhaitais pas écrire un traité mathématique sur les Transformers, ni une documentation liée à un fournisseur particulier. Je ne voulais pas non plus proposer une nouvelle collection de recettes permettant de reproduire quelques démonstrations impressionnantes sans comprendre pourquoi elles fonctionnent.

Mon objectif est différent : construire progressivement un modèle mental.

Nous partirons d’une situation simple : un utilisateur pose une question et reçoit une réponse. Puis nous rencontrerons une première limite. Pour la dépasser, nous ajouterons une nouvelle brique. Cette brique révélera à son tour d’autres contraintes. Peu à peu apparaîtront le contexte, les embeddings, la recherche sémantique, le RAG, les outils, MCP, l’orchestration, la mémoire, la sécurité, l’évaluation et les agents.

Chaque concept sera introduit parce qu’un problème concret l’exige, et non parce qu’il figure dans une liste de technologies à connaître.

Comprendre ne signifie pas devoir tout reconstruire soi-même. Il n’est pas nécessaire de savoir concevoir un moteur pour conduire une voiture. Mais lorsqu’il faut choisir le véhicule, détecter un problème, évaluer un risque ou décider jusqu’où lui confier le trajet, il devient utile de savoir ce qui se trouve sous le capot.

Il en va de même pour l’intelligence artificielle.

Ce livre s’adresse à celles et ceux qui ne veulent ni croire aveuglément à la magie, ni être noyés dans la complexité. À celles et ceux qui souhaitent comprendre suffisamment pour poser de meilleures questions, faire de meilleurs choix et construire des systèmes plus utiles, plus contrôlables et mieux adaptés à la réalité.

Partons à la découverte de ce moteur.