Vous avez peut-être déjà demandé à ChatGPT de reformuler un e-mail, de résumer un document ou de vous aider avec une formule Excel. Derrière ces réponses se cache souvent un LLM, une technologie qui transforme des instructions en langage naturel en réponses rédigées — parfois très convaincantes, parfois à vérifier.

Mais que signifie exactement cet acronyme ? Comment un grand modèle de langage apprend-il à produire du texte ? Et peut-il vraiment « comprendre » ce qu’on lui demande ? Voyons cela simplement, avec quelques exemples concrets et un détour par Excel.

Que signifie LLM ?

LLM est l’abréviation de Large Language Model, que l’on traduit en français par grand modèle de langage. Il s’agit d’un programme d’intelligence artificielle entraîné sur de grandes quantités de textes afin de traiter et de générer du langage.

Un LLM peut notamment répondre à une question, rédiger un texte, résumer un document, traduire une phrase ou proposer du code. Parmi les outils qui s’appuient sur ce type de modèle, on trouve ChatGPT, Claude, Gemini ou encore Copilot. Chaque outil possède ses propres caractéristiques, mais beaucoup reposent sur des principes similaires.

Le mot « grand » fait référence à l’échelle du modèle : la quantité de données utilisées pour l’entraînement et le nombre de paramètres qu’il contient. Ces paramètres sont des valeurs ajustées pendant l’apprentissage. On peut les voir comme des réglages internes qui aident le modèle à repérer des relations entre les mots, les phrases et les idées.

Un LLM n’est donc pas une simple base de données qui chercherait une réponse toute faite. Il génère une réponse à partir de ce qu’il a appris et du contexte fourni dans la conversation.

Comment un LLM apprend-il à écrire ?

Pour comprendre le principe, imaginons une phrase incomplète : « Le tableur de Nathan contient plusieurs… » Un modèle de langage estime quels mots pourraient venir ensuite. « Feuilles » est probablement plus plausible que « ananas », même si ce dernier mot n’est pas impossible dans un scénario particulièrement exotique.

Pendant son entraînement, le modèle analyse une immense quantité de textes et apprend à prédire la suite d’une séquence. Il ne mémorise pas nécessairement chaque document comme le ferait une bibliothèque. Il ajuste plutôt ses paramètres pour repérer des régularités : quels mots apparaissent souvent ensemble, comment une question appelle une réponse, ou quelle structure caractérise une formule ou un extrait de code.

En simplifiant, l’entraînement ressemble à une série d’exercices :

  • Le modèle reçoit un texte dont une partie est masquée ou doit être poursuivie.
  • Il propose une prédiction.
  • Cette prédiction est comparée à la réponse attendue.
  • Ses paramètres sont ajustés pour réduire l’écart lors des prochaines tentatives.

Cette opération est répétée à très grande échelle. Ensuite, des étapes de réglage supplémentaires peuvent aider le modèle à suivre des consignes, à présenter ses réponses clairement et à éviter certaines sorties indésirables. Cela ne le rend pas infaillible, mais le rend généralement plus utile en conversation.

Les jetons : le texte découpé en petits morceaux

Un LLM ne traite pas toujours le texte exactement comme nous le lisons. Avant de l’analyser, il le découpe en unités appelées jetons — ou tokens en anglais. Un jeton peut correspondre à un mot, à une partie de mot, à un signe de ponctuation ou à un autre morceau de texte.

Par exemple, un mot rare ou composé peut être séparé en plusieurs jetons, tandis qu’un mot courant peut parfois n’en former qu’un. Cette étape permet au modèle de manipuler le texte sous une forme numérique. La réponse est ensuite produite jeton après jeton, chaque nouvel élément étant choisi en fonction du contexte précédent.

C’est aussi pour cela qu’une consigne claire aide. Si vous demandez simplement « Fais-moi un tableau », le résultat peut manquer de précision. Si vous indiquez les colonnes, le format attendu et les contraintes, vous fournissez au modèle un contexte plus utile.

Le rôle des transformers et du contexte

La plupart des grands modèles de langage modernes reposent sur une architecture appelée transformer. Son avantage important est de pouvoir analyser les relations entre différentes parties d’un texte, y compris lorsque les mots concernés sont éloignés les uns des autres.

Dans la phrase « Camille a envoyé le fichier à Léa parce qu’elle en avait besoin », le pronom « elle » peut demander une interprétation. Le contexte aide à déterminer à qui il se rapporte. Le mécanisme d’attention des transformers contribue à mettre en relation les éléments pertinents d’une séquence.

Le modèle ne garde toutefois pas automatiquement en mémoire tout ce qui a été dit dans toutes vos conversations. Il utilise une quantité limitée de contexte à la fois, appelée souvent fenêtre de contexte. Selon l’outil, cette fenêtre peut être plus ou moins grande. Si un échange ou un document dépasse cette limite, certains éléments peuvent être ignorés ou ne plus être accessibles au modèle.

LLM, moteur de recherche et base de données : quelle différence ?

Un moteur de recherche repère des pages susceptibles de répondre à une requête et vous les présente. Une base de données stocke des informations organisées pour qu’on puisse les consulter. Un LLM, lui, formule une réponse en générant du texte à partir de son entraînement et du contexte disponible.

La distinction est importante : un LLM peut rédiger une réponse bien tournée sans avoir vérifié chaque fait en temps réel. Certains assistants peuvent accéder au Web ou à des documents fournis par l’utilisateur, mais cela dépend de l’outil et des fonctions activées. Il faut donc éviter de confondre aisance d’expression et vérification des sources.

Autrement dit, si vous demandez à un modèle le chiffre d’affaires exact d’une entreprise pour l’année en cours, mieux vaut consulter une source officielle. En revanche, pour reformuler un paragraphe ou proposer une première structure de présentation, il peut vous faire gagner un temps appréciable.

Pourquoi un LLM peut-il se tromper ?

Un modèle de langage cherche à produire une suite de texte plausible au regard de son entraînement et de la consigne. Il ne vérifie pas toujours ses affirmations comme le ferait un spécialiste qui consulte ses documents. Il peut donc donner une réponse fausse avec beaucoup d’assurance. Ce phénomène est souvent appelé hallucination.

Il peut aussi mal interpréter une consigne ambiguë, manquer d’informations récentes ou produire un calcul erroné. Même lorsqu’il génère une formule Excel qui semble correcte, une référence de cellule mal choisie suffit à fausser le résultat.

Pour limiter les erreurs, vous pouvez :

  • fournir un contexte précis et les informations utiles ;
  • demander au modèle d’expliquer ses hypothèses ou de signaler les éléments incertains ;
  • vérifier les faits importants avec des sources fiables ;
  • tester les formules, les calculs et le code avant de les utiliser dans un fichier réel.

Un LLM est un assistant de travail, pas un tampon « vérifié » apposé sur chaque réponse. La bonne habitude consiste à lui confier les tâches où il apporte de la vitesse, puis à contrôler ce qui mérite de l’être.

Un exemple pratique avec Excel

Imaginons que vous ayez une liste de ventes avec les colonnes Date, Commercial et Montant. Vous pouvez demander à un LLM : « Quelle formule Excel me permet de calculer le total des ventes de Léa ? Les noms sont en B2:B200 et les montants en C2:C200. »

Il pourra proposer une formule comme =SOMME.SI(B2:B200;"Léa";C2:C200) dans une version française d’Excel. Vous pouvez ensuite lui demander d’expliquer chaque argument ou d’adapter la formule si les données commencent à la ligne 5.

Autre possibilité : lui demander de transformer une consigne en macro VBA, de commenter un code existant ou de créer un plan de tableau de bord. C’est pratique pour démarrer, surtout si vous ne savez pas encore quelle fonction utiliser. Mais testez toujours la solution sur une copie du classeur et vérifiez les séparateurs, les noms de fonctions et la version d’Excel que vous utilisez.

Un conseil utile : ne transmettez pas d’informations confidentielles — coordonnées de clients, données salariales ou résultats internes, par exemple — sans avoir vérifié les règles de votre organisation et les paramètres de confidentialité du service choisi.

Comment obtenir de meilleures réponses ?

La qualité de la réponse dépend beaucoup de la qualité de la consigne. Une demande précise réduit les interprétations possibles. Pensez à indiquer le rôle souhaité, le contexte, le résultat attendu et les contraintes de format.

Au lieu de demander « Aide-moi avec Excel », essayez : « Je travaille dans Excel en français. Dans la feuille Ventes, les noms des commerciaux sont en B2:B200 et les montants en C2:C200. Propose une formule pour additionner les ventes de Léa, puis explique-la en deux phrases. »

Vous pouvez aussi procéder par étapes : demander une première solution, préciser ce qui ne convient pas, puis faire vérifier la réponse à l’aide d’un exemple. Le modèle ne lit pas dans vos pensées — ce qui est peut-être rassurant pour vos données confidentielles — mais il exploite efficacement les détails que vous lui fournissez.

Ce qu’il faut retenir sur les LLM

Un LLM, ou grand modèle de langage, est un système d’intelligence artificielle entraîné à repérer des régularités dans le langage et à générer du texte en fonction d’une consigne. Il peut aider à rédiger, résumer, expliquer ou produire des formules et du code, mais il peut aussi se tromper ou manquer de contexte.

Utilisé avec des demandes précises et une vérification adaptée, il devient un assistant pratique, y compris pour travailler dans Excel. Il ne remplace pas votre jugement : il vous aide à avancer plus vite, à condition de garder un œil sur le résultat.