Un modèle de langage ne comprend rien. Il calcule la suite de mots la plus probable, à partir de ce qu’il a vu pendant son entraînement et de ce qu’on vient de lui donner en contexte. Ce n’est pas un détail technique qu’on range dans un coin : c’est le fait qui explique à peu près tout ce qui suit, du texte convaincant produit sur un sujet qu’il maîtrise mal jusqu’à l’agent auquel on a eu la mauvaise idée de donner un accès en écriture sans supervision.
Deux façons de s’en servir, et cette rubrique traite les deux. L’IA publique, c’est un modèle hébergé par un fournisseur et appelé par son API ou son assistant : rien à installer, mais vos données, vos journaux et vos règles d’usage passent par quelqu’un d’autre. L’IA locale, c’est un modèle qui tourne sur vos propres machines : rien ne sort, mais tout ce que le fournisseur faisait pour vous devient votre problème.
Faire tourner ça chez soi plutôt que derrière l’API de quelqu’un d’autre change la donne, mais pas dans le sens où on croit d’abord : ça ne rend rien plus intelligent, ça rend juste chaque compromis visible. La quantization qui permet à un modèle de tenir dans la mémoire disponible sacrifie toujours quelque chose ; le choix entre CPU et GPU n’est jamais neutre ; un modèle local reste, in fine, une brique logicielle de plus dont il faut connaître les limites avant de lui confier quoi que ce soit d’important.
Les agents ajoutent une couche : donner à un modèle des outils et la capacité d’enchaîner des actions, c’est transformer une machine à produire du texte plausible en machine qui agit sur un système réel, avec tout ce que ça implique dès qu’on dépasse la simple conversation : mémoire, supervision humaine, protocole d’échange comme MCP. La base de connaissance ferme la boucle : comment un modèle va chercher une information qu’il n’a jamais apprise, via des embeddings, une base vectorielle comme Qdrant, un pipeline qui découpe, classe et recombine avant d’injecter le résultat dans la réponse.
Les trois se recoupent en permanence. Un agent qui interroge sa propre base de connaissance locale, c’est déjà, à peu près, tout le sujet de cette rubrique en une phrase.
Une organisation qui traite l’IA comme un simple outil de rédaction laisse ses données partir chez un fournisseur sans savoir ce qu’il en conserve, ni pendant combien de temps. Côté local, un modèle installé sans limites connues devient une brique logicielle de plus, non inventoriée, dont personne ne suit les versions. Le risque le plus direct vient des agents : un modèle qui produit du texte plausible et dispose d’un accès en écriture exécute une action plausible, pas nécessairement la bonne, et une instruction glissée dans un document consulté suffit à orienter cette action. Sans supervision ni journal, l’erreur ou le détournement ne se découvre qu’à ses effets, bien après coup.
Un modèle de langage est un programme entraîné sur une très grande quantité de textes. Quand on lui donne un début de texte, il calcule le mot le plus probable pour la suite, puis recommence, mot après mot. Il ne vérifie pas si ce qu’il écrit est vrai : il produit ce qui est le plus probable d’après ce qu’il a vu, ce qui explique qu’il puisse écrire un texte convaincant et faux. Il existe deux façons de l’utiliser. Dans le cas public, le modèle tourne chez un fournisseur et on lui envoie ses questions par Internet : rien à installer, mais les données passent chez ce fournisseur. Dans le cas local, le modèle tourne sur ses propres machines : rien ne sort, mais il faut gérer soi-même la mémoire, la puissance de calcul et les réglages. Pour faire tenir un modèle dans une mémoire limitée, on réduit la précision de ses nombres, ce qui fait toujours perdre un peu de qualité. Un agent est un modèle à qui l’on donne des outils : il peut alors enchaîner des actions sur un vrai système, ce qui exige surveillance et limites. Une base de connaissance permet enfin au modèle de consulter des documents qu’il n’a jamais appris : ils sont découpés, transformés en listes de nombres qui représentent leur sens, puis le passage le plus proche de la question est ajouté à la demande avant que le modèle ne réponde.
