Une réponse d’IA peut donner l’impression qu’une personne a compris la situation, recherché les faits puis choisi ses mots. Le mécanisme est différent : le modèle construit une suite plausible à partir de votre demande et de ce qu’il a appris.

Une machine à produire une suite plausible

Lorsque vous écrivez « Prépare un ordre du jour pour… », le modèle ne retrouve pas un ordre du jour déjà rangé dans une base. Il découpe le texte en unités, appelées tokens, puis estime quelles suites ont le plus de chances de convenir. Cette opération est répétée jusqu’à former une réponse complète.

Le résultat peut être remarquable parce que le modèle a rencontré de nombreux exemples de structures, de raisonnements et de formulations pendant son entraînement. Mais la plausibilité n’est pas une preuve. Une date fausse, un nom mal attribué ou une règle inventée peuvent être formulés avec autant d’assurance qu’une information correcte.

Le contexte guide la réponse sans garantir la vérité

Dans un chatbot, vous pouvez tenter ces deux demandes : « Fais un ordre du jour » et « À partir des trois décisions [inventez les] ci-dessous, prépare un ordre du jour de trente minutes pour la réunion cas fictif ; n’ajoute aucun fait absent ».

La seconde donne une mission, des informations et une limite. Elle réduit l’espace d’interprétation du modèle.

Elle ne supprime pourtant pas le besoin de vérification. Si les notes se contredisent, le modèle peut choisir une version au lieu de signaler l’ambiguïté. Si un nom manque, il peut parfois compléter une phrase de manière vraisemblable. C’est pourquoi le prompt doit aussi indiquer comment réagir à l’incertitude.