Je pensais terminer 2022 en parlant des passkeys, des images générées ou du métavers. Puis OpenAI a rendu ChatGPT public le 30 novembre. Après un mois, l’outil est trop récent pour un bilan définitif, mais son interface rend enfin un modèle de langage directement testable par le grand public.

Le texte entré est découpé en tokens, des morceaux de mots ou de ponctuation. Le modèle transforme ces tokens en vecteurs, puis ses couches de transformer utilisent l’attention pour calculer quelles parties du contexte sont pertinentes entre elles. À chaque étape, il produit une distribution de probabilité pour le prochain token; une stratégie d’échantillonnage en choisit un, l’ajoute au contexte et recommence.

question → tokens → représentations + attention → probabilités prochain token
         ← token choisi ← échantillonnage ←
         → boucle jusqu'à la réponse

L’entraînement apprend ces régularités sur beaucoup de texte. Un ajustement sur des instructions et du feedback humain rend ensuite les réponses plus utiles et moins dangereuses. La conversation conserve un contexte récent qui donne l’impression d’une mémoire, mais le modèle n’interroge pas automatiquement une source fiable pour chaque phrase et ne possède pas une intention humaine derrière son ton.

Cette mécanique explique le piège principal : une référence inventée peut être linguistiquement très plausible. Le modèle optimise la suite de texte, pas une contrainte « chaque fait doit exister dans une base vérifiée ». Une température ou stratégie d’échantillonnage plus conservatrice réduit la variété, sans garantir la vérité.

Un pilote qui vérifie le travail

Je choisirais trois tâches et un jeu d’essai gardé à l’avance :

1. reformuler 30 textes dont on connaît les faits à préserver;
2. résumer 20 documents avec réponses vérifiables dans la source;
3. proposer 20 petites fonctions accompagnées de tests;
4. noter exactitude, omissions, temps de révision et données sensibles;
5. répéter chaque consigne pour mesurer la variabilité;
6. comparer au temps et aux erreurs du processus sans outil;
7. conserver les prompts et corrections qui révèlent un risque;
8. décider quelle sortie reste un brouillon et quelle tâche est interdite.

Pour le code, je n’exécute pas la proposition directement en production. Elle passe analyse, tests, revue et environnement isolé. Une fonction qui compile peut contenir injection SQL, mauvaise gestion d’erreur ou dépendance inventée. Pour un résumé, je demande des renvois vers les passages, puis je vérifie qu’ils disent réellement la même chose.

La confidentialité est une frontière immédiate. Un outil public reçoit le texte soumis; je ne suppose pas que le copier équivaut à l’exécuter localement. Aucun secret, donnée personnelle, contrat non public ou code sensible n’entre avant d’avoir clarifié conditions, conservation et accès. Les journaux internes gardent assez de contexte pour auditer l’usage sans recopier toutes les données.

Une panne ou une limite de service ne doit pas interrompre un processus essentiel. L’équipe sait travailler sans l’outil et ne stocke pas sa seule copie dans la conversation. Les changements de modèle peuvent modifier les réponses; le jeu d’évaluation est rejoué avant d’élargir l’usage. Une sortie importante reste sous la responsabilité d’une personne nommée.

Mes règles temporaires sont donc techniques et observables : données permises, tâches autorisées, validation requise, stockage du résultat, responsable et test de référence. Elles ne règlent pas encore toutes les questions de droit d’auteur ou de gouvernance, mais permettent d’apprendre sans confondre fluidité et fiabilité.

Ma maîtrise en intelligence artificielle se termine au moment où cette interface ouvre le sujet à tout le monde. En 2023, ma pratique sera d’évaluer ChatGPT comme un composant probabiliste : jeu de tests, taux d’erreur, frontière de données et solution de repli. Une conversation agréable peut accélérer un brouillon; elle ne signe pas le travail à notre place.