Le 31 juillet 2026, OpenAI annonçait que ChatGPT dépassait le milliard d'utilisateurs actifs. Une partie de vos clients s'en sert déjà pour dégrossir une question sur un PER, une assurance vie ou la fiscalité d'un investissement.
Derrière ChatGPT, mais aussi derrière Claude, Gemini ou Mistral, il y a le même objet technique : un LLM, un grand modèle de langage. Le sigle revient partout, presque jamais expliqué.
Comprendre ce qu'est un LLM n'est pas une curiosité d'ingénieur. C'est ce qui permet de savoir quand s'appuyer dessus en cabinet, et quand s'en méfier.
Alors qu'est-ce qu'un LLM, concrètement, et pourquoi peut-il produire une réponse parfaitement fluide et parfaitement fausse ?
En bref. Un LLM est un programme qui prédit le mot suivant le plus probable à partir d'un texte. Il génère la réponse la plus vraisemblable, pas la plus vraie. C'est pourquoi il excelle à reformuler, résumer ou vulgariser, mais peut affirmer une erreur avec le même aplomb qu'un fait exact.
Sommaire
Pourquoi un LLM génère-t-il une réponse au lieu de chercher la vérité ?
Pourquoi un LLM peut-il être crédible et faux en même temps ?
Qu'est-ce qu'un LLM, concrètement ?
Un LLM est un modèle statistique qui prédit le mot suivant dans une phrase.
Le sigle signifie « large language model », grand modèle de langage. Son principe tient en une image, c'est une autocomplétion poussée à l'extrême. Vous lui donnez un début de texte, il calcule quelle suite est la plus probable, mot après mot, à partir de tout ce qu'il a lu pendant son apprentissage.
Il ne « comprend » pas au sens humain. Il ne raisonne pas sur le vrai et le faux. Il évalue des probabilités de séquences de mots, découpés en unités appelées tokens, et restitue la continuation la plus vraisemblable.
Sa fluidité vient de là, il a vu tellement de phrases bien formées qu'il en produit de nouvelles, cohérentes en apparence.
Cette mécanique explique à la fois sa force et sa faiblesse. Un objet capable d'imiter n'importe quel style de texte est extraordinairement polyvalent. Mais un objet qui calcule le plausible n'a, par construction, aucune garantie de dire le vrai.
Comment un LLM apprend-il pendant son entraînement ?
Pendant l'entraînement, un LLM ingère d'énormes volumes de texte et en retient des régularités statistiques, pas des faits vérifiés.
Concrètement, on lui présente des milliards de phrases et on lui demande, encore et encore, de deviner le mot masqué ou le mot suivant. À chaque erreur, ses paramètres internes s'ajustent légèrement.
Au bout de ce processus, le modèle a mémorisé non pas une base de connaissances rangée, mais des corrélations entre les mots, quels termes vont ensemble, dans quel ordre, dans quel contexte.
L'architecture qui rend cet apprentissage efficace, le Transformer, a été décrite en 2017 dans l'article de recherche de GOOGLE « Attention Is All You Need ». C'est elle qui équipe aujourd'hui ChatGPT, Claude, Gemini et Mistral. C'est le "T" de ChatGPT.
Un point mérite d'être retenu, parce qu'il revient sans cesse dans les discours commerciaux, un modèle apprend des formes de langage, pas une vérité de référence. La distinction entre entraîner un modèle, l'ajuster sur un domaine et le connecter à des sources vérifiées fera l'objet d'un article dédié sur ce que recouvrent vraiment l'entraînement, le fine-tuning et le RAG.
Pourquoi un LLM génère-t-il une réponse au lieu de chercher la vérité ?
Un LLM produit la réponse la plus probable ; il ne consulte pas une base de vérités.
C'est une différence de nature avec les outils auxquels un CGP est habitué. Un simulateur applique une règle de calcul. Une base réglementaire renvoie un texte existant. Un LLM, lui, fabrique sa réponse à la volée, en enchaînant les mots les plus vraisemblables. Il n'a pas de notion interne de source, ni de mécanisme qui vérifie que ce qu'il écrit correspond à un fait.
Cela ne veut pas dire qu'il se trompe toujours. Sur des sujets très documentés et stables, la réponse la plus probable est souvent la bonne. Mais sur un point précis, daté ou technique, comme un plafond fiscal ou une règle qui vient de changer, rien ne garantit que le plausible coïncide avec l'exact.
Un LLM peut être branché à une source pour aller chercher l'information au moment de répondre plutôt que de la générer de mémoire. C'est un mécanisme distinct, que nous détaillerons, et qui change beaucoup pour le conseil.
[[SIMULATEUR]]
Qu'est-ce qu'un LLM sait bien faire ?
Un LLM excelle sur les tâches de langage où l'exactitude factuelle n'est pas le point critique : reformuler, résumer, structurer, traduire, vulgariser.
Ce sont des usages réels et légitimes en cabinet. Transformer des notes de rendez-vous en compte rendu lisible, résumer un document long, réécrire une explication technique dans un langage clair pour un client, préparer un premier brouillon d'e-mail : sur ces tâches, l'outil fait gagner un temps mesurable. Des études menées par OpenAI en 2025 évoquent 40 à 60 minutes gagnées par jour sur les tâches de bureau chez les utilisateurs réguliers.
La règle qui doit encadrer ces usages est simple, sur ce terrain, l'IA prépare, le conseiller garde la main. Un brouillon reste un brouillon tant qu'un professionnel ne l'a pas relu et validé. Pour comparer les outils sur ce type d'usage, notre panorama des outils d'IA disponibles pour un cabinet entre dans le détail.
Là où la vigilance commence, c'est dès qu'on quitte le langage pour entrer dans le chiffre, la règle ou la recommandation.
Pourquoi un LLM peut-il être crédible et faux en même temps ?
Parce qu'il est optimisé pour produire un texte plausible, pas exact, le ton assuré n'est jamais un gage d'exactitude.
C'est le phénomène que l'on appelle l'hallucination. Le modèle formule une réponse fausse avec la même fluidité qu'une réponse juste, parce que rien, dans sa mécanique, ne distingue les deux. Pour un lecteur, une affirmation bien tournée inspire confiance, ce qui rend l'erreur d'autant plus difficile à repérer.
Le régulateur l'a acté. L'Autorité des marchés financiers rappelle que les IA génératives conversationnelles, en citant ChatGPT, Mistral et Gemini, ne sont pas des IA spécialisées en finance et ne remplacent pas le conseil d'un professionnel, rien ne garantit que les placements proposés sont adaptés. Une étude MIT-Stanford d'août 2026 va plus loin et montre que la réponse d'une IA à une question patrimoniale varie selon la façon dont la question est formulée. Nous l'analysons dans l'article expliquant pourquoi un chatbot ne suffit pas à produire un conseil.
Le sujet n'est pas théorique pour un cabinet. Selon le Baromètre de l'épargne et de l'investissement 2025 de l'AMF, publié en décembre 2025, 11 % des Français déclarent déjà utiliser l'IA avant un placement, une proportion qui monte à 19 % chez les moins de 35 ans. Vos clients posent donc ces questions à un LLM, avec ou sans vous.
Un LLM, ce n'est pas quoi ?
Un LLM n'est ni une base de données, ni un moteur de recherche, ni un logiciel qui agit à votre place.
Ce n'est pas une base de données, il ne stocke pas des enregistrements exacts que l'on pourrait interroger, il reconstitue une réponse probable. Ce n'est pas un moteur de recherche, par défaut, il ne va pas chercher une page ou une source vérifiée, il génère du texte. Et ce n'est pas un outil qui exécute des actions dans vos logiciels.
Cette dernière distinction est la plus importante, car le vocabulaire entretient la confusion. Un agent, c'est l'étage au-dessus du LLM. Un LLM produit du texte, rien de plus. Un agent est un LLM qui peut utiliser des outils externes, connectés directement ou non, et qui peut donc agir plutôt que seulement répondre.
Concrètement, il choisit l'outil adapté, l'utilise et enchaîne les étapes pour accomplir une tâche, lire un dossier, lancer un simulateur, mettre à jour le CRM. Le LLM est le cerveau qui formule, l'agent y ajoute les mains qui exécutent, et dans les deux cas c'est le conseiller qui valide.
Reste une question pratique, une fois la mécanique comprise : entre ChatGPT, Claude, Gemini et Mistral, quel AI choisir quand on est CGP ?
Conclusion
Un LLM est une machine à produire du langage plausible. C'est ce qui le rend précieux pour reformuler, résumer ou vulgariser, et risqué dès qu'il s'agit d'un chiffre, d'une règle fiscale ou d'une recommandation. Le ton ne dit rien de l'exactitude, et l'outil n'a, seul, aucun moyen de vérifier ce qu'il avance. Il convient de passer d'une approche probabiliste à une approche déterministe en s'appuyant sur des outils spécifiques.
La bonne question n'est donc pas de savoir s'il faut utiliser l'IA, puisque le mouvement est déjà là. Elle est de savoir lequel de ces outils utiliser, et pour quelles tâches précisément. C'est le point de départ du prochain article de la série.
FAQ
Un LLM et une IA, est-ce la même chose ?
Non. L'intelligence artificielle est un domaine large. Un LLM en est une catégorie précise : un modèle spécialisé dans le langage, qui prédit et génère du texte. Tous les LLM sont des IA, mais toutes les IA ne sont pas des LLM.
ChatGPT est-il un LLM ?
ChatGPT est une interface qui donne accès à un LLM. Le modèle est le moteur ; ChatGPT est l'application par laquelle vous lui parlez. Un même modèle peut être proposé via plusieurs interfaces, et une interface peut s'appuyer sur plusieurs modèles.
Un LLM peut-il se tromper ?
Oui, et souvent avec assurance. Comme il génère la réponse la plus probable sans vérifier de source, il peut produire une affirmation fausse mais crédible, appelée hallucination. Sur un point fiscal ou juridique précis, sa réponse doit toujours être vérifiée par un professionnel.
Un LLM connaît-il mes données clients ?
Non, pas par défaut. Un LLM ne connaît que ce sur quoi il a été entraîné et ce que vous lui transmettez dans la conversation. Ce que deviennent les données que vous saisissez dépend de l'outil et de son hébergement, un sujet à traiter avant tout usage professionnel.
Peut-on faire confiance à un LLM pour un calcul fiscal ?
Non, pas seul. Un LLM génère un résultat plausible, il n'exécute pas un calcul contrôlé. Pour un montant fiscal, il faut un outil qui applique une règle déterministe et cite sa source, pas un texte généré au fil de l'eau.
Sources
OpenAI, communications d'audience : plus d'un milliard d'utilisateurs actifs annoncé le 31 juillet 2026 ; 900 millions d'utilisateurs actifs hebdomadaires en février 2026 (rapporté par Reuters).
Autorité des marchés financiers (AMF), « Utiliser l'intelligence artificielle pour investir : à quoi faut-il faire attention ? », amf-france.org (consultée en septembre 2026).
Autorité des marchés financiers (AMF), Baromètre de l'épargne et de l'investissement 2025, décembre 2025.
Ashish Vaswani et al., « Attention Is All You Need », 2017 (article fondateur de l'architecture Transformer).
Choukhmane, de Silva, Lin, Akuzawa (MIT Sloan, Stanford GSB, NBER), document de travail sur le conseil financier généré par IA, août 2026.