IA

IA

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.

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.