La fin de l’année 2022 n’a pas seulement apporté des chiffres de ventes pour les fêtes. Cela a provoqué un tremblement de terre numérique.
ChatGPT a explosé sur la scène. Pas de déploiement progressif. Aucun murmure concernant les tests bêta. Un jour, c’était une note de bas de page dans les blogs technologiques ; le lendemain, il parlait à tout le monde.
La réaction a été immédiate et polarisée. Les médias ne pouvaient s’empêcher de s’émerveiller devant la fluidité des conversations. Il a écrit des articles. Il a réfléchi à des idées. Il s’est même plongé dans la fiction créative. Mais à côté de cette crainte s’est ajoutée une anxiété profonde et troublante. Les gens ont réalisé que cet outil ne répondait pas seulement aux questions. Cela empiétait sur la seule chose dont les humains sont fiers : la capacité intellectuelle.
Le pari d’un milliard de dollars
Pour comprendre le bot, il faut regarder l’argent qui se cache derrière.
OpenAI a été fondée en décembre 2015 avec un objectif singulier et agressif : pousser l’intelligence artificielle aussi loin que possible. Le visage de cette mission est Sam Altman. Vous connaissez peut-être le nom d’autres sorties. Il a co-fondé Airbnb. Il a aidé à financer des géants comme Reddit, Twitch et Dropbox via Y Combinator.
Altman s’est initialement associé à Elon Musk pour lancer OpenAI. Dès le premier jour, le pot était énorme. La startup a obtenu un tour de table d’un milliard de dollars.
Mais Microsoft a vu ce qui se passait. Ils ont rejoint l’entreprise en tant qu’investisseurs en 2019. Puis, en janvier 2023, ils ont fait tapis. Microsoft a investi plusieurs milliards supplémentaires dans OpenAI.
Pourquoi? Pour vérifier Google.
Les deux géants de la technologie se disputaient la domination de l’IA. L’injection massive de Microsoft ne concernait pas seulement le support. Il s’agissait d’une frappe stratégique pour contrer les recherches avancées de Google.
Ce financement n’a pas seulement permis d’acheter des serveurs. Cela a acheté des résultats. Les recherches d’OpenAI avaient déjà donné naissance à DALL-E, l’outil de génération d’images qui a fait sensation au printemps 2022 avec sa version 2. ChatGPT était la prochaine étape logique. Le générateur de texte. Le causeur.
Le moteur sous le capot
ChatGPT n’est pas magique. C’est des mathématiques. Mathématiques lourdes.
La technologie de base repose sur la modélisation du grand langage (LLM). L’objectif est simple sur le papier : comprendre la structure du langage humain. L’exécution est terriblement complexe. La tâche principale de l’algorithme est de prédire le mot suivant dans une phrase. En enchaînant ces prédictions, il génère un texte cohérent.
Mais vous ne pouvez pas simplement insérer un script dans un serveur et espérer le meilleur. Vous avez besoin d’une formation. Des quantités massives.
ChatGPT a ingéré un ensemble de données de 500 milliards de documents. Nous parlons de l’intégralité du Web jusqu’en 2021. Plus des centaines de milliers de livres. Articles scientifiques. Tout.
Il a dû apprendre à peser l’importance de chaque terme dans une phrase pour en extraire le concept central.
L’échelle est difficile à visualiser.
- 500 milliards de documents analysés.
- 175 milliards de paramètres dans le modèle.
- 2 millions de dollars de frais de formation (en euros).
- 100 000 $ par jour en coûts opérationnels juste pour le faire fonctionner.
Il a fallu un prototype de ChatGPT-3 pour montrer au monde ce qui était possible. Lancé le 30 novembre 2022.
La réponse a brisé Internet.
Un million d’inscriptions d’utilisateurs en cinq jours.
Ce n’est pas seulement une barre de recherche
Les gens voulaient savoir ce que cela pouvait faire.
À la base, ChatGPT est une interface conversationnelle. Mais il se comporte moins comme une base de données que comme un assistant de recherche infatigable et un peu trop désireux de plaire.
Nous l’avons testé. Nous avons tout jeté dessus.
Des faits encyclopédiques ? Manipulé.
Des recettes de cuisine ? Trié.
Des filmographies ? Trié.
La qualité de la synthèse était généralement élevée. Lorsqu’on lui a demandé d’expliquer la nuance entre deux sujets complexes, il a étonnamment bien fonctionné.
Mais c’est ici que les choses se compliquent.
ChatGPT ne se contente pas de récupérer des données. Ça improvise. Chaque fois que vous posez une question, cela génère une nouvelle réponse basée sur la probabilité. Il ne s’agit pas de tirer une réponse statique d’une étagère. Il s’agit de construire la réponse en temps réel.
Et il se souvient.
Il suit le contexte de la conversation. Il écoute.
Lors des tests, nous avons posé une question de géographie de base.
« Quel est le plus long fleuve du monde ? »
ChatGPT a répondu : “Le Nil.”
Nous avons repoussé.
« L’Amazonie n’est-elle pas plus longue que le Nil ? »
Le robot s’est corrigé immédiatement.
“Je m’excuse. J’ai fait une erreur dans ma réponse précédente. L’Amazonie est en effet le plus long fleuve du monde.”
Cette capacité à s’auto-corriger dans une fenêtre contextuelle est ce qui différencie les LLM modernes des algorithmes de recherche plus anciens. Il ne s’agit pas seulement de rechercher des faits. C’est entretenir un dialogue.
Mais est-ce que cela le rend plus intelligent ? Ou simplement mieux à simuler une conversation ?
C’est la question qui plane sur chaque technicien, étudiant et utilisateur curieux qui essaie de savoir s’il s’agit d’un outil ou d’un rival.
Capacités de génération de contenu
L’utilitaire va au-delà des simples questions-réponses. Nous avons testé le système avec des invites spécifiques légèrement chaotiques. Une demande était simple : générer des exemples de commentaires sur un article controversé, accompagnés d’émojis. Le résultat était un tarif Internet standard. Une expression générique de choc associée à un visage triste. Typique.
Mais nous avons poussé plus loin. Le modèle a généré des publications sur Facebook. Il a rédigé des conseils de négociation pour les voitures d’occasion. Il suggérait un logiciel de retouche d’image. La gamme était large. Nous voulions voir le plafond, alors nous avons demandé une intrigue pour un roman policier. Le résultat était étonnamment cohérent. Il a tracé un mystère avec une structure réelle.
Il y a cependant des limites. Les tâches d’écriture créative ont échoué. Nous avons demandé une chanson rap sur 2023. Le résultat a été creux. Un poème d’amour ne s’en sort pas mieux. Le rythme était faux. L’émotion manquait. C’était mécanique.
Le modèle est moins inspiré lorsqu’il tente de capturer l’émotion humaine brute ou les nuances culturelles.
Cette incohérence pourrait être réconfortante. Cela prouve que l’IA n’est pas toute-puissante dans les domaines artistiques. Pourtant la question persiste. Ce confort est temporaire. L’écart entre une intrigue logique et un vers sincère va probablement se combler. Mais pas encore.
Quand l’IA écrit pour vous
La synthèse est l’une de ces fonctionnalités qui rend ChatGPT véritablement utile plutôt qu’un simple truc de fête. Je l’ai testé en lui fournissant un article détaillé sur les générateurs d’images IA de Futura Sciences. Le résultat n’était pas seulement précis ; c’était concis.
L’article discute de l’utilisation de l’intelligence artificielle pour générer des images à partir de texte. Plusieurs applications utilisent cette fonctionnalité, telles que Dall-e 2, Stable Diffusion et MidJourney. Leur fonctionnement consiste à saisir du texte et à générer une image correspondante, avec un haut niveau de qualité artistique. L’article mentionne également OpenAI, une organisation à but non lucratif qui a créé Dall-e 2 et vise à repousser les limites de l’IA avec une éthique qui préserve la sécurité humaine.
Il a capturé l’essence de Dall-e 2, Stable Diffusion et MidJourney sans s’enliser dans le jargon technique. Il a même correctement identifié le statut à but non lucratif d’OpenAI et ses objectifs éthiques déclarés. Il s’agit d’un progrès significatif par rapport aux premiers modèles d’IA qui hallucinaient souvent le contexte ou négligeaient la forêt pour les arbres.
Génération de code comme raccourci
Si le résumé est une solution rapide, le codage est le point où l’utilité atteint son point culminant. ChatGPT peut générer des extraits de code fonctionnel que vous pouvez réellement copier-coller dans un projet. Je lui ai demandé de créer un formulaire de contact. Le résultat était du HTML et du CSS valides, prêts à être déployés.
Mais voici le plus intéressant : il peut également générer du code spécifiquement adapté à WordPress. Pour les développeurs et les propriétaires de sites qui n’écrivent pas quotidiennement du PHP à partir de zéro, cela réduit considérablement le temps de développement. Cela ne vous donne pas seulement la syntaxe ; il comprend le contexte d’un environnement CMS.
The Dark Side : fraude académique et de contenu
Naturellement, tout le monde n’y voit pas une aide utile. Certains y voient un outil permettant de créer des raccourcis qui portent atteinte à l’intégrité. Les enseignants ont déjà remarqué que les élèves l’utilisaient pour rédiger des dissertations.
Prenons une question posée par un professeur de l’Université de Lyon : Dans quelle mesure le héros est-il responsable de ses actes ?
J’ai transmis cette invite exacte à ChatGPT. La réponse était philosophique, structurée et tout à fait plausible :
Le héros est responsable de ses actes car il est conscient de ce qu’il fait et en assume les conséquences. Ils sont capables de prendre des décisions et de les mettre en œuvre, qu’elles soient positives ou négatives. Ils sont également responsables de leurs actes car ils doivent répondre aux autorités et à la société, et sont capables de reconnaître et de se repentir de leurs erreurs. Enfin, le héros est responsable de ses actes car il est un individu libre et autonome qui doit répondre à lui-même et à ses proches.
Lorsque j’ai suivi, demandant un essai de 500 mots sur ce thème, ChatGPT a répondu. Le ton était académique. La structure était solide. Cela passerait pour une soumission d’étudiant compétente. C’est là que la promesse du « code utilisable » se transforme en moteur de triche.
Là où l’IA trébuche
Malgré son raffinement, ChatGPT n’est pas infaillible. Ça hallucine. Plus important encore, les faits sont erronés, parfois de manière flagrante.
Prenez René Descartes. Début janvier, si vous demandiez à ChatGPT où vivait le philosophe, il affirmait qu’il avait passé du temps en Amérique du Sud. C’est historiquement faux. Descartes est mort en Suède et a vécu principalement en France et aux Pays-Bas. Un mois plus tard, le modèle s’est corrigé. Interrogé spécifiquement sur l’Amérique du Sud, il a nié.
Le modèle semble apprendre ou ajuster ses pondérations au fil du temps, mais il n’y a aucune transparence sur comment il corrige ces erreurs. Contrairement à Wikipédia, qui cite ses sources, ChatGPT vous donne une réponse sans trace de citation. Si vous l’utilisez à des fins de recherche, vous faites confiance à une boîte noire. S’il faut vérifier un fait, encore faut-il remonter aux sources primaires.
Le problème de prédiction
Soyons clairs : ChatGPT ne prétend pas avoir une boule de cristal. Lorsqu’on lui parle de l’élection présidentielle française de 2027, le modèle dévie. Lorsqu’on lui demande une date précise à laquelle les humains poseront le pied sur Mars, il refuse de la deviner. Nous avons varié la formulation. Nous avons repoussé les limites. Cela ne bougerait pas.
Cela est en partie structurel. ChatGPT 3 est construit sur un réservoir de données qui se bloque en 2021. Tout ce qui suit lui est invisible. Mais le silence est plus profond que les données manquantes.
Refuser de prendre parti
Nous avons demandé des avis. Beaucoup d’entre eux. Les réponses tombaient carrément dans le domaine du politiquement correct. Chaque réponse ressemblait à un communiqué de presse soigneusement calibré.
Prenez la comparaison entre Joe Biden et Donald Trump. Le modèle note qu’ils ont des positions différentes. Il stipule que déterminer qui est « meilleur » dépend de critères individuels. Il ne choisit pas de gagnant.
Demandez si l’énergie nucléaire est écologique. Le modèle répertorie les arguments pour et contre. Il se trouve sur la clôture.
Mais il y a une exception. Une ligne dure.
La ligne rouge climatique
Chaque fois que le sujet des « climato-sceptiques » revient, le ton change. Le modèle devient ferme. Il rejette les options alternatives. Aucune nuance n’est proposée en ce qui concerne le réchauffement climatique.
Cela soulève une question lancinante. Les programmeurs ont-ils programmé leurs propres préjugés dans le code ?
Nous ne devons pas ignorer la possibilité que les développeurs aient influencé le modèle sur des sujets qui les tiennent profondément à cœur.
Il convient de se demander si cette rigidité est une caractéristique des données d’entraînement ou un garde-fou délibéré. Le modèle ne spéculera pas. Cela ne fait que renforcer le consensus.
Pourquoi les blagues tombent à plat
L’humour est un angle mort. Lorsqu’on lui a demandé de créer une blague, le modèle n’a rien produit qui ait abouti. Ce n’est pas seulement qu’ils étaient mauvais ; ils étaient structurellement incohérents ou douloureusement évidents. L’IA n’a pas le saut intuitif nécessaire à l’esprit. Il simule la forme d’une punchline sans comprendre le timing ou le sous-texte.
La béquille des clichés
Il existe également une tendance au remplissage. La sortie s’éternise souvent, complétée par une formulation verbeuse qui en dit très peu. Vous obtenez des phrases longues et sinueuses qui pourraient être coupées en deux sans perdre de sens. Pire encore, il s’appuie fortement sur des expressions courantes. Les mêmes transitions apparaissent de manière répétée, avec seulement des échanges de mots mineurs. C’est un modèle d’hésitation déguisé en prose. Lorsque le modèle ne connaît pas la réponse, il ne s’arrête pas. Ça parle juste plus.
