Pour un investisseur, comprendre ce qui se passe n'est pas un luxe : l'IA pèse aujourd'hui lourdement dans les indices américains, dans les budgets des géants de la tech et dans la consommation d'électricité. Voici une explication aussi claire que possible, sans jargon inutile.
1. Comment fonctionne un LLM ?
LLM signifie Large Language Model, « grand modèle de langage ». Derrière ce nom se cache une idée étonnamment simple : prédire le mot suivant.
Les tokens
Le modèle ne lit pas des mots mais des « tokens », c'est-à-dire des morceaux de mots. « Bourse » peut être un token, « anticonstitutionnellement » sera découpé en plusieurs. Un texte est donc transformé en une suite de nombres que la machine peut manipuler.
La prédiction du token suivant
Quand vous posez une question, le modèle calcule, pour chaque token possible, une probabilité d'être le prochain. Il en choisit un, l'ajoute au texte, puis recommence. Mot après mot, la réponse se construit. C'est tout. Il n'y a pas de base de données de réponses toutes faites.
Ce qui est fascinant, c'est que pour bien prédire le mot suivant sur des milliards de textes variés, le modèle est obligé d'apprendre la grammaire, les faits, le raisonnement, le code, le ton, les langues… Toute cette « compréhension » émerge d'un objectif en apparence banal.
Les paramètres (les « poids »)
Un LLM est un gigantesque réseau de neurones artificiels composé de milliards de paramètres : des nombres réglés pendant l'entraînement. On peut les voir comme des milliards de petits boutons de réglage qui, ensemble, encodent ce que le modèle a appris. Le modèle ne stocke pas les textes lus ; il en garde une forme compressée de régularités statistiques.
Le mécanisme d'attention (le Transformer)
La brique technique centrale s'appelle le Transformer, publiée par des chercheurs de Google en 2017. Son idée clé, l'« attention », permet au modèle de regarder tous les mots du texte en même temps et de déterminer lesquels sont importants pour interpréter chacun des autres. Dans « Le CAC 40 a chuté car il était surévalué », l'attention permet de relier « il » à « CAC 40 ». Ce mécanisme a aussi l'avantage de se paralléliser très bien sur des processeurs graphiques, ce qui a ouvert la voie aux entraînements géants.
2. Comment on entraîne un LLM
L'entraînement se fait en plusieurs étapes :
- Le pré-entraînement : le modèle lit une quantité colossale de textes (web, livres, code, articles scientifiques) et apprend à prédire le token suivant. C'est l'étape la plus coûteuse : des semaines à des mois de calcul sur des dizaines de milliers de puces.
- L'affinage (fine-tuning) : on lui montre des exemples de bonnes conversations pour qu'il devienne un assistant qui répond à des questions, plutôt qu'une machine qui continue du texte au hasard.
- L'apprentissage par renforcement : des humains (ou d'autres modèles) notent les réponses, et le modèle est ajusté pour produire celles qui sont jugées utiles, honnêtes et sûres. C'est ce qu'on appelle le RLHF. Anthropic, qui développe Claude, utilise aussi une approche où le modèle est guidé par un ensemble de principes écrits.
Le modèle n'a pas de mémoire au sens humain. Pendant une conversation, il relit à chaque fois l'ensemble de l'échange : c'est la « fenêtre de contexte ». Elle est passée de quelques pages en 2022 à l'équivalent de plusieurs livres aujourd'hui, ce qui permet d'analyser un rapport annuel complet ou un code source entier d'un seul coup.
Pourquoi les LLM « hallucinent »
Puisque le modèle produit le texte le plus plausible, il peut générer une information fausse mais crédible : un chiffre inventé, une source qui n'existe pas. Il ne « ment » pas, il complète. C'est pour cela que les assistants modernes s'appuient de plus en plus sur la recherche web, des documents fournis ou des outils de calcul. En finance, la règle reste simple : toujours vérifier un chiffre avant de l'utiliser.
3. Pourquoi une telle accélération depuis 3 ans ?
Plusieurs moteurs se sont combinés et se renforcent les uns les autres.
Les lois d'échelle (scaling laws)
Vers 2020, les chercheurs ont constaté une régularité remarquable : plus on augmente la taille du modèle, la quantité de données et la puissance de calcul, plus les performances progressent, et de façon prévisible. C'est un point essentiel pour comprendre les investissements : quand un résultat est prévisible, on peut y mettre des milliards avec une certaine confiance. L'IA est devenue en partie un problème d'ingénieurs et de capitaux.
Le « moment ChatGPT »
Fin 2022, ChatGPT atteint des dizaines de millions d'utilisateurs en quelques semaines. Pour la première fois, le grand public, les dirigeants et les investisseurs voient concrètement ce que la technologie sait faire. Ce choc a déclenché une course générale : Google, Microsoft, Meta, Amazon, puis des acteurs comme Anthropic, Mistral, xAI ou DeepSeek se sont lancés à pleine vitesse.
La puissance de calcul
Les puces graphiques (GPU), à l'origine conçues pour les jeux vidéo, se sont révélées idéales pour les calculs des réseaux de neurones. Nvidia en a profité pour devenir l'une des premières capitalisations mondiales. Chaque nouvelle génération de puces multiplie la capacité de calcul disponible, et les géants du cloud construisent des centres de données de taille inédite, au point que l'accès à l'électricité devient un facteur limitant.
L'argent
Les dépenses d'investissement des grands groupes technologiques dans l'IA se comptent désormais en centaines de milliards de dollars par an. Cet argent finance les puces, les data centers, les chercheurs. Tant que les marchés financent cette course, elle s'auto-entretient : chaque acteur craint davantage de rater le virage que de trop dépenser.
La concurrence et l'open source
La compétition est féroce et publique : chaque sortie de modèle est comparée sur des tests standardisés. Des modèles dits « ouverts » (dont les poids sont téléchargeables), comme ceux de Meta, Mistral ou DeepSeek, ont diffusé les avancées très vite dans tout l'écosystème. L'arrivée de DeepSeek début 2025, avec des performances élevées pour un coût annoncé bien plus faible, a d'ailleurs secoué les valeurs technologiques et montré que l'efficacité compte autant que la force brute.
Les modèles qui « réfléchissent »
Depuis fin 2024, une nouvelle génération de modèles prend le temps de raisonner avant de répondre : ils produisent une chaîne de réflexion interne, vérifient leurs étapes, corrigent leurs erreurs. On a découvert qu'en laissant le modèle « penser » plus longtemps au moment de la réponse, on améliore fortement ses résultats en mathématiques, en programmation ou en analyse. C'est un deuxième levier de progrès, qui s'ajoute à la taille des modèles.
Les agents et les outils
Les LLM ne se contentent plus de discuter. Ils peuvent chercher sur le web, exécuter du code, lire des fichiers, piloter un navigateur, enchaîner des dizaines d'actions pour accomplir une tâche. On parle d'IA « agentique ». Le développement logiciel est le premier domaine transformé en profondeur : une part croissante du code est aujourd'hui écrite avec l'aide de ces assistants.
La baisse du coût d'utilisation
Le prix pour obtenir une réponse d'un niveau donné a chuté de façon spectaculaire en quelques années. Ce qui coûtait cher en 2023 est presque gratuit aujourd'hui. Cette baisse ouvre de nouveaux usages, qui génèrent plus de demande, qui justifient plus d'investissements.
La boucle de rétroaction
Enfin, l'IA sert désormais à développer l'IA : écrire du code, générer des données d'entraînement, évaluer d'autres modèles. Les laboratoires utilisent leurs propres outils pour aller plus vite. C'est l'une des raisons pour lesquelles le rythme ne ralentit pas.
4. Ce qu'il faut garder en tête
- Un LLM n'est ni une base de données ni un oracle : c'est un système statistique extrêmement puissant qui peut se tromper avec aplomb.
- Les progrès sont réels et mesurables, mais ils reposent sur des investissements colossaux dont la rentabilité reste à démontrer pour une partie des acteurs.
- Les goulets d'étranglement se déplacent : hier les puces, aujourd'hui l'énergie et les data centers, demain peut-être les données de qualité.
- Pour nous, investisseurs, la question n'est pas seulement « l'IA va-t-elle changer le monde ? » mais « qui va capter la valeur, et à quel prix est-ce déjà intégré dans les cours ? ».
Et vous, comment utilisez-vous ces outils au quotidien ? Pour l'analyse de marché, la programmation, la veille ? Vos retours d'expérience sont les bienvenus.