Clarification des concepts liés à l'IA : LLM, RAG, agents IA ou IA agentive
PARTAGER
Si vous avez lu des articles sur l'intelligence artificielle ces derniers mois, vous êtes probablement tombé sur une multitude d'acronymes qui se ressemblent tous : LLM, RAG, agents IA, IA agentique… C'est un véritable casse-tête à prononcer, et il est normal de se sentir un peu perdu.
La bonne nouvelle, c'est qu'il n'est pas nécessaire d'être informaticien pour comprendre cela. Ces termes ne désignent pas différents modes concurrents : ce sont… des couches qui s'ajoutent les unes aux autresChaque couche résout un problème différent. Comprendre le rôle de chacune vous permettra de mieux cerner celles qui seront utiles à votre travail et, surtout, d'identifier les risques.
Cette publication se veut un guide de base pour toute personne travaillant dans l'administration publique et souhaitant se familiariser rapidement avec le sujet, sans nécessiter de connaissances techniques préalables.
Niveau 1. Masters en droit (LLM) : la base de tout.
Els LLM (de l'anglais) Modèles de langage de grande tailleLes modèles de langage de grande taille (ou modèles de langage étendus) sont le moteur d'outils comme ChatGPT, Claude ou Gemini. Ce sont des systèmes entraînés sur une immense quantité de texte et qui ont appris à faire quelque chose de très spécifique : générer un langage cohérent.
Quelles sont leurs compétences ? Rédiger, résumer, traduire, expliquer des concepts, proposer des idées, reformuler un texte pour le rendre plus clair… Au quotidien, ils peuvent vous aider à rédiger une circulaire, à résumer les conclusions d’un long rapport ou à adapter un texte technique en langage clair.
Mais il existe une limite importante qu'il faut garder à l'esprit : Un LLM ne connaît pas vos donnéesIl ignore tout du règlement intérieur de votre service, des procédures spécifiques de votre entité et des décisions prises lors de la dernière réunion du comité. Il ne connaît que ce qu'il a appris en formation, et ces connaissances sont peut-être obsolètes ou trop générales.
Par conséquent, les LLM sont utiles pour les tâches générales, mais ne résolvent pas à eux seuls les problèmes spécifiques de l'administration.
Couche 2. RAG : ajouter des connaissances
C'est là que le CHIFFON (Génération augmentée par la récupération(ou génération augmentée par récupération). Le nom est très technique, mais l'idée est simple : Associez le LLM à vos documents et données afin que je puisse vous répondre en me basant sur des informations réelles provenant de votre organisation.
Imaginez un assistant qui, avant de répondre à une question sur les subventions, consulte les bases réglementaires publiées au DOGC, les critères internes de votre ministère et la FAQ sur le site internet. C’est, en substance, le rôle d’un système RAG : il recueille les informations pertinentes et les utilise pour élaborer une réponse étayée.
C’est à ce stade que de nombreuses administrations commencent à percevoir la réelle valeur ajoutée d’une approche RAG (rouge, orange, jaune) :
Un assistant interne qui répond aux questions du personnel concernant les procédures administratives, en se basant sur les manuels internes.
Un outil de consultation citoyenne qui répond aux procédures municipales en utilisant la documentation officielle disponible sur le site web.
Assistance aux techniciens qui doivent résoudre des cas en consultant la réglementation et la jurisprudence.
Il existe toutefois une condition essentielle : La qualité des informations sources est primordiale.Si les documents sont désordonnés, dupliqués, contiennent des versions contradictoires ou présentent une structure chaotique, les réponses seront tout aussi confuses. La maxime est claire : On récolte ce que l'on sème.Si l'on entre des données « aléatoires », on obtient des réponses « aléatoires ».
Par conséquent, avant d'investir dans un système RAG, il convient de se poser une question plus fondamentale : Nos informations sont-elles suffisamment organisées pour qu'une machine puisse bien les lire ? Si la réponse est non, la première étape n'est peut-être pas l'IA, mais la mise en ordre de la documentation.
Couche 3. Agents d'IA : passer de la réflexion à l'action
Jusqu'à présent, l'IA nous aide à comprendre et à écrire. Mais… agents d'IA Ils vont encore plus loin : ils agissentIls utilisent des outils pour accomplir des tâches : ils peuvent créer un document, envoyer un courriel, mettre à jour un enregistrement, comparer deux bases de données ou suivre une série d’étapes prédéfinies.
Le changement est considérable. Jusqu'à présent, l'IA vous aidait à penser ; maintenant, elle vous aide à agir.
Prenons l'exemple de l'administration. Un agent IA pourrait :
Recevoir une demande, vérifier si la documentation jointe est complète et, si ce n'est pas le cas, générer une demande de modification.
Effectuez une recherche dans une base de données pour vérifier si le demandeur a déjà des dossiers ouverts et joignez-les au nouveau dossier.
Préparez la notification, remplissez-la avec les données pertinentes et laissez-la prête à être examinée et signée.
Ce progrès ouvre d'énormes possibilités en matière d'efficacité, mais il modifie aussi la nature du risque. Lorsqu'un outil se contente de suggérer du texte, l'erreur reste dans un brouillon que quelqu'un d'autre relit. Lorsqu'un outil acte, cette erreur peut avoir de réelles conséquences : une demande envoyée à la mauvaise personne, des données mises à jour incorrectement, une procédure engagée sans fondement.
Par conséquent, à ce niveau, la question clé n'est plus de savoir si l'outil réagit bien, mais si peuvent agir en toute sécuritéCela implique de définir très précisément ce que l'agent peut faire, ce qu'il ne peut pas faire, quand il doit s'arrêter et demander une validation humaine, et comment chaque action est suivie.
Couche 4. IA multi-agents : plusieurs agents qui se coordonnent
Si un agent est déjà un saut, le IA agentique est le suivant: plusieurs agents travaillant ensemble au sein du même flux de travail, chacun avec un rôle spécifique.
Dans un tel scénario, un agent détecterait un incident de service, un autre vérifierait les données associées, un troisième informerait l'équipe responsable et un quatrième préparerait une première réponse à la personne concernée. Le tout de manière coordonnée et, dans une large mesure, autonome.
Ça paraît impressionnant, et ça l'est. Mais c'est aussi considérablement plus complexeChaque transmission d'informations entre agents représente un point critique où des erreurs peuvent survenir. Plus l'autonomie est grande, plus il est difficile de retracer précisément le déroulement des opérations, d'identifier les décideurs et de comprendre leurs motivations.
Et voici qu’apparaît une question qui, dans la sphère publique, n’est pas moins importante : qui est responsable Que se passe-t-il lorsqu'un système composé de plusieurs acteurs prend une décision qui affecte une personne ? Car dans l'administration, contrairement au secteur privé, il ne suffit pas que le système fonctionne la plupart du temps : il est nécessaire de pouvoir expliquer, justifier et, si besoin est, réexaminer chaque décision qui affecte un citoyen.
Posez-vous la bonne question avant d'aller plus loin.
Lorsque vous recevez une proposition ou une démonstration d'un outil d'IA, au lieu de vous concentrer sur son fonctionnement en général, intéressez-vous à la question à laquelle il faut répondre en fonction du niveau d'application :
LLM - Écrivez-vous suffisamment bien ? Le texte généré est-il clair, utile et bien construit ?
CHIFFON - Vous avez trouvé ce dont vous aviez besoin ? Savez-vous comment trouver les informations correctes dans nos documents ?
Agents - Fonctionne-t-il correctement ? Lors de l'exécution d'une tâche, celle-ci reste-t-elle dans les limites attendues ?
IA agentique - Pouvons-nous répondre en tant qu'organisation ? Savons-nous ce que fait chaque agent, à quel moment, et à qui incombe la responsabilité en cas de problème ?
Cette dernière question est celle à laquelle vous devez le plus penser si vous devez décider de lancer ou non une initiative. Car le jour où un citoyen se plaindra d'une décision qui l'a affecté, il faudra bien que quelqu'un puisse expliquer ce qui s'est passé, qui a pris cette décision et selon quels critères. Si la réponse est « le système », alors nous avons un problème.
Conseil pratique : commencez par le problème, pas par la technologie.
Si vous ne deviez retenir qu'une seule idée de cet article, que ce soit celle-ci : Ne commencez pas par vous demander quelle IA vous voulez utiliser, commencez par le problème que vous voulez résoudre..
Trop souvent, la conversation tourne à l'inverse : « nous voulons faire quelque chose avec une IA basée sur des agents ». Or, la bonne question est : « Existe-t-il, dans un domaine précis, des pertes de temps, des erreurs récurrentes ou des temps d'attente trop longs pour les citoyens ? La technologie peut-elle nous aider à améliorer cela ? »
À partir d'ici, choisissez le modèle le plus simple qui résout le problèmeParfois, un master en droit (LLM) suffit pour rédiger des communications. Parfois, un guide de rédaction (RAG) est nécessaire pour que le système comprenne votre réglementation. Et parfois, oui, le recours à un agent est judicieux. Mais la complexité n'est justifiée que si elle apporte une réelle valeur ajoutée.
