LLM (grand modèle de langage)
Un LLM (large language model, ou grand modèle de langage) est un réseau de neurones entraîné sur une très grande quantité de textes pour prédire, mot après mot, le mot suivant le plus vraisemblable dans un texte. Il fait fonctionner les assistants comme ChatGPT, Claude ou Gemini, et de la plupart des fonctionnalités d'IA générative intégrées aux produits. Il n'interroge aucun référentiel de faits : il compose une réponse vraisemblable en s'appuyant sur son entraînement et sur les éléments donnés dans la conversation.
Définition rédigée par Alex Dionisio, Senior Product Manager. Mis à jour le 26 octobre 2026.
Pourquoi c’est important pour un PM
Presque toutes les fonctionnalités d'IA qu'un PM spécifie aujourd'hui reposent sur un LLM : résumé, extraction, classement, rédaction, assistant conversationnel, agent. Savoir ce qu'il fait réellement aide à choisir les bons usages, à anticiper les erreurs et à poser les bonnes questions à l'équipe technique : quel modèle, quel coût par requête, quelle latence, quelles données envoyées à quel fournisseur, et comment mesurer la qualité avant la mise en production.
Exemple
Une équipe veut trier automatiquement les tickets du support en cinq catégories. Un LLM le fait bien avec une consigne claire et quelques exemples par catégorie. La même équipe veut ensuite qu'il donne le délai de livraison exact d'une commande : là, le modèle n'a pas l'information, il faut lui donner accès au système de commandes par un outil, sinon il inventera un délai crédible.
Points clés
- Un LLM génère du texte probable, pas des faits vérifiés : c'est l'origine des hallucinations.
- Ses connaissances s'arrêtent à la date de fin de ses données d'entraînement, sauf s'il dispose d'outils de recherche ou de documents fournis.
- Il travaille uniquement sur le contenu de sa fenêtre de contexte : le prompt, l'historique et les documents transmis.
- Deux appels identiques peuvent donner deux réponses différentes : la qualité se mesure sur un jeu de cas, pas sur un essai.
- Le choix du modèle est un arbitrage entre qualité, coût, latence et conditions d'usage des données.
Erreurs fréquentes
- Le traiter comme un moteur de recherche ou une base de données fiable.
- Juger un modèle sur une démo réussie au lieu de le tester sur des cas réels, y compris difficiles.
- Envoyer des données personnelles ou confidentielles à un fournisseur sans vérifier le contrat et la conservation des données.
Pour aller plus loin dans Module
Les formations et les leçons qui traitent cette notion :