LLM : définition, fonctionnement et exemples (c’est quoi un LLM ?)

Article publié le 7 novembre 2026, établi à partir des publications de recherche fondatrices (Google, OpenAI), du glossaire de la CNIL, des pages de la Commission européenne sur l’AI Act et de la documentation des éditeurs consultées ce jour-là. Les noms de modèles sont ceux disponibles début novembre 2026.

Un LLM, pour « Large Language Model » ou grand modèle de langage, est un programme entraîné sur d’immenses quantités de textes pour prédire, mot après mot, la suite la plus probable d’un texte. C’est le moteur de ChatGPT, Claude, Gemini, Copilot ou Vibe de Mistral : quand vous posez une question, l’assistant ne cherche pas la réponse dans une base, il la rédige en enchaînant des prédictions. Cette mécanique explique à la fois ce que les LLM font remarquablement bien (rédiger, résumer, reformuler, raisonner sur un document) et ce qu’ils font mal (garantir l’exactitude d’un fait). Cet article donne une définition simple, explique le fonctionnement en quatre étapes, le vocabulaire à connaître, les principaux modèles en novembre 2026 et ce qu’un LLM change concrètement pour une entreprise.

L’essentiel en cinq lignes

• Un LLM est un grand modèle de langage : un réseau de neurones entraîné sur des milliards de textes pour prédire le mot suivant d’une phrase.
• Il fonctionne en découpant le texte en jetons (des morceaux de mots), puis en calculant, jeton après jeton, la suite la plus probable compte tenu de tout ce qui précède.
• Les LLM actuels reposent tous sur l’architecture Transformer, publiée par des chercheurs de Google en 2017.
• Les plus utilisés en entreprise en novembre 2026 sont GPT-6 (OpenAI), Claude (Anthropic), Gemini (Google) et les modèles de Mistral AI, souvent à poids ouverts.
• Sa principale limite est qu’il produit un texte plausible, pas un texte vérifié : il peut inventer un fait, une source ou un chiffre avec assurance.

LLM : définition simple

La CNIL définit un modèle de langage comme un « modèle statistique de la distribution d’unités linguistiques » dans une langue, qui peut par exemple « prédire le mot suivant dans une séquence de mots ». Un LLM est simplement un modèle de langage de très grande taille : il a été entraîné sur une quantité de textes telle (une large part du web public, des livres, du code, des articles) qu’il a appris non seulement la grammaire, mais aussi des faits, des styles, des raisonnements et des manières d’argumenter.

Trois mots de l’acronyme méritent d’être pris au pied de la lettre. Large : le modèle compte des dizaines ou des centaines de milliards de réglages internes, appelés paramètres. Language : il manipule du langage, c’est-à-dire du texte, et par extension du code et, pour les modèles récents, des images, du son ou de la vidéo. Model : c’est un modèle mathématique, une fonction qui transforme un texte d’entrée en texte de sortie. Il n’a ni base de données de réponses, ni accès au web par lui-même.

En français, on rencontre aussi « grand modèle de langage », « grand modèle de langue » ou « modèle de langage de grande taille ». Tous désignent la même chose. On parle aussi de modèle de fondation : la CNIL range sous ce nom les modèles « dont les capacités sont générales » et qui peuvent être adaptés à une grande diversité de tâches. Un LLM est le cas le plus courant de modèle de fondation.

Comment fonctionne un LLM, en quatre étapes

Un LLM ne naît pas assistant. Il le devient en quatre étapes, dont les deux premières se déroulent chez l’éditeur, avant toute mise à disposition, et les deux dernières à chaque fois que vous l’utilisez.

Étape	Ce qui se passe	Ce que cela change pour l’utilisateur
1. Pré-entraînement	Le modèle lit des milliers de milliards de jetons de texte et apprend à prédire le jeton suivant. C’est l’étape la plus longue et la plus coûteuse : des semaines de calcul sur des milliers de processeurs graphiques.	Le modèle « sait » écrire et connaît beaucoup de choses, mais seulement jusqu’à une date d’arrêt de ses données.
2. Ajustement	On l’entraîne ensuite sur des exemples de questions et de bonnes réponses, puis on l’aligne sur les préférences humaines : des évaluateurs comparent plusieurs réponses et le modèle apprend à produire celles qu’ils jugent utiles et sûres.	Le modèle répond à des consignes au lieu de simplement continuer un texte, refuse certaines demandes, adopte un ton d’assistant.
3. Lecture de votre demande	Votre message, les consignes système de l’outil, l’historique de la conversation et les documents joints sont découpés en jetons et placés dans la fenêtre de contexte.	Tout ce qui n’est pas dans cette fenêtre n’existe pas pour le modèle : d’où l’importance de donner le contexte.
4. Génération	Le modèle calcule une probabilité pour chaque jeton possible, en choisit un, l’ajoute au texte, puis recommence, jusqu’à la fin de la réponse.	La réponse s’affiche mot à mot. Deux demandes identiques peuvent donner deux réponses différentes.

L’étape 2 est celle qui a fait de ChatGPT un succès en novembre 2022. La technique, appelée apprentissage par renforcement à partir de retours humains (RLHF en anglais), a été décrite par OpenAI en mars 2022 dans l’article consacré à InstructGPT : un modèle plus petit mais aligné sur des préférences humaines y était préféré par les évaluateurs à un modèle cent fois plus gros qui ne l’était pas.

Un exemple simple montre l’étape 4. À la phrase « La réunion de lundi est reportée à », le modèle attribue une forte probabilité à « mardi », « une date ultérieure » ou « la semaine prochaine », et une probabilité quasi nulle à « girafe ». Il n’a pas compris la réunion au sens humain : il a appris, sur des milliards d’exemples, quelles suites sont plausibles. C’est cette capacité, poussée à une échelle immense, qui produit des réponses cohérentes sur plusieurs pages.

Jetons, contexte, paramètres : le vocabulaire à connaître

Terme	Définition	Ordre de grandeur
Jeton (token)	L’unité de texte que le modèle lit et produit : un mot court, un morceau de mot, un signe de ponctuation.	En anglais, OpenAI compte environ 4 caractères ou trois quarts de mot par jeton ; le français en consomme un peu plus.
Fenêtre de contexte	La quantité de texte que le modèle peut prendre en compte en une fois : votre demande, l’historique, les documents.	Jusqu’à un million de jetons chez Claude et Gemini, soit plusieurs centaines de pages.
Paramètres	Les réglages internes du réseau de neurones, fixés pendant l’entraînement.	175 milliards pour GPT-3 en 2020 ; les éditeurs ne publient plus ce chiffre pour leurs modèles récents.
Date de connaissance	La date à laquelle s’arrêtent les données d’entraînement.	Souvent plusieurs mois avant la sortie du modèle ; la recherche web la compense en partie.
Inférence	Le calcul effectué à chaque réponse.	C’est ce que facturent les API, au million de jetons d’entrée et de sortie.
Modèle de raisonnement	Un LLM qui produit d’abord une réflexion intermédiaire avant de répondre.	Plus lent et plus cher, plus fiable sur les problèmes à plusieurs étapes.

Ces notions ont une conséquence pratique directe : un LLM n’a pas de mémoire au sens humain. Il ne se souvient d’une conversation que parce que l’outil lui renvoie l’historique dans la fenêtre de contexte à chaque message. Les fonctions de « mémoire » des assistants sont des notes que le logiciel stocke et réinjecte. C’est pourquoi une conversation qui s’allonge coûte plus cher et devient parfois moins précise : le modèle doit relire tout ce qui précède à chaque réponse.

D’où viennent les LLM : les dates clés

Date	Événement	Pourquoi c’est important
Juin 2017	Huit chercheurs, pour la plupart chez Google, publient « Attention Is All You Need », qui décrit l’architecture Transformer.	Le mécanisme d’attention permet de traiter tout un texte en parallèle et de relier chaque mot à tous les autres. Tous les LLM actuels en descendent.
2018	OpenAI publie GPT, Google publie BERT.	Premiers modèles pré-entraînés sur de gros corpus puis adaptés à des tâches précises.
Mai 2020	OpenAI présente GPT-3, 175 milliards de paramètres.	Le modèle réalise des tâches à partir de quelques exemples donnés dans la consigne, sans réentraînement.
Mars 2022	OpenAI décrit InstructGPT et l’alignement sur les préférences humaines.	Le modèle suit des consignes au lieu de continuer un texte.
30 novembre 2022	Lancement de ChatGPT.	Le grand public découvre les LLM par une simple fenêtre de conversation.
2023	Meta publie Llama, Mistral AI publie son premier modèle à poids ouverts, Anthropic lance Claude.	Naissance d’un marché concurrentiel, avec des modèles que l’on peut héberger soi-même.
Septembre 2024	OpenAI lance o1, premier modèle de raisonnement grand public.	Les modèles prennent le temps de « réfléchir » avant de répondre.
2025 et 2026	Les LLM deviennent des agents : ils utilisent des outils, naviguent, produisent des fichiers et enchaînent des tâches.	On ne converse plus seulement avec un LLM, on lui délègue du travail.

Exemples de LLM : les principaux modèles en novembre 2026

Chaque éditeur propose aujourd’hui une famille de modèles, du plus léger au plus puissant, plutôt qu’un modèle unique. Le léger répond en une seconde pour quelques centimes ; le plus puissant raisonne plus longtemps pour un coût jusqu’à cent fois supérieur.

Éditeur	Modèles	Où on les utilise	Particularité
OpenAI (États-Unis)	GPT-6 Luna, GPT-6 Sol, GPT-6.1 Sol, GPT-6 Astra	ChatGPT, Microsoft Copilot (en partie), API	L’écosystème le plus large, avec agents, Codex et ChatGPT Work
Anthropic (États-Unis)	Claude Haiku 5.5, Sonnet 5.5, Opus 5.5, Fable 5.1	Claude, Claude Code, Cowork, Copilot (en partie), API	Rédaction, documents longs, code et délégation de tâches
Google (États-Unis)	Gemini 3.6 Flash, Gemini 3.1 Pro, Gemini 4 Argon	Gemini, Google Workspace, Gemini Notebook, API	Intégration à Gmail, Docs et Meet, contexte d’un million de jetons
Mistral AI (France)	Mistral Small, Mistral Medium 3.5, Mistral Large	Vibe (ex-Le Chat), API, hébergement sur vos serveurs	Éditeur européen, modèles à poids ouverts, déploiement sur site possible
Modèles ouverts d’autres éditeurs	Llama (Meta), Qwen (Alibaba), DeepSeek	Hébergement interne, plateformes cloud	Poids téléchargeables, à évaluer selon la licence et l’origine

Un modèle « à poids ouverts » est un modèle dont l’éditeur publie les paramètres : on peut le télécharger et le faire tourner sur ses propres serveurs, sans que les données sortent de l’entreprise. Ce n’est pas toujours de l’open source au sens strict, car les données d’entraînement et le code complet restent souvent fermés, et la licence peut limiter l’usage commercial. Pour choisir le bon palier selon la tâche, voir notre article Le bon modèle IA pour chaque tâche.

LLM, IA générative, chatbot, agent : quelles différences ?

Ces mots sont souvent employés l’un pour l’autre. Ils désignent pourtant des niveaux différents, qui s’emboîtent.

Terme	Ce que c’est	Exemple
Intelligence artificielle	Le domaine entier : tout système qui réalise une tâche associée à l’intelligence humaine.	Un filtre antispam, un moteur de recommandation
IA générative	Les systèmes qui produisent un contenu nouveau : texte, image, son, vidéo, code.	Un générateur d’images, un LLM
LLM	Le moteur de l’IA générative de texte.	GPT-6 Sol, Claude Opus 5.5, Gemini 4 Argon
Assistant conversationnel	L’application qui met un LLM à disposition, avec une interface, des consignes, des outils et des garde-fous.	ChatGPT, Claude, Gemini, Copilot, Vibe
Agent IA	Un LLM qui agit : il planifie, utilise des outils, enchaîne des étapes et rend un résultat.	Copilot Cowork, Claude Cowork, ChatGPT Work, un agent Copilot Studio

La distinction entre le modèle et l’application compte plus qu’il n’y paraît. Le même modèle Claude peut se trouver dans l’application Claude et dans Microsoft 365 Copilot, avec des résultats différents, parce que les consignes, les outils et les documents auxquels il a accès changent. Tout ce qui entoure le modèle porte un nom, le harnais, que nous expliquons dans Qu’est-ce qu’un harnais IA ?. Pour la différence entre IA générative et IA qui agit, voir IA agentique : définition et exemples.

À quoi sert un LLM en entreprise

Comprendre qu’un LLM prédit du texte plausible aide à savoir où le placer. Il excelle quand la forme compte et que le fond vous est fourni ; il est fragile quand on lui demande de fournir lui-même le fond.

Ce qu’un LLM fait bien	Ce qu’il fait mal sans précaution
Rédiger un premier jet à partir de notes	Citer une jurisprudence, une norme ou un article de loi de mémoire
Résumer un document long ou une réunion	Donner un chiffre récent sans recherche web
Reformuler, changer de ton, traduire	Calculer de tête sur de grands tableaux (il doit utiliser un outil de calcul)
Extraire des informations d’un contrat ou d’un rapport	Garantir qu’une source qu’il propose existe
Comparer plusieurs documents et lister les écarts	Connaître vos processus internes s’ils ne lui sont pas donnés
Écrire ou expliquer du code, une formule Excel	Décider à votre place sur un sujet à fort enjeu

La colonne de droite n’est pas une liste d’interdits : c’est la liste des cas où il faut donner au modèle les bons documents, activer la recherche web ou un outil de calcul, et vérifier. C’est l’objet de la technique du RAG, qui fait répondre le modèle à partir de vos propres documents, détaillée dans RAG : définition, fonctionnement et limites. Et c’est ce que nous faisons pratiquer dans notre formation Maîtriser l’IA générative, sur les documents réels des participants, quel que soit l’outil retenu par votre entreprise.

Les limites d’un LLM à connaître

• Les hallucinations. Le modèle peut affirmer un fait faux, inventer une référence ou un chiffre, avec le même ton assuré que pour un fait exact. C’est une conséquence directe de son fonctionnement : il produit le texte le plus plausible, pas le plus vrai. Nous détaillons les causes et les parades dans Hallucinations de l’IA : définition, causes et comment les réduire.
• La date de connaissance. Sans recherche web, il ignore ce qui s’est passé après l’arrêt de ses données d’entraînement, et ne le signale pas toujours.
• La confidentialité. Ce que vous collez dans un assistant grand public peut, selon l’offre et les réglages, servir à améliorer les modèles. Les offres d’entreprise s’engagent à ne pas entraîner les modèles sur vos données. Nous détaillons les obligations dans IA et RGPD.
• Les biais. Le modèle reflète les textes sur lesquels il a été entraîné, avec leurs déséquilibres. Pour une décision qui touche des personnes (recrutement, évaluation), une supervision humaine est indispensable.
• Le coût et l’énergie. Chaque réponse mobilise du calcul. Prendre le plus gros modèle par réflexe pour reformuler un mail coûte plus cher et consomme plus, pour un résultat identique. Voir IA frugale : définition et leviers.
• La variabilité. Deux demandes identiques ne donnent pas toujours la même réponse. Pour un usage répété, il faut des consignes stables, des exemples et une relecture.

LLM et AI Act : ce qui concerne votre entreprise

Le règlement européen sur l’IA appelle les LLM des « modèles d’IA à usage général ». Il distingue deux rôles. Les fournisseurs de ces modèles, c’est-à-dire OpenAI, Anthropic, Google ou Mistral, ont depuis le 2 août 2025 des obligations de transparence et de respect du droit d’auteur : documentation technique, résumé des données d’entraînement selon le modèle publié par la Commission, politique de droit d’auteur. La Commission vise les modèles entraînés avec plus de 10²³ opérations de calcul et capables de générer du langage ; au-delà de 10²⁵, le modèle est présumé présenter un risque systémique et ses obligations sont renforcées. Les modèles mis sur le marché avant le 2 août 2025 ont jusqu’au 2 août 2027 pour se mettre en conformité.

Une entreprise qui utilise ChatGPT, Claude ou Copilot n’est pas fournisseur de modèle. Ses obligations dépendent de l’usage : former ses équipes à l’IA depuis le 2 février 2025 (article 4), informer quand un contenu ou un échange est produit par l’IA, et des exigences fortes seulement pour les usages à haut risque, comme le recrutement. Le détail, calendrier compris, est dans notre article AI Act (IA Act) : ce que votre entreprise doit faire.

Comment choisir un LLM pour son entreprise

Dans la plupart des organisations, la question n’est pas « quel LLM ? » mais « quel assistant ? ». On choisit rarement un modèle seul : on choisit un outil (Copilot, ChatGPT, Claude, Gemini, Vibe) qui donne accès à une famille de modèles. Cinq critères font la décision :

1. L’écosystème existant. Une entreprise sous Microsoft 365 a déjà Copilot Chat ; une entreprise sous Google Workspace a déjà Gemini. Partir de là évite de payer deux fois.
2. Les données. Où sont-elles traitées, sont-elles exclues de l’entraînement, peut-on héberger le modèle soi-même ? Pour les données les plus sensibles, un modèle à poids ouverts hébergé en interne peut se justifier.
3. Les usages dominants. Rédaction et documents longs, analyse de données, code, délégation de tâches : les outils ne se valent pas sur chaque usage.
4. Le coût total. Licences, consommation à l’usage pour les agents et l’API, mais aussi formation : une licence non utilisée est le coût le plus fréquent.
5. La réversibilité. Les modèles changent tous les trois mois. Des consignes, des documents de référence et des procédures bien écrits se transposent d’un outil à l’autre ; une dépendance à un seul éditeur, moins.

Pour comparer les assistants entre eux, voir nos comparatifs Claude ou ChatGPT et Gemini ou ChatGPT, et pour bien les utiliser, notre guide Prompt engineering : la méthode pour écrire des prompts efficaces.

Questions fréquentes

C’est quoi un LLM, en une phrase ?

Un LLM, ou grand modèle de langage, est un programme d’intelligence artificielle entraîné sur d’immenses quantités de textes pour prédire le mot suivant, ce qui lui permet de rédiger, résumer, traduire et répondre à des questions en langage naturel.

Que veut dire LLM ?

LLM est l’acronyme anglais de « Large Language Model », traduit en français par grand modèle de langage ou modèle de langage de grande taille. Dans un contexte juridique, LL.M. désigne aussi un diplôme de master en droit, sans rapport avec l’IA.

ChatGPT est-il un LLM ?

Pas exactement. ChatGPT est une application, un assistant conversationnel. Il fonctionne grâce à des LLM d’OpenAI, en novembre 2026 la famille GPT-6 (Luna, Sol et Astra). De même, Claude, Gemini et Copilot sont des applications qui s’appuient sur des LLM.

Quelle différence entre un LLM et l’IA générative ?

L’IA générative désigne tous les systèmes qui produisent du contenu : texte, image, son, vidéo. Un LLM est le type de modèle qui produit du texte et du code. Tout LLM relève de l’IA générative, mais un générateur d’images n’est pas un LLM.

Un LLM comprend-il ce qu’il écrit ?

Il ne comprend pas au sens humain : il calcule des probabilités sur des suites de mots. Mais à cette échelle, le calcul reproduit des raisonnements, des explications et des analyses souvent pertinents. En pratique, il faut le traiter comme un collaborateur rapide et brillant, mais qui ne vérifie pas ses sources.

Peut-on utiliser un LLM sans envoyer ses données aux États-Unis ?

Oui, de deux façons : choisir un éditeur ou une offre qui traite les données en Europe, ou héberger un modèle à poids ouverts, comme ceux de Mistral AI, sur ses propres serveurs ou dans un cloud privé. La seconde option demande des compétences techniques et une infrastructure de calcul.

Sources

• CNIL, glossaire de l’intelligence artificielle, entrées « modèle de langage » et « modèle de fondation », consulté le 7 novembre 2026.
• Vaswani et al., Attention Is All You Need, juin 2017.
• Brown et al., Language Models are Few-Shot Learners (GPT-3), mai 2020.
• Ouyang et al., Training language models to follow instructions with human feedback (InstructGPT), mars 2022.
• Centre d’aide OpenAI, What are tokens and how to count them?
• Représentation de la Commission européenne en France, les règles de l’UE relatives aux modèles d’IA à usage général entrent en vigueur, 1er août 2025.
• Commission européenne, lignes directrices sur les obligations des fournisseurs de modèles d’IA à usage général.