L’IA ne se résume pas aux grands modèles de langage : quelle technique pour quel problème
Depuis l’arrivée des assistants conversationnels, beaucoup réduisent l’IA aux grands modèles de langage. Or l’IA, c’est aussi l’apprentissage automatique et la lecture de documents, et bien des tâches s’automatisent sans elle. Voici comment choisir la bonne technique à chaque étape, au moindre coût total pour un travail conforme.
Par Kantara Fofana
En bref
- L’IA ne se résume pas aux grands modèles de langage : selon l’OCDE, un système d’IA déduit de ses entrées comment produire des prévisions, des contenus, des recommandations ou des décisions, et l’apprentissage automatique comme la vision par ordinateur, dont relève la lecture de documents, en font partie.
- Chaque technique a son terrain : des règles pour ce qui doit être exact et identique à chaque exécution, l’apprentissage automatique pour classer et prévoir, la lecture de documents pour extraire des champs, un modèle de langage pour rédiger et résumer.
- Une bonne part de l’automatisation n’a besoin d’aucune IA : une formule, un flux ou un robot logiciel suffit.
- Le bon choix se fait étape par étape, au moindre coût total pour un travail conforme, à la qualité attendue, et un même processus combine souvent plusieurs techniques.
Une pile de feuillets, quatre problèmes différents
Mars, dans un cabinet comptable de quinze personnes. Les feuillets et les relevés bancaires arrivent par centaines, et quelqu’un propose de tout confier à un assistant conversationnel : lire les pièces, classer les transactions, calculer, écrire aux clients. Ce sont pourtant quatre problèmes, qui n’ont ni la même solution ni le même coût.
Lire un feuillet relève de la lecture de documents. Classer des transactions d’après l’historique relève de l’apprentissage automatique. Calculer un montant relève d’une formule, qui donne le même résultat à chaque exécution. Rédiger la demande au client, c’est le travail d’un modèle de langage. Tout confier au même outil, c’est payer à chaque exécution un résultat plausible là où il en fallait un exact, puis le faire revérifier. Réduire l’IA aux grands modèles de langage et vouloir « l’IA pour tout » est une erreur coûteuse.
Ce que les définitions officielles appellent IA
Le Conseil de l’OCDE a adopté le 8 novembre 2023 une définition révisée : un système d’IA est un système automatisé qui, à partir des entrées qu’il reçoit, déduit comment produire des résultats comme « des prévisions, des contenus, des recommandations ou des décisions ». Le mot « contenus » a été ajouté à cette occasion pour couvrir l’IA générative ; les prévisions, les recommandations et les décisions figuraient déjà dans celle de 2019.
La note explicative de l’OCDE, publiée en mars 2024, cite comme techniques l’apprentissage automatique et les approches fondées sur la connaissance (des systèmes qui raisonnent sur des règles et des relations décrites explicitement), et comme domaines la vision par ordinateur, le traitement du langage naturel et la reconnaissance de la parole. Elle range parmi les tâches de l’IA le classement de données, la détection d’anomalies et la prévision, et précise que la définition englobe des systèmes simples comme complexes.
Au fédéral, le Conseil du Trésor encadre les systèmes décisionnels automatisés des institutions fédérales. Son guide sur la portée de la Directive sur la prise de décisions automatisée énumère des règles, la régression, l’analyse avancée, l’IA, l’IA générative, l’apprentissage automatique, les réseaux neuronaux, l’automatisation robotisée des processus et le traitement du langage naturel, puis en conclut que la directive couvre davantage que les systèmes d’IA.
L’essentiel
Un grand modèle de langage est une technique d’IA parmi d’autres, pas l’IA elle-même. La bonne question n’est donc pas « faut-il de l’IA ? », mais « quelle technique pour cette étape ? ».
La carte des techniques : quatre familles, quatre profils
- Règles et automatisation classique : une formule, un script, un flux déclenché par un événement, ou un robot logiciel qui refait à l’écran les gestes d’une personne (l’automatisation robotisée des processus, ou RPA). Tout est écrit d’avance, rien n’est appris.
- Apprentissage automatique : des techniques qui tirent un modèle de données passées plutôt que d’instructions écrites, pour classer un cas, prévoir une valeur ou signaler ce qui s’écarte de la normale.
- Lecture de documents : la reconnaissance optique de caractères (OCR) transforme l’image d’un texte en texte ; l’extraction rend ensuite chaque valeur utile, comme un montant ou une case de feuillet, avec un indice de confiance, soit la probabilité estimée que la valeur lue soit juste.
- Modèles de langage : des modèles entraînés sur de grands ensembles de textes, qui répondent jeton par jeton (un jeton est un mot ou un fragment de mot) en choisissant à chaque pas une suite probable.
| Technique | Ce qu’elle fait bien | Ses limites | Coût par exécution | Besoin de données | Reproductibilité |
|---|---|---|---|---|---|
| Règles et automatisation classique | Calculer, valider, router, saisir | Ne gère pas l’imprévu ; un robot logiciel doit être réajusté quand l’écran du logiciel change | Presque nul une fois construite | Aucune donnée d’entraînement : des règles écrites et testées | Identique à chaque exécution |
| Apprentissage automatique | Classer, prévoir, repérer une anomalie dans des données structurées | Exige un historique propre et représentatif ; perd en justesse si la réalité change | Faible par prédiction | Un historique d’exemples, souvent étiquetés | Identique pour une même version du modèle ; explicable par l’importance de chaque facteur |
| Lecture de documents (OCR et extraction) | Lire des pièces en volume, champ par champ, avec un indice de confiance | Peine sur les documents abîmés, manuscrits ou d’un type nouveau ; lire une case n’est pas la comprendre | Faible, facturé à la page analysée | Aucune pour un modèle préconstruit ; quelques exemples étiquetés pour un modèle personnalisé | Stable pour une même version ; les champs incertains vont à une personne |
| Modèles de langage | Rédiger, résumer, reformuler, extraire d’un texte libre, converser | Peut produire un contenu crédible mais inexact ; peu fiable en arithmétique | Le plus souvent au jeton : il croît avec la longueur des textes envoyés et produits | Aucune pour commencer : des consignes et vos documents de référence | Variable : deux demandes identiques peuvent recevoir deux réponses |
Chez Microsoft, la lecture de documents est facturée selon le type de modèle et le nombre de pages analysées ; sa documentation rappelle aussi que les services d’IA générative facturent souvent chaque requête selon le nombre de jetons d’entrée et de sortie. Le coût total comprend aussi la construction, l’entretien et la vérification humaine : un résultat plausible se paie deux fois, à la requête puis à la relecture. Et les familles se chevauchent : un modèle de langage est lui-même issu de l’apprentissage automatique, comme les modèles de lecture de documents, et Microsoft propose même des modèles génératifs de lecture de documents. Quand une pièce est d’un type nouveau, ou qu’un texte doit être compris et pas seulement lu, comme une clause ou un courriel libre, le modèle de langage devient souvent le meilleur lecteur : voir Lire des documents : quand l’OCR suffit.
Un exemple par métier
Quatre cas types, construits pour l’illustration : chacun combine plusieurs techniques.
Cabinet comptable : du feuillet à la demande au client
La lecture de documents extrait les montants des feuillets T4 et des relevés 1 ; les champs à faible indice de confiance vont à un technicien. Un modèle d’apprentissage automatique, entraîné sur les transactions déjà classées par le cabinet, propose une catégorie pour chaque ligne des relevés bancaires, et le professionnel confirme. Les calculs et les contrôles de cohérence sont des règles. Le modèle de langage rédige enfin la demande au client pour les pièces manquantes, relue avant l’envoi. Voir Saison des impôts 2027.
Cabinet juridique : l’échéance, la lettre, la jurisprudence
Une échéance se calcule par des règles. Le Code de procédure civile prévoit que le jour du point de départ ne compte pas, que celui de l’échéance compte, et qu’un délai qui finirait un samedi ou un jour férié est prolongé au premier jour ouvrable suivant (art. 83). Codées une fois, ces règles donnent toujours la même date. Le premier jet d’une mise en demeure revient au modèle de langage, et l’avocat le relit. Pour la recherche de décisions, le modèle aide à formuler la question et à résumer, mais chaque décision citée se vérifie dans sa source officielle : voir Jurisprudence inventée par l’IA.
Pharmaceutique ou CRO : l’écart, le formulaire, le résumé
Chez un promoteur ou un organisme de recherche sous contrat (CRO), une visite hors de la fenêtre prévue au protocole se détecte par une règle. Ce qui ne se décrit pas d’avance relève de l’analyse : la ligne directrice ICH E6(R3), adoptée en janvier 2025, prévoit une surveillance centralisée où l’analyse des données accumulées aide à repérer le non-respect du protocole et des données peu fiables ; l’apprentissage automatique peut y signaler le site qui s’écarte des autres. La lecture de documents extrait les champs des formulaires numérisés. Le modèle de langage rédige le premier jet du résumé d’écart, que le responsable désigné de l’étude corrige et approuve. Et comme l’ICH demande des systèmes informatisés adaptés à leur usage, chaque étape reproductible simplifie leur validation.
PME : la facture fournisseur et la prévision de la demande
Pour une facture fournisseur, la lecture de documents extrait le fournisseur, les montants et les taxes ; des règles vérifient la TPS et la TVQ ; un robot logiciel saisit le tout dans le logiciel comptable s’il n’offre aucun moyen d’importer (voir Soumissions et factures avec Microsoft 365). Pour prévoir la demande, un modèle d’apprentissage automatique apprend de l’historique des ventes et des saisons, et l’importance de chaque facteur se mesure. Aucun modèle de langage n’est nécessaire ici.
Sept questions à poser avant chaque projet
Posez-les à chaque étape du processus, pas au projet en bloc : la réponse désigne presque toujours la technique.
Le résultat doit-il être exact, ou plausible suffit-il ?
Un montant, une date, une taxe : règle ou formule. Un premier jet qu’une personne corrige : modèle de langage.
Doit-il être identique à chaque exécution ?
Si un auditeur doit retrouver le même résultat demain, préférez une règle, ou un modèle d’apprentissage automatique dont la version est figée. Un modèle de langage ne l’assure pas : Microsoft rappelle que les modèles d’IA générative sont conçus pour produire un contenu unique, et qu’ils ne génèrent pas la même sortie pour des entrées identiques.
L’entrée est-elle structurée ?
Des colonnes et des codes : règles ou apprentissage automatique. Des pièces numérisées : lecture de documents. Du texte libre : modèle de langage.
Quel volume ?
Quelques cas par mois se traitent souvent à la main. Des milliers de pièces justifient l’automatisation, avec une révision ciblée sur les cas douteux.
Combien coûte une exécution, multipliée par le volume ?
Un coût unitaire faible, multiplié par chaque page et chaque mois, se compare au coût presque nul d’une règle. Ajoutez le temps de vérification.
Faut-il expliquer la décision ?
Au Québec, une décision fondée exclusivement sur un traitement automatisé de renseignements personnels oblige l’entreprise à en donner, sur demande, les raisons et les principaux facteurs et paramètres (art. 12.1 de la loi sur le secteur privé ; voir Loi 25 et IA). Une règle écrite ou un modèle explicable le permet.
Les données sont-elles sensibles ?
Santé, numéros d’assurance sociale, états financiers : leur sensibilité dicte où le traitement peut se faire, et avec quel fournisseur.
Quatre idées reçues
« L’IA, ce sont les assistants conversationnels »
Chez les entreprises qui l’utilisent, l’IA sert d’abord à analyser. Au deuxième trimestre de 2026, 19,2 % des entreprises canadiennes avaient utilisé l’IA pour produire des biens ou fournir des services au cours des 12 mois précédant l’enquête, selon Statistique Canada. Parmi elles, une entreprise pouvant en citer plusieurs, l’analyse de données (36,6 %) et l’analyse de textes (34,5 %) venaient devant les agents virtuels ou robots conversationnels (28,2 %), le traitement du langage naturel (27,0 %) et les grands modèles de langage (24,8 %). L’intérêt se déplace pourtant : parmi les entreprises qui prévoyaient utiliser l’IA, 39,3 % citaient les grands modèles de langage au troisième trimestre de 2026, contre 9,3 % deux ans plus tôt (voir Vos concurrents passent à l’IA).
« Un modèle de langage peut tout faire »
Il excelle à rédiger, résumer, reformuler et dialoguer. Mais le guide du gouvernement du Canada sur l’IA générative, écrit pour les institutions fédérales, rappelle que les outils d’IA ne sont pas le meilleur choix dans toutes les situations et recommande de ne pas utiliser l’IA générative lorsque l’exactitude des faits ou l’intégrité des données est nécessaire ; une autre page de conseils pratiques du gouvernement cite l’arithmétique parmi les tâches où elle ne donne pas de bons résultats. C’est structurel : selon Microsoft, un grand modèle de langage génère sa sortie un jeton à la fois, en prédisant chaque fois le jeton qui doit suivre ; il prédit l’écriture d’un résultat, il n’exécute pas l’opération. Voir Un calcul ne se confie pas à un modèle de langage.
« L’apprentissage automatique est dépassé »
Il reste l’outil de base pour classer, prévoir et détecter. Sa part parmi les entreprises qui utilisent l’IA est stable : 18,2 % au deuxième trimestre de 2026, contre 18,6 % un an plus tôt, alors que la part des entreprises qui utilisent l’IA est passée de 12,2 % à 19,2 %, selon Statistique Canada. Sur des données structurées, il coûte peu par prédiction, se mesure sur l’historique et s’explique : Azure Machine Learning calcule l’importance de chaque caractéristique, c’est-à-dire de chaque champ de données utilisé, pour l’ensemble du modèle ou pour un cas précis.
« Automatiser exige de l’IA »
Microsoft présente les flux de bureau, l’automatisation robotisée des processus de Power Automate, comme conçus pour des tâches simples ou complexes fondées sur des règles. Un rapprochement, un calcul d’échéance, une saisie entre deux logiciels : écrits et testés une fois, ils donnent le même résultat à chaque exécution. L’IA devient utile là où l’entrée échappe aux règles : une pièce mal numérisée, un courriel libre, un cas jamais vu.
Par où commencer lundi
- Choisissez un processus coûteux et découpez-le en étapes.
- Posez à chaque étape les sept questions ci-dessus.
- Confiez d’abord aux formules, aux règles et aux flux ce qu’ils savent faire.
- Réservez l’apprentissage automatique aux étapes qui ont un historique fiable, et le modèle de langage au texte, toujours relu.
- Estimez le coût par exécution multiplié par votre volume annuel, temps de vérification compris.
- Demandez à chaque fournisseur quelle technique il emploie à chaque étape, et pourquoi.
Questions fréquentes
- Quelle est la différence entre l’IA, l’apprentissage automatique et un modèle de langage ?
- L’IA est le domaine entier. L’apprentissage automatique est l’une de ses familles de techniques : il tire un modèle de données passées pour classer, prévoir ou détecter une anomalie. Un grand modèle de langage est un modèle d’apprentissage automatique particulier, entraîné sur de grands ensembles de textes pour en produire.
- La reconnaissance optique de caractères (OCR), est-ce de l’IA ?
- Au sens de la définition de l’OCDE, oui : la note explicative de l’OCDE range la vision par ordinateur et la reconnaissance de données parmi les domaines et les tâches de l’IA. En pratique, un modèle de lecture de documents s’entraîne sur des exemples et signale ses doutes par un indice de confiance, qui sert à envoyer les cas incertains à une personne.
- Un robot logiciel (RPA), est-ce de l’IA ?
- Pas en soi. Un robot logiciel exécute à l’écran des gestes définis d’avance : il suit un script, il ne déduit rien de ce qu’il reçoit. L’IA ne se limite pourtant pas à ce qui apprend : l’OCDE y range aussi les approches fondées sur la connaissance, qui raisonnent sur des règles décrites explicitement. On associe souvent le robot logiciel à l’IA parce qu’on lui ajoute une étape qui apprend ou qui interprète, comme la lecture d’une pièce ou le classement d’un courriel.
- Faut-il beaucoup de données pour utiliser l’apprentissage automatique ?
- Il faut un historique représentatif du problème, souvent étiqueté : des transactions déjà classées, des ventes passées, des documents annotés. Pour un modèle personnalisé de lecture de documents, Microsoft conseille par exemple au moins cinq échantillons de chaque variante d’un document, numérisée ou numérique, et davantage pour gagner en précision.
Sources
Chaque fait de cet article renvoie à sa source officielle, consultée le 29 octobre 2026.
- OCDERecommandation du Conseil sur l’intelligence artificielle (OECD/LEGAL/0449), définition d’un système d’IA (nouvel onglet)
- OCDEExplanatory memorandum on the updated OECD definition of an AI system, OECD Artificial Intelligence Papers n° 8, mars 2024 (en anglais seulement) (nouvel onglet)
- Secrétariat du Conseil du Trésor du CanadaGuide sur la portée de la Directive sur la prise de décisions automatisée (nouvel onglet)
- Gouvernement du CanadaGuide sur l’utilisation de l’intelligence artificielle générative (nouvel onglet)
- Gouvernement du CanadaL’IA générative dans votre travail au quotidien (nouvel onglet)
- Statistique CanadaAnalyse de l’utilisation de l’intelligence artificielle par les entreprises au Canada, deuxième trimestre de 2026 (nouvel onglet)
- Statistique CanadaAnalyse de l’utilisation prévue de l’intelligence artificielle par les entreprises au Canada, troisième trimestre de 2026 (nouvel onglet)
- LégisQuébecCode de procédure civile (RLRQ, c. C-25.01), art. 83 (nouvel onglet)
- LégisQuébecLoi sur la protection des renseignements personnels dans le secteur privé (RLRQ, c. P-39.1), art. 12.1 (nouvel onglet)
- ICH (Conseil international d’harmonisation)Guideline for Good Clinical Practice E6(R3), adoptée le 6 janvier 2025 (en anglais seulement) (nouvel onglet)
- Microsoft LearnInterpréter et améliorer les scores de précision et de confiance (Azure Document Intelligence) (nouvel onglet)
- Microsoft LearnQuotas et limites de service, Azure Document Intelligence (facturation) (nouvel onglet)
- Microsoft LearnInterprétabilité de modèles, Azure Machine Learning (nouvel onglet)
- Microsoft LearnIntroduction aux flux de bureau, Power Automate (nouvel onglet)
- Microsoft LearnFonctionnement de l’IA générative et des grands modèles de langage (nouvel onglet)
- Microsoft LearnCompréhension des jetons (nouvel onglet)
Cet article donne une information générale. Il ne remplace pas un avis juridique, fiscal ou comptable adapté à votre situation.
Votre cas mérite trente minutes.
Une conversation pour comprendre votre contexte et vous dire, franchement, si nous sommes le bon choix. Le diagnostic qui suit est gratuit.
Prendre rendez-vous