Bases de l'IA — vocabulaire, outils,
et cas d'usage pour une PME

Module 1 — Bases de l'IA pour comprendre ce qu'on adopte

L'objectif n'est pas de devenir spécialiste de l'IA — c'est d'avoir le vocabulaire et les repères pour décider en connaissance de cause, parler avec un fournisseur, lire un contrat, et comprendre ce qu'un employé fait quand il « utilise ChatGPT » au travail.

Public visé : dirigeant ou cadre de PME, pas de prérequis technique. Les exemples du module sont tirés du quotidien d'un entrepreneur électricien québécois (5-15 employés, 50-200 chantiers/an), mais les concepts s'appliquent à toute PME du secteur construction et des métiers spécialisés.

Qu'est-ce qu'un LLM en pratique?

Selon IBM, AWS et le consensus industriel, les LLM modernes utilisent une architecture appelée « transformer » — introduite en 2017 par des chercheurs de Google dans le papier Attention is All You Need. Cette architecture permet au modèle de tenir compte du contexte entier d'un texte (et pas seulement du mot précédent) pour produire ses sorties.

Les trois étapes du fonctionnement d'un LLM :

1. Entraînement. Le modèle « lit » des centaines de milliards de mots (Wikipédia, livres, code, web public) et apprend les patterns statistiques du langage. Cette étape est faite une fois par le fournisseur (OpenAI, Anthropic, Google), coûte plusieurs millions de dollars, et ne se refait pas en production.
2. Affinage (fine-tuning). Le modèle est ajusté pour suivre des instructions, refuser certaines requêtes, et produire des réponses utiles plutôt que de simplement compléter des phrases. C'est cette étape qui distingue ChatGPT du modèle GPT brut.
3. Inférence (utilisation). Quand vous écrivez une question dans ChatGPT, le modèle génère sa réponse mot par mot, en évaluant à chaque étape la suite la plus probable étant donné votre question et son entraînement. C'est pourquoi le résultat varie d'un appel à l'autre.

Distinction LLM ≠ chatbot. Selon la formulation d'IBM Think et de Databricks : « Les LLM sont les cerveaux derrière les chatbots comme ChatGPT. Le LLM est la technologie sous-jacente, le chatbot est l'application construite par-dessus. » ChatGPT, Claude.ai, Gemini, Microsoft Copilot sont des chatbots qui s'appuient sur des LLM différents (GPT-4/5, Claude 3.x/4.x, Gemini 1.5/2.x, etc.).

Différences entre ChatGPT, Claude, Gemini, Copilot

Tableau comparatif (état 2026) :

• ChatGPT (OpenAI). Le plus connu. Modèle GPT-4 et GPT-5. Forces : outils intégrés (génération d'images DALL-E, exécution de code, recherche web), GPT Store de chatbots personnalisés. Limites : les conditions d'usage de la version gratuite permettent l'utilisation des données pour entraîner les modèles. La version Team (~30 $/mois/user) interdit cet usage et permet un encadrement d'entreprise.
• Claude (Anthropic). Modèle Claude 3.x et 4.x. Forces : qualité de raisonnement et de rédaction longue, fenêtre de contexte étendue (jusqu'à 200 000 mots — soit l'équivalent de plusieurs livres). Limites : moins d'intégrations natives que ChatGPT. Version pro autour de 20 $/mois.
• Gemini (Google). Modèle Gemini 1.5 et 2.x. Forces : intégration native dans Google Workspace (Docs, Sheets, Gmail), capacité multimodale forte. Limites : pour une PME québécoise sur Microsoft 365, peu pertinent en l'état.
• Microsoft Copilot. Tourne principalement sur des modèles GPT d'OpenAI plus une couche Microsoft. Forces : intégration native dans Word, Excel, Outlook, Teams. Pour une PME déjà sur Microsoft 365, c'est souvent le choix le plus naturel. Coût : ~30 $/mois/user en plus de la licence M365.

Critère de choix pour une PME québécoise :

• Vous êtes sur Microsoft 365 et l'usage principal est la rédaction et la bureautique → Copilot M365.
• Vous voulez un chatbot polyvalent séparé de la suite bureautique, avec génération d'images et automatisations → ChatGPT Team.
• Vous travaillez sur des documents longs (contrats, devis détaillés, rapports techniques) et la qualité de rédaction prime → Claude Pro.
• Vous êtes sur Google Workspace → Gemini.

Le choix n'est pas définitif. Beaucoup d'organisations utilisent deux outils en parallèle (Copilot pour la bureautique, Claude ou ChatGPT pour la rédaction longue). L'enjeu est de définir lequel est l'outil officiel — et donc à mettre dans la politique d'usage de l'IA (voir Module 3).

Multimodal — au-delà du texte

Capacités multimodales utiles pour une PME québécoise :

• Analyse de photo de chantier. Téléverser une photo et demander : « Identifie les éléments visibles, propose une nomenclature pour le devis, signale les anomalies de sécurité. » L'IA peut produire une première liste à valider par le contremaître.
• Lecture de plans architecturaux scannés. Extraire la liste des pièces, repérer les symboles électriques, vérifier la cohérence d'un schéma simple.
• Transcription et résumé d'enregistrements. Réunion de chantier enregistrée → transcription + résumé en points décisionnels en quelques minutes.
• Génération d'images marketing. Visuels pour publications Facebook ou LinkedIn, photos avant-après retouchées pour le site web, schémas simples pour expliquer un projet au client (par exemple « voici à quoi ressemblera votre tableau électrique une fois rénové »).
• Analyse de documents PDF (devis fournisseurs, fiches techniques de produits). Comparer trois fiches techniques de luminaires et produire un tableau récapitulatif.

L'erreur fréquente est de penser à l'IA uniquement comme un outil de rédaction. Le multimodal change l'équation — beaucoup de tâches concrètes en PME impliquent des photos, des plans, des PDF, des enregistrements, et c'est précisément là où le gain de productivité est le plus tangible.

Cloud vs local — souveraineté des données

Trois architectures possibles pour une PME :

• Cloud public sans engagement contractuel (ChatGPT gratuit, Claude.ai gratuit). Les données saisies peuvent servir à entraîner les modèles. Incompatible avec un usage de RP en contexte Loi 25.
• Cloud public avec engagement contractuel (ChatGPT Team/Enterprise, Claude for Business, Microsoft Copilot M365 enterprise). Le fournisseur s'engage par contrat (DPA) à ne pas utiliser les données pour entraîner et à respecter les exigences réglementaires. Compatible avec un usage encadré, à condition d'avoir une EFVP et un DPA conforme.
• Local (auto-hébergé) avec un modèle ouvert comme Llama, Mistral, ou Qwen, exécuté via Ollama ou LM Studio sur votre serveur ou poste de travail. Les données ne sortent pas. Adapté aux usages les plus sensibles, mais demande du matériel adéquat (GPU NVIDIA ou Mac M-series, ou CPU avec modèles quantifiés) et plus de compétences techniques.

Choix pratique pour la majorité des PME québécoises : commencer par le cloud public avec engagement contractuel (Copilot M365 ou ChatGPT Team), avec une politique d'usage qui interdit l'input de données sensibles. Le local ne devient pertinent que pour les organisations avec des données très sensibles (santé, finance, défense) ou un volume d'usage qui rend le coût des API significatif.

Cas d'usage typiques pour une PME — exemples du secteur électrique

Six cas d'usage à fort retour pour un entrepreneur électricien :

1. Rédaction de soumissions. À partir d'un descriptif sommaire (notes prises au chantier, photos, mesures), produire une première version de soumission structurée — postes, quantités, libellés, conditions générales. Le contremaître valide et ajuste. Gain typique : passer de 90 minutes à 20 minutes par soumission.
2. Triage et résumé de courriels. Boîte courriel surchargée → assistant IA classe par urgence (réponse client urgente, fournisseur, soumission, marketing) et résume les longs fils en 2-3 lignes. La décision reste humaine.
3. Réponses aux questions techniques fréquentes. Construire une base interne (FAQ entreprise, procédures internes, Code de l'électricité simplifié) et utiliser un chatbot interne pour que les apprentis et les nouveaux employés trouvent rapidement les réponses standard. Réduction des interruptions du chargé de projet.
4. Préparation d'appels d'offres publics. À partir du document SEAO, produire une grille d'analyse (exigences, critères de sélection, dates clés, risques), un brouillon de réponse aux sections standardisées, et une liste de questions à poser au donneur d'ouvrage.
5. Génération de procédures et de matériel de formation interne. À partir d'une démonstration verbale ou écrite, produire une procédure documentée que l'entreprise peut diffuser aux apprentis. Renforce la transmission des savoirs.
6. Rédaction marketing. Pages web, articles de blog, publications LinkedIn, réponses aux avis Google. L'IA produit la première version, le dirigeant valide le ton et la véracité.

Cas d'usage à éviter (ou à encadrer fortement) :

• ❌ Décisions d'embauche ou d'évaluation de personnel. Les biais documentés (voir Module 4) rendent l'IA inadaptée pour ces décisions sans cadre rigoureux.
• ❌ Décisions d'octroi ou de refus de service. Risque article 12.1 Loi 25 (décisions automatisées).
• ❌ Conseil légal, médical ou financier au client. L'IA peut halluciner — la responsabilité professionnelle reste avec l'humain.
• ❌ Saisie de RP de clients ou d'employés dans un outil grand public sans encadrement. Voir Module 3 (politique d'usage).

Limites et erreurs fréquentes — hallucinations, dérives, sur-confiance

Cinq limites à connaître avant d'adopter un outil d'IA :

• ❌ Hallucinations. Le modèle peut inventer des références, des citations, des chiffres, des articles de loi. Toujours vérifier les éléments factuels critiques. L'IA ne distingue pas ce qu'elle sait de ce qu'elle invente — c'est l'humain qui doit faire ce tri.
• ❌ Date d'entraînement. Chaque modèle a une date au-delà de laquelle il ne sait rien. Pour des questions sur l'actualité, la jurisprudence récente, les prix courants, l'IA peut se tromper sans le savoir.
• ❌ Biais. Les biais contenus dans les données d'entraînement se retrouvent dans les sorties. Cas documentés : biais selon le genre, l'âge, l'origine ethnique, le code postal. Le Module 4 développe ce point.
• ❌ Dérive (drift). Quand le fournisseur met à jour le modèle, le comportement change. Une procédure qui fonctionnait peut donner des résultats différents. Le Module 5 détaille la surveillance.
• ❌ Effet de sur-confiance. Le ton assuré du modèle donne une impression de fiabilité qui ne reflète pas son taux d'erreur réel. Des employés peuvent prendre pour acquis ce qui devrait être vérifié.

L'erreur structurelle la plus coûteuse : traiter l'IA comme un substitut au jugement humain plutôt que comme un assistant. L'IA est très efficace pour préparer une décision (résumer, structurer, proposer), beaucoup moins pour décider. La règle pratique : tout output IA destiné à un client, un partenaire ou une autorité doit être revu par un humain avant émission.