Comment fonctionne ChatGPT (et les autres IA) expliqué simplement

ChatGPT fonctionne en prédisant, morceau de mot après morceau de mot, la suite la plus probable de votre conversation, grâce à un modèle entraîné sur d’immenses quantités de textes puis ajusté pour dialoguer. Claude, Gemini ou Le Chat reposent sur le même principe, et comprendre ce mécanisme vous aide à savoir quand leur faire confiance et quand vérifier.

Le principe : la saisie prédictive, en beaucoup plus puissant

Vous connaissez la saisie prédictive de votre téléphone : vous tapez « Je suis en », il propose « retard ». ChatGPT fait quelque chose de comparable, mais à une tout autre échelle. Il ne propose pas un mot isolé : il prolonge un texte entier en tenant compte de tout ce qui précède, et il recommence jusqu’à avoir écrit une réponse complète.

Le cœur de ChatGPT est un grand modèle de langage, ou LLM : un programme qui a appris, à partir d’énormes volumes de textes, quelles suites de mots sont plausibles dans quel contexte. Le site, l’application, la voix, la recherche web ou la mémoire sont des couches ajoutées autour de ce moteur. Si vous voulez creuser la notion elle-même, notre article qu’est-ce qu’un grand modèle de langage entre dans le détail.

Retenez une idée dès le départ : ChatGPT ne consulte pas une encyclopédie interne pour y lire la bonne réponse. Il génère un texte plausible. La plupart du temps, plausible et exact se recouvrent. Parfois non, et c’est là que naissent les erreurs.

Étape 1 : votre message est découpé en tokens

Quand vous envoyez une question, le modèle ne voit ni lettres ni mots comme vous. Il voit des tokens : des morceaux de texte qui peuvent être un mot court, une partie d’un mot long, une ponctuation ou un espace. « Bonjour » peut tenir en un seul token, alors qu’un mot rare ou technique sera souvent coupé en plusieurs morceaux.

Chaque token est ensuite converti en une liste de nombres, et c’est sur ces nombres que le modèle fait ses calculs. Cette étape explique deux choses que vous croiserez souvent :

• les limites de longueur et les tarifs des services pour développeurs sont exprimés en tokens, pas en mots ;
• une langue moins présente dans les données d’entraînement est parfois découpée en davantage de tokens, donc traitée moins efficacement.

Pour voir concrètement combien de tokens représente un de vos textes, essayez l’estimateur de tokens du site.

Étape 2 : le modèle prédit le token suivant, encore et encore

Une fois votre message transformé en nombres, le modèle calcule, pour chaque token de son vocabulaire, la probabilité qu’il arrive juste après. Il en choisit un, l’ajoute au texte, puis recommence le calcul avec ce texte rallongé. Une réponse de quelques paragraphes, c’est donc des centaines de petites prédictions enchaînées. C’est pour cela que la réponse s’affiche progressivement à l’écran, comme si quelqu’un tapait.

Prenons un exemple. Si le texte se termine par « Pour faire une pâte à crêpes, il faut de la farine, des œufs et du », le modèle juge très probable « lait », un peu moins « beurre », et quasi impossible « ciment ». Il n’a pas de recette rangée quelque part : il a croisé, pendant son entraînement, un très grand nombre de textes de cuisine où ces mots apparaissent ensemble. C’est ce savoir statistique, appliqué à toutes sortes de sujets, qui lui permet de rédiger un courriel, d’expliquer une notion ou de traduire un paragraphe.

Le modèle ne prend pas toujours le token le plus probable. Un réglage introduit une part de hasard contrôlée : les textes paraissent plus naturels, et la même question posée deux fois donne deux formulations différentes.

Le Transformer : l’architecture qui regarde tout le contexte

Pour bien prédire la suite, il faut savoir à quoi se rapporte chaque mot. Dans « Marie a prêté son vélo à Julie parce qu’elle partait en vacances », qui part en vacances ? Les LLM actuels s’appuient sur l’architecture Transformer, présentée par des chercheurs de Google le 12 juin 2017 dans l’article « Attention Is All You Need » (consulté le 22 octobre 2026). Son idée centrale permet au modèle de peser l’importance de chaque token par rapport à tous les autres, même éloignés dans le texte. Le « T » de GPT vient de là : Generative Pre-trained Transformer.

Ce contexte n’est pas infini. La quantité de texte que le modèle peut prendre en compte à la fois s’appelle la fenêtre de contexte. Quand une conversation devient très longue, les premiers échanges peuvent en sortir ou être résumés, et l’assistant semble alors « oublier » ce que vous lui aviez dit au début.

Comment ChatGPT a appris : trois grandes phases

Un modèle comme celui de ChatGPT n’est pas programmé règle par règle. Il est entraîné en plusieurs phases, dont voici le schéma général tel que le décrivent les publications d’OpenAI.

Phase	Ce que fait le modèle	Analogie
Pré-entraînement	Il parcourt d’immenses volumes de textes et apprend à prédire le token suivant	Lire une bibliothèque entière, sans professeur
Ajustement par l’exemple	Il étudie des dialogues rédigés par des humains : une question, une bonne réponse	Faire des exercices corrigés
Retours humains	Des personnes classent plusieurs réponses, le modèle apprend à préférer les mieux notées	Un coach qui dit « plutôt ça que ça »

Le pré-entraînement donne au modèle sa culture générale et sa maîtrise de la langue. Mais à ce stade, il sait surtout prolonger un texte, pas répondre utilement à une question. Les deux phases suivantes le transforment en assistant. La dernière porte un nom technique : le RLHF, pour apprentissage par renforcement à partir de retours humains.

Une fois l’entraînement terminé, les réglages internes du modèle sont figés. Il ne change donc pas pendant que vous discutez avec lui. Ce qui peut évoluer, c’est la version suivante, éventuellement entraînée en partie sur des conversations d’utilisateurs, selon les réglages de confidentialité de chacun.

Ce qui se passe quand vous appuyez sur « Envoyer »

Dans l’application, le modèle n’est qu’une pièce du dispositif. Voici, de façon simplifiée, le trajet de votre question :

1. Les consignes cachées. Votre message est précédé d’instructions rédigées par l’éditeur (ton, règles de sécurité, date du jour), parfois complétées par vos instructions personnalisées et par des éléments de mémoire.
2. Les outils éventuels. Si la question porte sur l’actualité, l’assistant peut lancer une recherche web et insérer des extraits de pages dans son contexte. Il peut aussi lire un fichier que vous avez joint.
3. La génération. Le modèle produit sa réponse token par token, à partir de l’ensemble : consignes, historique, documents et question.
4. Les filtres. Des systèmes de sécurité peuvent bloquer ou modifier certaines réponses.

Cela explique pourquoi un assistant peut sembler parfaitement à jour dans une conversation et dépassé dans une autre : tout dépend de la recherche web, activée ou non. Sans elle, il ne connaît que le monde tel qu’il était à la fin de ses données d’entraînement.

ChatGPT, Claude, Gemini, Le Chat : même moteur, voitures différentes

Tous les grands assistants grand public fonctionnent sur ce principe, y compris Le Chat de Mistral AI, renommé Mistral Vibe en 2026. Ce qui les distingue : le modèle utilisé, les données d’entraînement, la manière dont les retours humains ont été menés et surtout les outils intégrés autour. Selon les informations relevées sur les sites des éditeurs au 22 octobre 2026, ChatGPT s’appuie sur les modèles GPT-6 Astra, GPT-6.1 Sol et GPT-6 Luna ; la fiche ChatGPT détaille ce que chaque offre débloque.

Assistant	Gratuit	Payant dès	Recherche web	Mode agent	Voix	Images
ChatGPT	Limité	8 $US/mois	Oui	Oui	Oui	Oui
Claude	Limité	20 $US/mois	Oui	Oui	—	—
Gemini	Limité	4,99 €/mois	Oui	—	Oui	Oui
Le Chat (Mistral Vibe)	Limité	5,99 $US/mois	Oui	Oui	Oui	Oui

Quand une capacité n’est pas indiquée pour un assistant, cela veut dire que l’éditeur ne l’a pas précisée, pas forcément qu’elle manque.

Pourquoi ChatGPT se trompe parfois avec aplomb

Puisque le modèle génère du plausible, il peut produire une information fausse présentée avec la même assurance qu’une vraie : c’est une hallucination. Elle survient surtout sur les détails rares (une date précise, une référence, un chiffre), sur les sujets récents sans recherche web, ou quand la question contient une erreur que le modèle prolonge sans la contester. Notre guide pourquoi l’IA invente des réponses donne des méthodes concrètes pour s’en protéger.

Autre limite liée aux tokens : les tâches qui demandent de manipuler des lettres une à une, comme compter les lettres d’un mot ou l’écrire à l’envers, échouent parfois, car le modèle ne voit pas toujours les lettres séparément. Les modèles récents compensent en partie en rédigeant des étapes intermédiaires avant de répondre.

Trois conséquences pratiques pour mieux l’utiliser

Donnez du contexte. Le modèle prédit la suite de ce que vous lui fournissez. Plus votre demande précise le but, le public et le format attendu, plus la suite probable ressemble à ce que vous voulez.

Vérifiez les faits qui comptent. Chiffres, dates, citations, références juridiques ou médicales : demandez des sources, activez la recherche web et recoupez avec un site officiel. Pour une question de santé, de droit ou d’argent, l’assistant donne une information générale, pas l’avis d’un professionnel.

Repartez de zéro quand la conversation dérive. Si l’assistant s’emmêle dans une longue discussion, ouvrez une nouvelle conversation avec un résumé clair de la situation : vous remettez de l’ordre dans son contexte. C’est souvent plus efficace que de corriger la même erreur trois fois de suite.

Vérifiez-vous Pourquoi ChatGPT peut-il citer un livre qui n'existe pas ?

Parce qu’il génère la suite la plus plausible au lieu de consulter une base de références. Un titre, un auteur et une année qui « sonnent juste » peuvent être produits sans exister. Sans recherche web ni source à vérifier, rien dans le mécanisme ne garantit l’exactitude.

Pour reprendre les bases, le guide qu’est-ce que l’intelligence artificielle replace les assistants conversationnels dans l’histoire et les grandes familles de l’IA.