LLM (Large Language Model)

Définition

Un LLM (Large Language Model, grand modèle de langage) est un modèle d'intelligence artificielle entraîné sur d'immenses volumes de texte pour comprendre et générer du langage. Son principe de base est simple en apparence : prédire le mot (ou fragment) le plus probable à la suite d'un texte, en s'appuyant sur les régularités apprises. C'est cette mécanique, appliquée à très grande échelle, qui alimente les assistants comme ChatGPT, Gemini, Claude ou Perplexity.

Pourquoi ça compte

Le LLM est la brique technologique sous tous les bouleversements que ce glossaire décrit : moteurs génératifs, AI Overviews, agents, GEO. Comprendre deux traits de sa nature aide à saisir les enjeux SEO. D'abord, un LLM génère une réponse, il ne « récupère » pas une page ... d'où le passage du rang à la citation. Ensuite, il fonctionne par probabilités sur ce qu'il a appris, ce qui explique deux limites concrètes : il peut se tromper avec assurance (hallucinations), et sa connaissance interne a une date de coupure. C'est précisément pour corriger cela qu'on l'associe à de la récupération de sources en temps réel (RAG, grounding) : le point où votre contenu peut être cité.

Exemple concret

Interrogé sur un fait récent, un LLM livré à sa seule mémoire peut répondre avec aplomb une information périmée ou inventée : il « prédit » une réponse plausible sans savoir qu'elle est fausse. Connecté à une récupération de sources (comme dans Perplexity ou une AI Overview), le même modèle va d'abord chercher des documents à jour, puis rédige en s'appuyant dessus, et cite ses sources. La différence entre les deux modes explique pourquoi certaines réponses IA sont sourcées et d'autres non.

Ce qu'il faut en retenir (côté visibilité)

• Il génère, il ne classe pas : la visibilité se joue en citation, pas en position.
• Il peut halluciner : d'où l'importance de contenus vérifiables et de la vigilance sur les citations fantômes.
• Sa mémoire a une date de coupure : les faits récents lui viennent de la récupération de sources, pas de son entraînement.
• Il s'appuie sur ce qu'il peut corroborer : un contenu clair, à jour et cohérent a plus de chances d'être repris.

Erreurs fréquentes

• Croire qu'un LLM « sait » tout de façon fiable : il prédit du plausible, ce qui n'est pas toujours vrai.
• Prendre ses réponses pour des faits vérifiés sans contrôler les sources (risque d'hallucination).
• Ignorer sa date de coupure et supposer qu'il connaît l'actualité récente sans récupération.
• Confondre le LLM (le modèle) avec le produit qui l'utilise (ChatGPT, Gemini… sont des applications bâties dessus).

Termes liés

• RAG (Retrieval-Augmented Generation)
• Grounding
• Agent IA
• Prompt engineering
• Citation fantôme (ghost citation)
• GEO (Generative Engine Optimization)

FAQ

Un LLM dit-il toujours la vérité ? Non. Il prédit la suite la plus probable d'un texte, ce qui produit des réponses souvent justes mais parfois fausses énoncées avec assurance (hallucinations). C'est pourquoi les faits importants doivent être vérifiés à leur source.

Quelle différence entre un LLM et ChatGPT ? Le LLM est le modèle sous-jacent ; ChatGPT (comme Gemini, Claude, Perplexity) est une application construite autour d'un LLM, avec une interface et parfois une récupération de sources. Le modèle est le moteur, le produit est la voiture.

Pourquoi un LLM ne connaît-il pas l'actualité récente ? Parce que sa connaissance interne s'arrête à une date de coupure (fin de son entraînement). Pour les événements postérieurs, il dépend d'une récupération de sources en temps réel, sans quoi il n'en sait rien, ou improvise.