Knowledge — Capacités et Limitations de l'IA

Ce que vous apprendrez

Durée estimée : 30 minutes

À la fin de cette leçon, vous serez capable de :

Expliquer comment les connaissances d'un modèle d'IA se forment pendant l'entraînement et pourquoi elles ont une limite fixe
Prédire quels sujets se situent dans la zone de capacité (fréquent, récent pendant l'entraînement, cohérent) par rapport à la limite (rare, post-limite, de niche, contesté)
Identifier l'obsolescence, la couverture inégale, le biais hérité et l'amnésie de source comme des défaillances caractéristiques des connaissances
Reconnaître la recherche web, la récupération/RAG et l'utilisation d'outils comme les fonctionnalités de produit qui répondent à cette limitation

Comprendre les lacunes de connaissances dans les modèles d'IA

(5 minutes)

Le modèle connaît ce à quoi il a été exposé pendant l'entraînement, et seulement cela. Pas de navigation web en temps réel par défaut, pas d'expérience vécue, et un arrêt net à la limite de connaissances. La question pratique n'est pas « l'IA le sait-elle ? » mais « à quel point ce sujet était-il bien représenté dans ce qu'elle a lu ? »

Ce que le modèle a lu, et quand il a arrêté de lire

Avant de lire

Vous demandez à l'IA d'expliquer un événement d'actualité de la semaine dernière. À quel point devez-vous vérifier le résultat ? Choisissez un point sur le continuum, puis confirmez votre réponse.

Next Token Prediction Knowledge Working Memory Steerability

Capacité Limitation

Lui faire confiance Vérifier rapidement Vérifier les détails Vérifier attentivement Risque élevé

Votre réponse

Typique

Ce que cela permet

Où cela échoue caractéristiquement

Fonctionnalités de produit qui repoussent la limite

Choisissez un point, puis confirmez votre réponse. La leçon s'ouvre une fois que vous l'aurez fait.

Confirmer ma réponse

Vérifier votre intuition

Confirmez votre réponse ci-dessus pour la comparer au placement typique.

Personnaliser

Hauteur de la barre

Taille du pictogramme

Palette Sky → Clay Olive → Clay Cactus → Fig Slate → Clay

Points clés à retenir

Ce que l'IA générative connaît provient entièrement des données d'entraînement et est figé à la limite de connaissances. Sans outils, elle n'a accès à aucune information après cette date.
Zone de capacité : sujets qui sont apparus fréquemment, récemment (pendant l'entraînement) et régulièrement dans les données d'entraînement.
Zone de limitation : sujets rares, post-limite, de niche, locaux ou contestés.
Défaillances caractéristiques : obsolescence, couverture inégale, biais hérité dans ce qui compte comme « par défaut » ou « normal », et incapacité à attribuer la source des connaissances.
La recherche web, la récupération (RAG/MCPs) et l'utilisation d'outils existent spécifiquement pour combler ces lacunes en donnant au modèle accès à des informations sur lesquelles il n'a jamais été entraîné.
Connexion 4D : L'inégalité des connaissances est au cœur de la Délégation. Comprendre où le modèle est bien approvisionné par rapport à où il est faible vous indique quand déléguer, quand fournir vous-même le contexte, et quand chercher ailleurs.

Exercices

Exercice : Le test de l'outsider

Pourquoi ? Vous savez que les connaissances du modèle sont larges mais figées, façonnées par ce qui se trouvait dans ses données d'entraînement. Maintenant, vous allez cartographier exactement où il est bien approvisionné et où il est faible dans votre domaine spécifique.

Retournez à votre liste de tâches et sélectionnez une tâche. Par rapport à cette tâche, notez :

Deux sujets qui sont courants, bien documentés et stables. Le genre de chose que tout collègue informé connaîtrait.
Deux sujets qui sont de niche, locaux, récents ou en évolution rapide. Jargon spécifique à l'industrie, réglementations régionales, quelque chose qui a changé au cours de la dernière année.
Une « hypothèse par défaut » que les outsiders de votre domaine se trompent souvent. (Qui est le client typique. À quoi ressemble un cas « standard ». Quel outil les gens utilisent réellement par rapport à celui qui fait la une. )

Maintenant, exécutez trois sondages :

**Sondage 1 : Couverture. ** Posez une question sur un sujet courant et un sujet de niche de votre liste. Comparez la profondeur et la précision. Faites attention à savoir si l'IA signale l'incertitude différemment entre les deux, ou si les deux réponses viennent avec le même ton confiant.
**Sondage 2 : Obsolescence. ** Posez une question sur quelque chose que vous savez avoir changé récemment dans votre domaine : une mise à jour réglementaire, une sortie d'outil, un changement de leadership, une norme révisée. L'IA reconnaît-elle la limite ? Présente-t-elle des informations obsolètes comme actuelles ? Refuse-t-elle de répondre ? Notez ce qui se passe.
**Sondage 3 : Hypothèses par défaut. ** Sans nommer directement votre hypothèse, posez une question qui révélerait si l'IA adopte la vision de l'outsider. Par exemple, si le client « standard » de votre domaine est différent de ce que la plupart des gens supposent, demandez à l'IA de décrire le client typique. Notez ce qu'elle traite comme normal.

Retournez à votre liste de tâches et ajoutez une deuxième annotation : pour chaque tâche, signalez si vous pouvez compter sur les connaissances du modèle, ou si vous devez apporter vous-même les connaissances via le contexte, les documents ou la recherche.

Objectif supplémentaire : Réexécutez le sondage d'obsolescence avec la recherche web activée. Comparez ce qui change. C'est la récupération en action.

Réflexion sur la leçon

Quel est un domaine de votre travail où vous réalisez maintenant que vous devez fournir du contexte plutôt que de supposer que le modèle l'a ?
Le sondage sur les hypothèses par défaut a-t-il révélé quelque chose qui vous a surpris ?

Prochaines étapes

Knowledge couvre ce que le modèle a absorbé pendant l'entraînement. Working Memory couvre ce sur quoi il porte attention en ce moment : votre prompt, vos documents, votre conversation. Cette propriété a la limite la plus nette de tous les quatre.

Retours

Au fur et à mesure que vous progressez dans le cours, nous aimerions entendre parler de la façon dont vous utilisez les concepts du cours dans votre travail, ainsi que tout retour que vous pourriez avoir. Partagez vos retours ici.

Remerciements et licence

Copyright 2026 Anthropic. Travail original s'appuyant sur le cadre de fluidité en IA développé par le Prof. Rick Dakan (Ringling College of Art and Design) et le Prof. Joseph Feller (University College Cork). Publié sous la licence CC BY-NC-SA 4. 0.