Capacités et limitations de l'IA — Maîtrise de l'IA pour les petites entreprises

Ce que vous apprendrez

Durée estimée : 25 minutes

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

Définir l'IA générative et ses différences avec les autres types d'IA
Reconnaître les caractéristiques clés et les fondations technologiques de l'IA générative
Identifier les capacités et limitations majeures de l'IA générative actuelle

Qu'est-ce que l'IA générative ?

(12 minutes)

Cette vidéo explique comment les grands modèles de langage comme Claude sont construits et entraînés, et ce que cela signifie pour ce qu'ils peuvent — et ne peuvent pas — faire de manière fiable lorsque vous les utilisez dans votre entreprise.

Points clés à retenir

L'IA générative crée du nouveau contenu plutôt que d'analyser simplement les données existantes.
Trois développements ont rendu les LLM modernes possibles : l'architecture transformer, les données d'entraînement massives et la puissance de calcul énorme.
L'entraînement a deux étapes : le pré-entraînement (apprentissage des motifs à partir de milliards d'exemples) et l'ajustement fin (apprentissage pour suivre les instructions utilement).
Les forces actuelles incluent la polyvalence entre les tâches, la fluidité conversationnelle et la connexion aux outils externes.
Les limites actuelles incluent les seuils de connaissance, les hallucinations, la taille de la fenêtre de contexte et le raisonnement complexe multi-étapes.
Les meilleures applications associent les forces humaines et l'IA — votre jugement, créativité et supervision aux côtés de la vitesse et de l'échelle de l'IA.

Exercice

Tester les limites

Cet exercice vous donne une preuve directe de ce que l'IA générative fait bien et où elle échoue. Vous allez explorer quelques-unes des capacités et limitations spécifiques des vidéos de manière peu risquée, en utilisant du contenu de votre propre domaine — pour avoir une vérification concrète, basée sur vos propres observations, lorsque vous décidez ce dont faire confiance à l'IA.

Partie I : Auto-réflexion (seul)

Choisissez un domaine que vous connaissez bien, où vous repéreriez immédiatement une erreur si un fournisseur, un partenaire ou un client se trompait. Notez :

Le sujet (par exemple, vos calculs de marge bénéficiaire, vos règles de zonage locales ou les exigences de licence du secteur)
Deux ou trois faits à ce sujet que vous attendriez de toute source décente
Une idée fausse courante que les gens ont à ce sujet
Une chose à ce sujet qui est véritablement difficile à bien expliquer

C'est votre terrain de test. Vous allez voir comment l'IA gère quelque chose que vous pouvez réellement vérifier.

Partie II : Collaboration (avec l'IA)

Ouvrez une conversation avec Claude (ou tout assistant IA que vous préférez) et menez trois chats rapides. Notez ce que vous remarquez après chacun.

**Test de polyvalence. ** Demandez à l'IA d'expliquer votre sujet de trois façons différentes dans une seule réponse : une fois pour un client qui ne sait rien de votre service, une fois pour un partenaire commercial potentiel et une fois pour un nouvel employé que vous intégrez. Les changements d'audience ont-ils vraiment fonctionné, ou a-t-il juste changé le vocabulaire ? Quelle version était la plus forte ?
**Test d'hallucination. ** Demandez à l'IA de recommander deux ou trois ressources spécifiques liées à votre sujet — une association professionnelle, une publication du secteur, un organisme de réglementation ou un fournisseur bien connu. Vérifiez ensuite au moins une. L'organisation existe-t-elle ? Le site Web est-il correct ? Les informations de contact sont-elles exactes ? (C'est là que vous verrez si l'IA va inventer avec confiance une source qui semble plausible mais ne l'est pas. )
**Vérification du seuil de connaissance + raisonnement. ** Demandez à l'IA quelque chose d'urgent ou de local : un changement réglementaire récent dans votre secteur, les tendances de prix actuelles pour un matériau clé ou une exigence de licence locale. Vous dit-elle que ses informations pourraient être obsolètes ? Fait-elle des réserves, des suppositions ou présente-t-elle des informations obsolètes comme actuelles — le genre de chose qui pourrait vous coûter de l'argent si vous agissiez dessus ? Ensuite, demandez-lui de traiter l'idée fausse courante que vous avez notée dans la Partie I. A-t-elle abordé la confusion réelle, ou a-t-elle simplement réaffirmé le fait correct ?

Partie III : Réflexion

Quelle capacité de la vidéo s'est manifestée le plus clairement dans ce que vous avez vu ? Quelle limitation s'est manifestée — et l'auriez-vous détectée si ce n'était pas un sujet que vous connaissez bien ? Sur cette base, quelle est une tâche que vous seriez à l'aise de confier à l'IA maintenant, et une que vous voudriez surveiller de plus près ?

Objectif supplémentaire : Testez le même sujet avec un deuxième outil IA (un modèle ou une plateforme différente). Les erreurs et les forces étaient-elles les mêmes ?

Réflexion sur la leçon

Comment le fait de savoir comment ces systèmes sont entraînés change-t-il la façon dont vous allez travailler avec eux ?
Quelles considérations éthiques vous viennent à l'esprit compte tenu du fonctionnement de l'IA générative et de ses lacunes ?

Prochaines étapes

Ensuite, une activité pratique explorant comment les modèles de langage génèrent réellement du texte pour concrétiser ce que vous venez d'apprendre.

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. Ce cours a été développé en partenariat avec PayPal, Prospect Butcher et MAKS Enterprises TIPM Rebuilders, s'appuyant sur le AI Fluency Framework développé par Prof. Rick Dakan (Ringling College of Art and Design) et Prof. Joseph Feller (University College Cork). Publié sous la licence CC BY-NC-SA 4. 0.