Un débutant qui commence à apprendre l’IA entend parler de ChatGPT, de systèmes de recommandation Netflix, de détection de fraude bancaire et de voitures autonomes, souvent dans la même phrase, comme s’il s’agissait de la même technologie appliquée à des cas différents. Ce sont pourtant deux familles très différentes, et les confondre mène à des attentes qui ne correspondent à rien de réel.
Deux familles, deux objectifs
Un modèle prédictif répond à une question fermée à partir de données passées : ce client va-t-il résilier, cette transaction est-elle frauduleuse, ce patient présente-t-il un risque élevé. Il produit un score ou une catégorie. Son travail se juge sur une mesure simple : combien de fois a-t-il eu raison.
Un modèle génératif répond à une question ouverte en produisant du contenu nouveau : un texte, une image, un morceau de code. Il n’existe pas une seule bonne réponse à comparer, mais un espace de réponses acceptables plus ou moins larges. Juger sa qualité demande d’évaluer si le résultat est cohérent, utile, dans le ton attendu, ce qui est nettement plus subjectif qu’un simple taux de succès.
Pourquoi la confusion coûte cher
Un débutant qui a appris à évaluer un modèle prédictif avec un pourcentage de précision cherche souvent le même chiffre pour un modèle génératif. Il demande « quelle est la précision de ChatGPT » comme il demanderait la précision d’un détecteur de spam. La question n’a pas vraiment de sens pour un système génératif, parce qu’il n’y a pas de bonne réponse unique à mesurer.
Cette confusion mène aussi à des attentes déplacées côté fiabilité. On tolère qu’un modèle génératif se trompe sur un fait précis, parce que sa force est ailleurs, dans la fluidité et la créativité du texte produit. Mais on ne devrait jamais tolérer la même marge d’erreur d’un modèle prédictif qui décide d’accorder un crédit bancaire. Les deux familles n’appellent pas le même niveau d’exigence sur le même critère.
Comment les distinguer en pratique
Posez une question simple face à n’importe quel système d’IA qu’on vous présente : sort-il une catégorie ou un score parmi un ensemble fini de réponses possibles, ou sort-il un contenu nouveau qui n’existait pas avant votre requête ? La première réponse pointe vers un modèle prédictif, entraîné pour classer ou estimer. La seconde pointe vers un modèle génératif, entraîné pour produire.
Beaucoup de produits combinent les deux. Un assistant qui rédige un email combine un modèle génératif pour le texte et parfois un modèle prédictif en coulisse pour décider du ton à adopter selon le destinataire. Reconnaître quelle partie du système fait quoi vous aide à comprendre pourquoi certaines fonctionnalités sont fiables à 99 % et d’autres nécessitent une relecture systématique.
Cette distinction n’est pas un détail académique. C’est la différence entre savoir quand faire confiance à un système et quand le vérifier ligne par ligne.
