Qu'est-ce qu'un grand modèle de langage ? Les LLM expliqués aux professionnels de la mode
Les grands modèles de langage font tourner les assistants conversationnels, les outils de rédaction de fiches produits et les conseillers d'achat dopés à l'IA. Une explication claire de leur fonctionnement, de ce qu'ils font bien dans la mode et de leurs points faibles.
L'ESSENTIEL Résumé de la rédaction
- Un grand modèle de langage (LLM) est un modèle d'apprentissage profond, généralement fondé sur l'architecture transformer, entraîné sur de très grandes quantités de texte pour prédire le prochain token d'une séquence.
- Comme les LLM génèrent un texte statistiquement plausible au lieu de consulter des faits vérifiés, ils peuvent halluciner, c'est-à-dire donner avec assurance des réponses fausses.
- Dans The State of Fashion 2026, McKinsey indique que plus de 35 % des dirigeants de la mode utilisent déjà l'IA générative dans des domaines comme le service client en ligne.
- Zalando a annoncé en octobre 2024 que son assistant de mode fondé sur l'IA, construit sur ses propres modèles et sur les grands modèles de langage d'OpenAI, était disponible dans 25 marchés dans les langues locales.
- En vertu de l'AI Act européen, les obligations des fournisseurs de modèles d'IA à usage général s'appliquent depuis le 2 août 2025 ; les entreprises de mode doivent donc savoir quel modèle se cache derrière chaque outil qu'elles utilisent.
Un grand modèle de langage (LLM) est un système d'IA entraîné sur de très grandes quantités de texte afin de comprendre et de générer du langage : répondre à des questions, résumer des documents, rédiger des descriptions de produits ou traduire des textes. Il fonctionne en prédisant le fragment de texte suivant le plus probable, ce qui le rend fluide et polyvalent, mais pas intrinsèquement exact. Pour les professionnels de la mode, la question pratique porte moins sur l'intelligence du modèle que sur les tâches, les données et les contrôles qui lui sont confiés.
Qu'est-ce qu'un grand modèle de langage ?
IBM décrit les LLM comme des modèles d'apprentissage profond entraînés sur d'immenses quantités de données, capables de comprendre et de générer du langage naturel et d'autres contenus pour un large éventail de tâches. La plupart reposent sur l'architecture de réseau neuronal transformer. Les produits les plus connus, comme ChatGPT, Gemini ou Claude, sont des interfaces conversationnelles posées sur de tels modèles, mais ces mêmes modèles fonctionnent aussi discrètement dans des champs de recherche, des outils de service client, des services de traduction et des systèmes de gestion de contenu.
Le terme « grand » désigne à la fois le volume de texte d'entraînement et le nombre de paramètres internes (poids) que le modèle ajuste pendant l'entraînement. Un LLM à usage général n'est entraîné sur les données d'aucune entreprise en particulier : il connaît la mode en général, à partir de textes publics, mais ne sait rien de votre assortiment, de vos prix ou de votre carnet de commandes tant que ces informations ne lui sont pas fournies.
Comment fonctionne concrètement un grand modèle de langage ?
Le processus s'explique en quatre étapes, d'après la présentation d'IBM :
- Tokenisation : le texte est découpé en petites unités appelées tokens, qui peuvent être des mots entiers, des parties de mots ou des caractères.
- Embeddings et attention : les tokens sont convertis en vecteurs numériques, et un mécanisme d'auto-attention évalue la relation de chaque token avec les autres, y compris les plus éloignés, afin que le modèle puisse exploiter le contexte.
- Pré-entraînement : le modèle apprend à partir de milliards voire de milliers de milliards de mots en prédisant de façon répétée le token suivant et en ajustant ses poids pour réduire les erreurs. Aucune donnée étiquetée manuellement n'est nécessaire à ce stade.
- Affinage et inférence : le modèle pré-entraîné est entraîné davantage pour suivre des instructions et se montrer utile, puis il génère des réponses token par token lorsqu'il reçoit un prompt.
La conséquence essentielle pour les utilisateurs métier se situe à la troisième étape. Un LLM est, selon les termes d'IBM, une gigantesque machine de prédiction statistique. Il produit un texte probable compte tenu de son entraînement et du prompt, ce qui n'équivaut pas à un texte vérifié par rapport à une source de référence.
Que peuvent faire les LLM pour les équipes mode aujourd'hui ?
Les LLM sont les plus performants lorsque l'entrée et la sortie sont du langage et qu'une personne peut relire le résultat. Le tableau ci-dessous résume des tâches courantes dans la mode et leur degré d'adéquation.
| Tâche | Exemple | Adéquation à un LLM | Relecture humaine nécessaire |
|---|---|---|---|
| Textes produits | Rédaction de descriptions à partir des attributs | Bonne, si les attributs sont complets | Oui, pour l'exactitude et le ton de la marque |
| Traduction et localisation | Adaptation des textes à plusieurs marchés | Bonne | Oui, pour les termes de taille et les allégations juridiques |
| Service client | Réponses aux questions sur les commandes et les retours | Bonne avec accès aux politiques et aux données de commande | Procédure d'escalade indispensable |
| Connaissances internes | Résumé de manuels fournisseurs ou de line sheets | Bonne avec récupération des documents sources | Contrôles ponctuels |
| Conseil en style | Suggestions de tenues en mode conversationnel | Moyenne, selon les données du catalogue | Surveillance des résultats |
| Chiffres et prévisions | Prévision du taux d'écoulement ou des quantités d'achat | Faible à lui seul | Utiliser des modèles de prévision dédiés |
La dernière ligne est importante. Les LLM peuvent expliquer une prévision ou rédiger une synthèse de chiffres de ventes, mais ce ne sont pas des moteurs de prévision. La planification de la demande, la tarification et l'allocation reposent toujours sur des modèles statistiques et d'apprentissage automatique entraînés sur les données transactionnelles propres à l'entreprise.
Où les entreprises de mode utilisent-elles déjà les LLM ?
L'adoption n'en est plus au stade expérimental. Dans The State of Fashion 2026, publié en novembre 2025, McKinsey et The Business of Fashion indiquent que plus de 35 % des dirigeants utilisent déjà l'IA générative dans des domaines comme le service client en ligne, la création d'images, la rédaction, la recherche des consommateurs et la découverte de produits figurant parmi les autres usages. Le même rapport relève que les acheteurs utilisent de plus en plus les LLM pour rechercher et comparer des produits, si bien que les réponses des chatbots deviennent, selon ses termes, le nouveau SEO.
Zalando en offre un exemple publié. En octobre 2024, l'entreprise a annoncé que son assistant fondé sur l'IA, qui donne aux clients connectés des conseils de mode personnalisés dans les langues locales et tient compte de contextes comme la météo et l'occasion, était disponible dans 25 marchés. Zalando a précisé que l'assistant s'appuie sur ses propres modèles ainsi que sur les grands modèles de langage d'OpenAI. Cette combinaison, un LLM généraliste associé à des données et des modèles propres à l'entreprise, est le schéma typique des déploiements utiles.
Quelles sont les limites et les risques des LLM ?
- Hallucinations : le modèle peut produire des informations fausses mais plausibles, comme une composition de fibres inventée ou une date de livraison erronée.
- Biais : les modèles peuvent refléter et amplifier les biais de leurs données d'entraînement, ce qui compte pour les prompts d'images, le vocabulaire des tailles et les interactions avec les clients.
- Connaissances datées : un modèle ne connaît que ce qui figurait dans ses données d'entraînement, sauf si des informations à jour sont récupérées pour lui.
- Fuite de données : coller des plans de collection confidentiels, des prix de revient ou des données clients dans des outils publics peut les exposer.
- Coût et énergie : IBM souligne que l'entraînement et l'exploitation des LLM exigent d'importantes ressources de calcul et beaucoup d'énergie.
Que signifie la réglementation pour les entreprises de mode qui utilisent des LLM ?
L'AI Act européen est entré en vigueur le 1er août 2024. Ses obligations pour les fournisseurs de modèles d'IA à usage général, la catégorie qui couvre les grands modèles de langage, s'appliquent depuis le 2 août 2025. La plupart des entreprises de mode sont des déployeurs plutôt que des fournisseurs de tels modèles, mais elles doivent tout de même savoir quel modèle se cache derrière chaque outil, quelles données y circulent et comment les résultats sont signalés et relus. La transparence envers les clients qui échangent avec un chatbot et la prudence dans le traitement des données personnelles au regard du droit de la protection des données restent de la responsabilité de l'entreprise.
Comment une entreprise de mode doit-elle démarrer avec les LLM ?
Les entreprises qui tirent de la valeur des LLM commencent généralement petit. Elles choisissent un processus à forte composante rédactionnelle doté d'un responsable clair, comme les textes produits d'une catégorie ou les réponses aux questions fréquentes des clients wholesale, et elles connectent le modèle à des données d'entreprise propres et à jour plutôt que de se fier à ses connaissances générales. Elles définissent ce que le modèle peut faire ou non, maintiennent une validation humaine pour tout ce qui touche aux clients ou aux finances, et mesurent la qualité avant et après. Des données de base produits propres, des attributs cohérents et des politiques documentées sont les véritables prérequis ; le modèle lui-même devient de plus en plus une commodité.
Questions fréquentes
Quelle est la différence entre un LLM et ChatGPT ?
Un LLM est le modèle sous-jacent qui prédit et génère du texte. ChatGPT est un produit, une interface conversationnelle construite sur les grands modèles de langage d'OpenAI. La même distinction vaut pour d'autres assistants, qui peuvent faire tourner différents modèles derrière la même interface.
Un LLM peut-il rédiger les descriptions produits d'une marque de mode ?
Oui, les LLM sont bien adaptés à la rédaction de textes produits, à condition de recevoir des attributs complets et exacts comme la matière, la coupe et l'entretien. Sans ces données, ils peuvent inventer des détails. Une personne doit vérifier l'exactitude, les allégations juridiques et le ton de la marque avant publication.
Pourquoi les grands modèles de langage font-ils des erreurs ?
Les LLM génèrent les mots suivants statistiquement les plus probables en fonction de leur entraînement et du prompt ; par défaut, ils ne vérifient pas les faits dans une base de données. Cela peut conduire à des hallucinations, des affirmations fausses énoncées avec assurance. Les connecter à des données d'entreprise vérifiées et exiger des sources réduit le risque sans l'éliminer.
Les LLM sont-ils réglementés dans l'UE ?
Oui. En vertu de l'AI Act européen, entré en vigueur le 1er août 2024, les obligations des fournisseurs de modèles d'IA à usage général s'appliquent à partir du 2 août 2025. Les entreprises qui utilisent ces modèles dans leurs propres outils doivent aussi respecter les règles de transparence, de protection des données et toute règle applicable à leur cas d'usage spécifique.
Une édition chaque jour ouvrable. Lue en cinq minutes. Gratuite pour les professionnels.
