LLM (grand modèle de langage)

Un grand modèle de langage, ou LLM (pour large language model), est le moteur qui se cache derrière ChatGPT, Claude, Gemini et la plupart des outils d'écriture par IA. Vous lui écrivez une demande en langage courant, il vous répond en langage courant. Il peut rédiger une fiche produit, reformuler un email, résumer un contrat fournisseur de vingt pages ou proposer dix noms pour une nouvelle bougie parfumée.

Cette page s'adresse aux vendeurs, pas aux ingénieurs. Si vous tenez une boutique en ligne, vendez une formation ou gérez une petite marque, vous utilisez sans doute déjà un LLM, directement ou via un outil qui le masque. Comprendre son fonctionnement vous aide à obtenir de meilleurs textes, à dépenser moins et à éviter les erreurs qui finissent sur une page produit, sous les yeux de vos clients.

Qu'est-ce qu'un LLM ?

Un LLM est un modèle statistique entraîné sur une très grande quantité de texte : livres, sites web, code, forums, documentation. Pendant l'entraînement, il apprend à prédire le morceau de texte suivant à partir de tout ce qui précède. Ces morceaux s'appellent des tokens. En français, un token correspond en moyenne à un peu moins d'un mot, si bien que 1 000 mots représentent environ 1 500 tokens.

Le mot « grand » renvoie à deux choses. Les données d'entraînement se comptent en milliers de milliards de tokens, et le modèle contient des milliards de valeurs ajustables qu'on appelle des paramètres. Après cette première phase, le pré-entraînement, la plupart des modèles passent par une seconde étape : des humains notent les réponses et le modèle est ajusté pour suivre des consignes et se rendre utile. C'est ce qui transforme un simple prédicteur de texte en assistant.

Ce qu'un LLM n'est pas :

• Pas une base de données. Il ne consulte pas de faits. Il produit le texte le plus probable. Quand il ignore la réponse, il peut quand même écrire une phrase sûre d'elle et fausse. On parle d'hallucination.
• Pas un moteur de recherche. Sauf si un outil le relie au web ou à vos documents, il ne connaît que ses données d'entraînement, arrêtées à une date précise.
• Pas un collaborateur qui connaît votre activité. Il n'a jamais vu votre stock, votre politique de retour ou votre variante la plus vendue, sauf si vous les lui fournissez.

Quelques mots que vous croiserez : le prompt est votre consigne ; la fenêtre de contexte est la quantité de texte que le modèle lit d'un coup ; le fine-tuning consiste à entraîner davantage un modèle sur vos propres exemples. GPT est une famille de LLM conçue par OpenAI. La génération augmentée par récupération (RAG) est une technique qui fournit vos documents au modèle pour qu'il réponde à partir d'eux.

Pourquoi c'est important

Pour un petit vendeur, la ressource qu'un LLM économise d'abord, c'est le temps passé à écrire. L'écriture occupe une part importante et discrète du travail : fiches produits, textes de collection, campagnes email, entrées de FAQ, réponse à la même question sur la livraison pour la quarantième fois.

Prenons une marque de bijoux avec 200 références. Rédiger une bonne description à la main prend environ 20 minutes par produit, soit près de 67 heures pour tout le catalogue. Avec un LLM, vous fournissez la matière, la pierre, les dimensions, les conseils d'entretien et trois exemples de votre ton. Il rédige chaque brouillon en quelques secondes. Vous passez ensuite 6 minutes à vérifier les faits et à ajuster le style. Le catalogue vous coûte alors 20 heures, et vous gagnez 47 heures.

La facture en tokens reste faible. Chaque fiche demande environ 1 500 tokens en entrée et en sortie, donc 200 produits consomment à peu près 300 000 tokens. Aux tarifs actuels des API, cela représente bien moins de 5 €, même avec un modèle haut de gamme. La plupart des vendeurs prennent plutôt un abonnement de chat autour de 20 € par mois et ne pensent jamais aux tokens.

Le risque existe aussi. Un modèle qui invente « argent massif 925 » pour une bague plaquée crée une fausse allégation. Résultat : retours, contestations de paiement et, selon le pays, un vrai problème au regard du droit de la consommation. Le temps gagné ne compte que si l'étape de relecture reste en place.

Comment ça marche

Voici ce qui se passe quand vous demandez une fiche produit à un LLM :

• Votre texte est découpé en tokens. « Bougie en cire de soja coulée à la main, 220 g » devient une quinzaine de tokens.
• Le modèle lit tout le contexte. Cela comprend une consigne système cachée de l'outil, votre prompt, les fichiers joints et les messages précédents de la conversation, dans la limite de la fenêtre de contexte.
• Il calcule une probabilité pour chaque token suivant possible. « La » obtient peut-être 12 %, « Cette » 9 %, « Notre » 7 %, et ainsi de suite parmi des dizaines de milliers d'options.
• Il en choisit un, l'ajoute au texte et recommence. Un réglage appelé température dose l'audace du choix. Une température basse donne une formulation prévisible, une température haute plus de variété et plus de risque.
• Il s'arrête lorsqu'il prédit un token de fin ou atteint une limite de longueur.

C'est pour cela que le même prompt donne une réponse différente à chaque fois, et que le détail de votre consigne compte autant. Le modèle ne peut pas vous demander quelle odeur a votre bougie. Si vous ne le dites pas, il devine.

Repères et exemples

Quelques ordres de grandeur utiles :

• Fenêtre de contexte : de 100 000 à plus de 1 000 000 de tokens sur les modèles commerciaux actuels. 100 000 tokens, c'est à peu près un livre de 250 pages, largement assez pour l'export complet du catalogue d'une petite boutique.
• Vitesse : en général 30 à 150 mots par seconde une fois la réponse lancée.
• Prix : via une API, de quelques centimes à environ 15 € par million de tokens générés selon la taille du modèle. Les abonnements grand public tournent autour de 20 € par mois.
• Taux d'erreur factuelle : il dépend beaucoup de la tâche. Quand le modèle reformule des faits que vous avez fournis, les erreurs sont rares. Quand il doit se souvenir d'une réglementation, d'une règle de transport ou d'une composition, elles sont assez fréquentes pour justifier une vérification systématique.

Usages typiques : une créatrice qui lance une formation demande au LLM de transformer la transcription d'une leçon de 40 minutes en brouillon de page de vente. Une petite marque de cosmétiques rédige les réponses à ses 25 questions clients les plus fréquentes, puis les retravaille en réponses types. Une boutique bilingue fait traduire chaque page produit, puis confie la relecture des 20 meilleures ventes à une personne de langue maternelle.

Erreurs fréquentes

• Publier sans relire. Matières, dimensions, certifications ou délais inventés sont les erreurs les plus coûteuses. Chaque chiffre et chaque promesse doivent être vérifiés sur le produit réel.
• Donner des consignes floues. « Écris une description pour mon sweat » produit le même texte fade que chez tous vos concurrents. Précisez le grammage, la coupe, la cible et un exemple de votre ton.
• Coller des données clients dans un outil grand public. Noms, adresses et historiques de commande n'ont rien à faire dans un chat gratuit tant que vous n'avez pas vérifié sa politique de données et vos obligations RGPD.
• Laisser le modèle répondre seul aux clients. Un bot sans supervision qui promet un remboursement hors de votre politique crée un engagement que vous devrez peut-être tenir.
• Croire qu'il connaît l'actualité. Un modèle entraîné l'an dernier ignore votre nouveau transporteur et la promotion du mois.

Bonnes pratiques

• Rédigez un brief réutilisable. Gardez un document avec votre ton, les mots interdits, votre client type et trois descriptions que vous aimez. Collez-le au début de chaque session.
• Fournissez les faits, demandez la formulation. Donnez les caractéristiques sous forme de liste et demandez au modèle d'écrire autour. Il formule bien mieux qu'il ne se souvient.
• Demandez plusieurs versions. Trois variantes courtes, vous gardez la meilleure et piochez des phrases dans les autres. C'est plus rapide que de corriger un seul brouillon moyen.
• Gardez une relecture humaine. Vérifiez les chiffres, les allégations et tout ce qui touche au juridique. Lisez le texte à voix haute une fois avant la mise en ligne.
• Utilisez-le aussi pour structurer. Un LLM excelle à transformer des notes en vrac en FAQ propre, en plan de guide des tailles ou en comparatif de trois fournisseurs.
• Comparez les outils sur votre propre tâche. Passez les cinq mêmes produits dans deux ou trois modèles et jugez sur votre catalogue, pas sur un classement en ligne.

Dans Roctify

Roctify n'intègre pas d'assistant IA ni de LLM. Vous utilisez le modèle de votre choix en dehors de la plateforme, puis vous collez le texte relu là où il sert : descriptions de produits, noms de variantes, annonces de codes promo, campagnes d'email marketing et réponses dans la boîte de réception email (à partir du plan Creator). Comme Roctify repose sur un catalogue partagé, une description améliorée une seule fois se met à jour à la fois sur votre boutique en ligne et sur votre page lien en bio.

Si vous vendez en plusieurs langues, les réglages multilingues de Roctify permettent de stocker chaque version d'un texte produit. Un LLM peut rédiger ces versions, et vous ou un locuteur natif les relisez avant publication. Les rapports et exports du plan Pro vous donnent aussi une liste propre de vos produits et de vos ventes, une matière utile à confier au modèle quand vous lui demandez par quelles fiches commencer.

FAQ

Des fiches produits écrites par IA nuisent-elles au référencement ?

Non, tant que le texte est exact, précis et utile à l'acheteur. Les moteurs de recherche pénalisent les pages pauvres, répétitives ou trompeuses, pas l'outil qui a servi à les écrire. Une fiche qui donne de vraies dimensions, de vraies matières et de vrais usages dans votre ton fonctionne mieux qu'un texte générique, quel que soit son auteur.

Quel LLM choisir pour une petite boutique ?

Commencez avec l'outil de chat que vous payez déjà et testez-le sur cinq de vos produits réels. Jugez sur l'exactitude, le ton et le temps de correction nécessaire. Changer de modèle est facile, rien ne vous oblige à vous engager tôt ni à payer plusieurs abonnements.

Puis-je coller des messages clients dans un LLM ?

Cela dépend de l'outil et de vos réglages. Beaucoup d'offres professionnelles n'utilisent pas vos données pour l'entraînement, certaines offres gratuites le font. Retirez noms, emails et adresses avant de coller un message, et vérifiez ce que votre politique de confidentialité promet à vos clients.