Aller au contenu
Implementa.
Agents IAOpinion··8 min

LLM ou machine learning classique : quand un bon vieux modèle bat l'IA générative

LLM ou machine learning, ce n'est pas une guerre de modes : c'est une question sur la forme de vos données. Si c'est un tableau avec un historique —ventes, impayés, résiliations—, un modèle classique est en général moins cher, plus stable et plus facile à expliquer. Si c'est du texte libre, le LLM gagne. Et en production, les deux gagnent presque toujours ensemble, chacun à sa place.

Senior AI Operations Implementer

AI Operations Pod

La demande arrive pleine d'enthousiasme : « on veut un agent IA qui prévoie la demande ». En pièce jointe, un Excel avec trois ans de ventes par référence et par semaine. Le plan implicite : coller ce tableau dans un modèle de langage et lui demander de deviner le mois prochain. Ça marchera pendant la démo. Ça donnera un chiffre différent à chaque question. Et personne ne saura expliquer pourquoi il a commandé 400 unités au lieu de 250.

La thèse en une ligne : la moitié des problèmes budgétés aujourd'hui comme « projet d'IA générative » sont mieux résolus par un modèle de machine learning tout ce qu'il y a de plus classique, entraîné sur votre historique. Pas par nostalgie technique : il coûte moins cher par prédiction, il donne la même réponse face à la même donnée et on peut l'expliquer à un auditeur. Le LLM gagne quand la donnée, c'est du langage. Bien choisir, ce n'est pas suivre la mode, c'est regarder la forme de ce qu'on veut prédire.

LLM ou machine learning : la question est mal posée tant qu'on ne regarde pas la donnée

Un modèle de langage est une machine extraordinaire pour lire, résumer, rédiger et raisonner sur du texte sans structure fixe. Un modèle classique —un arbre de décision boosté, une régression, un modèle de séries temporelles— est une machine extraordinaire pour trouver des motifs dans des colonnes : des milliers de lignes avec les mêmes variables et un résultat connu. Des outils différents pour des formes de données différentes, et la plupart des erreurs d'architecture viennent de l'outil à la mode appliqué à la mauvaise forme.

Si vous avez…Gagne en généralPourquoi
Un tableau avec historique et résultat connu (ventes, impayés, résiliations)Machine learning classiqueIl apprend de vos propres cas, il est peu coûteux à exécuter et stable
Du texte libre : e-mails, contrats, tickets, notes d'appelLLMIl comprend le langage sans qu'on définisse chaque colonne avant
Des documents à la mise en page chaotiqueLLM (souvent avec de l'OCR)Il lit une structure variable ; le classique a besoin d'un modèle fixe
Une règle qui tient en une phraseNi l'un ni l'autre : une règle métierLe plus économique et le plus explicable, c'est de ne rien entraîner

Ce n'est pas un avis de consultant. En 2022, des chercheurs d'Inria et de Sorbonne Université ont comparé des modèles à base d'arbres et des réseaux profonds sur 45 jeux de données tabulaires de taille moyenne (de l'ordre de 10 000 lignes) : les arbres restaient l'état de l'art sur ce terrain (Grinsztajn, Oyallon et Varoquaux, NeurIPS 2022). L'étude ne testait pas de LLM, mais sa leçon voyage : sur des données tabulaires, le modèle le plus sophistiqué n'est pas celui qui prédit le mieux.

Trois tâches où le modèle classique gagne sans discussion

Prévision de la demande

C'est la scène du début. Dans la compétition de prévision M5 —42 840 séries de ventes quotidiennes à l'unité de Walmart—, la plupart des solutions en tête s'appuyaient sur LightGBM, un modèle d'arbres boostés (Makridakis, Spiliotis et Assimakopoulos, International Journal of Forecasting, 2022). Aucun gagnant n'a demandé à un chatbot de lire le tableau. Il existe désormais des modèles de fondation conçus pour les séries temporelles, et ils méritent un test comme point de comparaison ; mais c'est une autre famille, pas un assistant de texte dans lequel on colle un Excel.

Scoring et classification de cas

Probabilité d'impayé, de départ d'un client, qu'un lead finisse par acheter, qu'une facture soit payée en retard. Tout ça, c'est de la classification sur des colonnes, le terrain naturel des modèles d'arbres. Entraînés sur vos dossiers clos, ils donnent une probabilité, le poids de chaque variable derrière elle, et la même réponse demain pour le même client.

Détection d'anomalies

Un paiement qui ne colle pas au profil du fournisseur, une consommation qui s'emballe, une commande avec une marge impossible. Passer des millions de transactions dans un LLM coûte cher et prend du temps. Un modèle statistique ou d'arbres le fait en millisecondes par ligne et laisse au LLM, tout au plus, le soin de rédiger l'alerte pour la personne qui doit trancher.

Là où le LLM gagne (et de loin)

L'autre côté est tout aussi clair. Un modèle classique ne lit pas un e-mail de réclamation, ne comprend pas que « comme d'habitude, sans le grand carton » est une commande, n'extrait pas la clause de pénalité d'un contrat de quarante pages. Là, le LLM ne concourt pas : c'est la seule option raisonnable. Il gagne aussi quand il n'y a pas d'historique —un processus nouveau, sans dossiers clos dont apprendre— et quand la sortie attendue est du langage : une réponse, un résumé, un brouillon.

C'est pourquoi choisir un modèle ne revient jamais à se demander « lequel est le meilleur », mais pour quelle tâche. C'est la même logique qu'on applique dans un système d'agents pour décider quel modèle utiliser dans un agent selon la tâche, la latence et le coût par cas : celui qui domine le classement est rarement celui qui convient à chaque étape.

Le schéma qui tient en production : le LLM transforme le texte en colonnes, le classique décide

La version adulte de ce débat, ce n'est pas choisir son camp. C'est enchaîner. Le LLM lit le non structuré —l'e-mail du client, le bon de livraison scanné, la note du commercial— et le transforme en champs : motif, montant, urgence, produit. Ces champs alimentent un modèle classique qui note, prévoit ou détecte. Et une personne revoit ce qui sort du couloir.

Chaque pièce fait ce qu'elle fait de mieux, et le système est auditable par tronçons : on sait ce que le LLM a lu, quelles colonnes il a produites et quelle variable a le plus pesé dans la décision. On a vu le même hybride en comparant OCR classique et modèles multimodaux pour lire des documents : en production, c'est la combinaison qui gagne, pas un match nul technique. Et la frontière de ce que revoit un humain ne s'improvise pas ; elle se conçoit avec les critères de l'humain dans la boucle en automatisation IA.

Quand la décision touche une personne, expliquer n'est pas optionnel

Il y a un argument qui n'est pas technique et qui tranche souvent tout seul. Si votre modèle note des personnes —crédit, recrutement, prix, accès à un service—, il faudra expliquer pourquoi. Dans l'Union européenne, la Cour de justice a jugé en décembre 2023 que le calcul d'un score de solvabilité peut constituer en soi une décision automatisée au sens de l'article 22 du RGPD lorsqu'un tiers s'y fie de manière déterminante (CJUE, affaire C-634/21, SCHUFA, communiqué de presse). Cela entraîne des obligations de transparence sur la logique appliquée.

Un modèle d'arbres permet de montrer quelles variables ont fait bouger le score de chaque dossier. Un LLM peut générer une explication qui sonne juste, mais ce n'est pas la même chose que la raison pour laquelle il a décidé. Pour toute décision qui a des conséquences sur une personne, cet écart est ce qui fait tenir ou tomber votre système face à un régulateur. Et chaque décision doit être enregistrée avec son pourquoi : c'est exactement ce que règle la traçabilité des décisions d'IA.

Quand NE PAS monter un modèle classique

Prendre la mode à contre-pied ne veut pas dire le faire à chaque fois. Un modèle classique est une mauvaise idée quand :

  • Vous n'avez pas d'historique avec résultat. Sans dossiers clos, rien à apprendre. Un LLM bien instruit ou une règle donnent quelque chose d'utile dès le premier jour ; le modèle classique, rien.
  • Vous avez très peu de lignes. Avec quelques dizaines d'exemples, tout motif trouvé par le modèle est du bruit bien habillé.
  • Le processus change tous les mois. Si les règles métier bougent plus vite que vous n'accumulez de données, le modèle naviguera toujours avec la carte du trimestre dernier.
  • Une règle suffit. « Si la facture dépasse X et que le fournisseur est nouveau, vérifier » ne demande aucun entraînement. C'est l'option la moins chère, la plus rapide et la plus explicable des trois.

Quatre questions avant de demander un devis

  1. Ce que je veux prédire tient-il dans une colonne dont la réponse est connue dans mon historique ?
  2. Combien de dossiers clos ai-je, et à quel point ceux d'aujourd'hui ressemblent-ils à ceux d'il y a deux ans ?
  3. Quelqu'un devra-t-il expliquer chaque décision à un client, un auditeur ou un régulateur ?
  4. Mon entrée est-elle un tableau, du texte, ou les deux ?

Si vous répondez « oui, beaucoup, oui, tableau », le projet n'est pas de l'IA générative, et celui qui vous le vend comme tel vous facture le mot à la mode. Si vous répondez « non, peu, non, texte », le LLM est votre outil. Et si c'est un peu de tout —le cas normal—, il vous faut une architecture qui met chaque modèle à sa place. Pour savoir par où commencer, il y a le guide quels processus automatiser avec l'IA ; pour construire l'ensemble, avec données, modèles et supervision, notre service d'infrastructure IA pour l'entreprise.

L'IA ne se choisit pas au titre. Elle se choisit à la forme de la donnée. Et parfois, la réponse la plus moderne, c'est un modèle d'il y a dix ans, bien entraîné sur vos propres chiffres.

Continue à lire

D'autres articles sur Agents IA

OpinionGEO

Étiqueter le contenu généré par IA en entreprise : quand la loi l'exige et quand c'est du théâtre

Étiqueter le contenu généré par IA en entreprise, ce n'est pas coller «fait avec l'IA» partout. L'article 50 du règlement européen sur l'IA demande trois choses précises : signaler les hypertrucages, signaler le texte d'intérêt public que personne n'a relu et marquer la sortie de façon lisible par machine. La thèse : l'autocollant décoratif n'en remplit aucune, et le marquage qui compte vraiment arrive à échéance pour beaucoup de fournisseurs le 2 décembre 2026.

11 min de lectura

Agents IA

Un agent IA pour le recrutement : trier sans biais, sans perdre le contact humain

Un agent IA pour le recrutement ne décide pas qui vous embauchez. C'est la couche qui avale le travail répétitif autour de chaque candidat — trier contre des critères fixes, planifier, répondre — et qui s'arrête où commence le jugement d'embauche. Bien fait, il enlève le biais de la partie mécanique et laisse le contact humain là où il compte vraiment.

6 min de lectura

Agents IA

Qu’est-ce que le MCP (et pourquoi il change les agents d’entreprise, sans être magique)

Le MCP —Model Context Protocol— est le standard ouvert qu’Anthropic a publié en 2024 pour connecter les modèles d’IA à tes outils et tes données par un seul câble. Il baisse le coût d’intégration. Il ne répare pas un mauvais processus ni des données sales. Voici ce qui change vraiment pour les agents d’entreprise, et ce qui ne change pas.

6 min de lectura

On le laisse tourner ?

Si ça t'a parlé, conversation de 30 minutes sans engagement. On te dit ce qui colle, ce qui ne colle pas et le prix approximatif.

Voir les cas
LLM ou machine learning classique : quand un bon vieux modèle bat l'IA générative · Implementa