Des électrons aux artefacts

Un contrat. Un film. Un poème. Un programme qui fonctionne. Chacun peut aboutir à un fichier, mais chacun exige autre chose du système qui le produit. Penser les LLM comme des transformateurs d’électrons en artefacts permet de voir la machine entière : l’énergie, le modèle, les outils, la personne qui les dirige et le résultat qui compte à l’arrivée.

La formule est volontairement une métaphore. L’électricité alimente le calcul ; des paramètres appris, des logiciels, des sources et des intentions humaines lui donnent une direction. Les électrons ne contiennent pas un contrat ou une chanson qu’il suffirait d’extraire. La transformation intéressante est celle d’une infrastructure physique qui, guidée par le langage, aboutit à un objet culturel ou professionnel.

Nous appelons ici artefact une production socio-culturelle qui peut être représentée sous forme de bits et consommée à travers un appareil numérique : un contrat, une vidéo, une image, un poème, une chanson, un article de blog, un post LinkedIn, un tableur ou un programme. C’est la définition retenue dans cet article, sans prétendre que toute production humaine soit numérique.

Une pomme sort de cette définition. Un câlin aussi. Leur photographie, leur description ou leur simulation peuvent être des artefacts numériques, sans procurer leur expérience physique. Cette frontière compte : produire la représentation d’une chose ne suffit pas à produire la chose elle-même.

Pour représenter le système, imaginons une écurie de course. L’énergie, la raffinerie, le carburant, le moteur, le châssis, le pilote, le résultat. Chaque élément joue un rôle ; aucun n’explique seul la performance. Les sept couches qui suivent transposent cette analogie à l’IA. Elles décrivent des dépendances et des commandes, avec des retours entre elles, plutôt qu’une chaîne qui produirait automatiquement du travail utile.

La légèreté apparente d’un document généré cache un système électrique. Dans sa mise à jour d’avril 2026, l’Agence internationale de l’énergie estime la consommation mondiale des centres de données à 485 TWh en 2025 et prévoit 950 TWh en 2030. Ces chiffres concernent tous les centres de données, pas seulement l’IA ; le second est une projection.

Dans l’analogie automobile, c’est l’apport d’énergie. Mais l’électricité provient d’un mix qui comprend notamment les renouvelables, le nucléaire et les combustibles fossiles. Réduire cette couche au « carbone fossilisé » serait trompeur. La puissance disponible et le raccordement au réseau font partie de ses contraintes, avant même que quelqu’un écrive un prompt.

L’électricité alimente des serveurs, des GPU et d’autres accélérateurs, avec leur mémoire, leurs réseaux, leur stockage et leur refroidissement. Ces machines exécutent les opérations numériques du modèle. La raffinerie évoque cette conversion industrielle : une alimentation énergétique devient une capacité de calcul disponible.

Cette capacité dépend déjà d’une histoire accumulée. L’entraînement a façonné les paramètres du modèle ; l’inférence les mobilise sur une entrée particulière. L’électricité consommée maintenant ne crée donc pas ses capacités à partir de rien. La métaphore doit garder cet héritage visible : le matériel, la structure apprise, les logiciels et la culture humaine représentée dans les données d’entraînement.

Un modèle de langage traite et génère des séquences de tokens. Un token peut être un fragment de mot, un mot entier ou un signe de ponctuation. Pour produire du texte, le modèle prédit des tokens successifs dans un contexte. Le Transformer est une architecture de réseau neuronal fondée sur l’attention ; le rapprochement avec le transformateur électrique est un jeu de langage utile, pas un mécanisme commun.

Dans notre analogie, le modèle est la source de carburant et les tokens ce que le reste de la machine peut mobiliser. Un poème peut déjà être livré comme texte. Un tableur aux formules fonctionnelles, un film monté ou un programme déployé exigent d’autres opérations. Selon le système, un modèle multimodal génère directement certains médias, ou le LLM dirige des modèles spécialisés et des logiciels. « Du langage à l’artefact » désigne cette capacité d’ensemble, sans la prêter à chaque modèle textuel.

Le harness joue ici le rôle du moteur : c’est le logiciel autour du modèle qui organise son travail. Il fournit des instructions, sélectionne le contexte, expose des outils et gère une boucle d’exécution. Le langage naturel exprime l’objectif ; le système environnant donne au modèle les moyens d’agir sur des fichiers, des applications et des services.

L’appel d’outil rend la distinction concrète. Le modèle propose une opération ; l’application l’exécute et lui renvoie le résultat. Le modèle peut alors adapter son action suivante. Écrire du code qui crée un document, générer un aperçu de ses pages, constater un défaut de mise en page et corriger le code constitue une suite de transformations avec retour d’information. Cela dépasse la génération d’une réponse plus longue.

Prenons un mandat illustratif : transformer des documents sources en un rapport de deux pages, avec des affirmations traçables, un graphique, une source modifiable et un PDF lisible. Le harness doit rendre les sources accessibles, conserver les contraintes, permettre la création des fichiers et donner accès au résultat rendu. Un message final plausible ne remplace pas les fichiers réels. La boucle a aussi besoin d’un budget et d’une condition d’arrêt ; répéter ne garantit pas de progresser.

Le châssis assemble les composants et rend le véhicule utilisable. L’interface destinée à l’humain remplit une fonction comparable : elle réunit le mandat, les fichiers, les autorisations, la progression et le résultat dans un environnement de travail. Ce peut être une application desktop, un navigateur ou une ligne de commande. Electron est un framework possible, pas une couche obligatoire ni les électrons de notre titre.

Il existe aussi une interface pour le modèle : les actions qu’il peut appeler et les retours qu’il reçoit. Dans l’étude SWE-agent de 2024, le même GPT-4 Turbo résolvait 11 % des 300 tâches SWE-bench Lite avec une interface limitée au shell, contre 18 % avec celle conçue par les auteurs. Cette expérience historique en développement logiciel ne prédit pas les gains de toutes les professions. Elle montre néanmoins que modifier l’environnement peut modifier le résultat sans modifier les poids du modèle.

Une voiture rapide ne choisit pas la course qui mérite d’être disputée. Quelqu’un doit définir la destination, les contraintes et un résultat acceptable. La demande initiale peut être courte ; l’intention qu’elle porte l’est rarement. À qui s’adresse le travail ? Quelle source fait autorité ? Quelle incertitude peut subsister ? Qu’est-ce qui prime ici : la vitesse, l’originalité, la fidélité ou la précision ?

L’opérateur peut être humain ou artificiel. Dans un système agentique, le modèle peut choisir des étapes intermédiaires et des outils ; dans un workflow prédéfini, le logiciel fixe davantage cette séquence. Ces rôles peuvent se superposer : un agent peut en diriger un autre, à l’intérieur d’un harness. Le schéma à sept couches distingue des fonctions, pas nécessairement sept produits ou acteurs différents.

Déléguer l’exécution laisse entière la question de l’autorité. Pour le travail décrit ici, nous proposons d’expliciter qui définit les critères, qui peut autoriser les actions engageantes et qui accepte la livraison. La capacité d’un agent à poursuivre son travail est utile dans une direction que quelqu’un a choisie.

La sortie utile est ce que quelqu’un peut emporter. Un contrat qu’il peut modifier. Une vidéo qui se lit avec le son et le cadrage prévus. Une image aux dimensions requises. Un programme qui fonctionne dans son environnement cible. Un poème dont le rythme et la voix méritent la lecture. Être représentable en bits est notre condition d’entrée ; mériter d’être utilisé demande un jugement supplémentaire.

L’acceptation varie avec l’artefact. Un total se recalcule. Une affirmation sourcée se confronte à sa source. On peut ouvrir un fichier et contrôler son affichage. L’originalité, le goût et la force émotionnelle d’une chanson demandent d’autres formes d’appréciation. Aucun test unique ne transforme toute production culturelle en score objectif.

Le fichier est une sortie. L’artefact devient utile lorsqu’il tient face à l’usage auquel il est destiné.

GDPval fournit un exemple concret d’évaluation des livrables. Présentée par OpenAI en septembre 2025, sa première version couvre 1 320 tâches dans 44 professions et utilise des comparaisons à l’aveugle par des experts métier. C’est un benchmark conçu par un fournisseur, avec des tâches en une seule passe qui ne capturent pas toute l’ambiguïté ni les itérations d’un mandat. La leçon utile ici tient à l’objet évalué : le travail produit.

Pour une organisation, nous proposons de suivre le coût par artefact accepté, avec des critères d’acceptation définis pour la tâche. Il faut compter les modèles, les outils, l’infrastructure, la relecture humaine et les reprises. Le délai et la qualité se suivent à côté de ce coût. Ce sont des choix de gestion, pas un benchmark universel ; la comparaison n’a de sens qu’entre travaux comparables et à niveau d’exigence comparable.

Cette lecture ramène l’attention sur le système entier. Si le livrable attendu manque, la livraison a échoué. Si un document s’ouvre mais que ses chiffres sont faux, il faut reprendre le travail. Si tous les contrôles mécaniques passent mais que le film ne dit rien, un autre jugement reste à porter. Les tests, la relecture experte et la réception du public révèlent des aspects différents du résultat. La conversation témoigne d’un processus ; l’artefact est ce dont ce processus doit répondre.

Une course possède une piste et une ligne d’arrivée. Le travail culturel et professionnel exige souvent de décider où placer cette ligne. L’analogie masque aussi les personnes, les données et les savoirs accumulés derrière la machine. Elle reste utile si l’on garde ces limites à l’esprit : l’électricité rend le processus possible, le modèle apporte des capacités et l’ensemble du système détermine ce qui peut être livré.

Pour ogram, cela donne une direction concrète : travailler le passage d’une capacité générale à un résultat adapté à une pratique particulière. Rendre l’expertise disponible comme contexte, donner au modèle des outils appropriés, préserver les contraintes et examiner la sortie. De meilleurs modèles élargissent le possible. De meilleurs systèmes aident ce possible à parvenir, intact, entre les mains de quelqu’un.