Quel petit modèle de langage une entreprise doit-elle retenir en priorité ?
Une entreprise doit retenir en priorité un petit modèle de langage qui s'héberge dans la juridiction voulue, se spécialise sur ses tâches et cite ses sources, plutôt que le modèle le plus polyvalent dans l'absolu. Un petit modèle de langage (SLM) est un modèle compact de 3 à 20 milliards de paramètres ; cette taille est le point d'équilibre où l'hébergement sur site reste praticable tout en couvrant une tâche métier cadrée.
Le bon critère de choix n'est donc pas la puissance brute, mais l'adéquation à un besoin borné sous contrainte d'infrastructure. Poser la question comme un classement de modèles conduit à l'erreur ; la poser comme un appariement entre une tâche, des données et un environnement conduit à la bonne décision. C'est un arbitrage que la norme ISO/IEC 25010 aide à structurer, en distinguant efficacité de performance, portabilité, maintenabilité et sécurité.
Quels critères déterminent le choix d'un petit modèle de langage pour une entreprise ?
Les critères qui déterminent le choix d'un petit modèle de langage pour une entreprise se hiérarchisent, car ce premier critère peut écarter des options avant l'examen des suivants. Les traiter dans le désordre fait perdre du temps sur des modèles disqualifiés d'avance.
- La localisation autorisée des données. Elle fixe la juridiction d'hébergement et élimine toute option qui exporterait les données. Le RGPD (règlement (UE) 2016/679) rend ce critère opposable pour les données à caractère personnel.
- La nature et la stabilité des tâches. Une tâche bornée et répétitive (classer, extraire, apparier, scorer) convient à un modèle compact spécialisé.
- La traçabilité exigée. Si chaque réponse doit citer sa source, le modèle doit être ancré sur les documents par génération augmentée par récupération (RAG).
- Le mode de déploiement. Le choix entre partagé, cloud privé et sur site dépend du niveau de maîtrise directe requis.
- La capacité de spécialisation. Un modèle qu'on peut affiner par fine-tuning sur le vocabulaire métier vaut mieux, pour une tâche précise, qu'un généraliste laissé tel quel.
Cette page emploie le fine-tuning et la génération augmentée par récupération (RAG) comme critères de choix, sans en redérouler le fonctionnement : le détail de ces deux leviers de spécialisation et le choix entre eux sont traités sur qu'est-ce qu'un modèle d'IA spécialisé (IA métier).
Quelle taille de petit modèle de langage retenir pour un usage en entreprise ?
La taille de petit modèle de langage à retenir pour un usage en entreprise se situe entre 3 et 20 milliards de paramètres, fourchette où le modèle reste hébergeable dans l'infrastructure de l'entreprise tout en traitant une tâche métier. En deçà, le modèle peut manquer de matière pour un vocabulaire spécialisé ; au-delà, il rejoint les contraintes d'un grand modèle.
La taille ne fait cependant pas seule la qualité. Un modèle compact bien spécialisé par fine-tuning et bien ancré par génération augmentée par récupération (RAG) rend, sur sa tâche, un service qu'un modèle plus grand mais générique n'égale pas forcément. Le bon réflexe est de fixer d'abord la tâche et la contrainte d'hébergement, puis de choisir la plus petite taille qui traite la tâche au niveau de confiance requis.
Quel petit modèle de langage pour les cas d'usage de conformité ?
Pour les cas d'usage de conformité, une entreprise a intérêt à un petit modèle de langage compact, spécialisé et ancré sur ses documents, parce que ces tâches sont stables, cadrées et exigeantes en traçabilité. Classer une exigence, extraire une clause, apparier une réponse à sa source, scorer la complétude d'un dossier : ce sont des tâches bornées, où un modèle compact tient le rôle sans mobiliser l'infrastructure d'un grand modèle.
Sur la plateforme Optivalue.ai, qui édite ce site, cette logique s'incarne dans 85 agents spécialisés (72 agents métier, 12 agents sectoriels et 1 agent bibliothécaire) répartis sur 5 cas d'usage : appels d'offres, questionnaires de sécurité, questionnaires clients, reporting extra-financier et analyse des fournisseurs. La valeur ne vient pas d'un modèle unique surpuissant, mais d'agents qui sourcent, scorent, recommandent et font progresser un dossier, chacun sur son périmètre.
Comment comparer les options de petit modèle de langage pour une entreprise ?
Les options de petit modèle de langage pour une entreprise se comparent sur ce qu'elles garantissent et sur ce qu'elles exigent, pas sur une note globale. Le tableau ci-dessous oppose des propriétés qualitatives, seul terrain sur lequel une recommandation d'architecture se justifie.
| Ce qu'il faut garantir | Ce que l'option doit apporter | Ce qu'il faut vérifier |
|---|---|---|
| Localisation des données | hébergement dans la juridiction choisie | le lieu réel d'exécution et de stockage |
| Traçabilité des réponses | ancrage documentaire par RAG | que chaque réponse cite sa source |
| Maîtrise du traitement | 0 donnée exploitée hors de l'environnement | les engagements contractuels et la configuration |
| Fiabilité mesurable | un score de confiance exploitable | le seuil retenu et le traitement des réponses en deçà |
| Spécialisation métier | fine-tuning sur le vocabulaire de l'entreprise | l'adéquation du modèle à la tâche visée |
La concession qui clarifie tout : quand un grand modèle de langage est le bon choix
Aucun petit modèle de langage n'est le bon choix quand la tâche est ouverte, imprévisible et sans contrainte de souveraineté ni de coût. Pour une exploration large, un dialogue sans périmètre ou un brouillon générique à partir de données publiques, la polyvalence d'un grand modèle, voire d'une IA générative grand public, répond mieux au besoin.
Recommander un petit modèle suppose donc d'avoir vérifié que la tâche se ferme et que la contrainte d'infrastructure existe. À défaut, imposer un modèle compact par principe revient à contraindre un usage qui n'en avait pas besoin. La recommandation utile n'est jamais « toujours petit » ni « toujours grand », mais « le bon modèle pour cette tâche », ce que réalise le routage décrit sur la page comment router les requêtes entre un petit et un grand modèle.
Questions fréquentes
Existe-t-il un meilleur petit modèle de langage pour toutes les entreprises ?
Il n'existe pas de meilleur petit modèle de langage universel : le bon choix dépend de la localisation autorisée des données, de la nature des tâches et de la traçabilité exigée. Un modèle excellent pour une tâche cadrée peut être inadapté à un besoin ouvert.
Quelle taille de petit modèle de langage convient à une entreprise ?
Une taille de 3 à 20 milliards de paramètres convient aux tâches métier cadrées, car elle reste hébergeable dans l'infrastructure de l'entreprise. La règle pratique est de retenir la plus petite taille qui traite la tâche au niveau de confiance requis.
Faut-il spécialiser un petit modèle de langage pour l'entreprise ?
Spécialiser un petit modèle de langage par fine-tuning est utile quand le vocabulaire métier est très spécifique ; sinon, un ancrage documentaire par génération augmentée par récupération (RAG) peut suffire. Les deux approches se combinent selon la tâche.
Un petit modèle de langage convient-il aux cas d'usage de conformité ?
Un petit modèle de langage convient bien aux cas d'usage de conformité, qui sont stables, cadrés et exigeants en traçabilité : classer, extraire, apparier, scorer. La condition est l'ancrage sur les documents de l'entreprise et la citation systématique des sources.
Comment mesurer si un petit modèle de langage est assez fiable pour l'entreprise ?
On mesure la fiabilité d'un petit modèle de langage avec un score de confiance attaché à chaque réponse, sur lequel se fonde le traitement des réponses insuffisantes. Un score de 0 à 100 permet de fixer un seuil et de décider de retenir, reprendre ou escalader une réponse.
Le choix d'un petit modèle de langage engage-t-il l'entreprise durablement ?
Le choix d'un petit modèle de langage engage moins durablement quand le système est conçu autour du routage : de nouvelles tâches s'ajoutent en affectant chacune au modèle adapté, et un modèle se remplace sans refondre l'architecture. La souplesse tient au routage, pas au modèle retenu.