Un chatbot est un système, pas seulement un modèle
Le modèle mental utile le plus simple est celui d’une application structurée autour d’une conversation.
Vous voyez une zone de message et un flux de réponses. Derrière cette interface, plusieurs composants travaillent ensemble :
Your message
↓
Chat application loads instructions and conversation state
↓
AI model interprets the request or drafts a response
↓
Application may retrieve data or use another service
↓
Rules and safety checks run
↓
Reply appears and selected state is savedLe LLM utilisé par de nombreux chatbots modernes n’est qu’un composant de ce parcours. Il génère ou interprète du langage. Le chatbot est le produit plus vaste qui décide ce que le modèle voit, le relie à des informations, affiche sa sortie et gère les situations dans lesquelles le modèle ne peut pas répondre à une demande de manière sûre.
Tous les chatbots IA n’utilisent pas de LLM. Un chatbot spécialisé peut utiliser l’apprentissage automatique pour classer ce que veut une personne et extraire les détails de son message. Un chatbot fondé sur un LLM peut générer une nouvelle réponse à partir d’instructions et de contexte. De nombreux chatbots en production associent un langage généré à des règles fixes pour les tâches qui exigent un comportement prévisible.
Comment fonctionne un chatbot IA
Chaque message démarre un nouveau tour de conversation. Un tour typique comporte six étapes.
1. Recevoir le message
Le canal peut être un site web, une application mobile, un service de messagerie ou une interface vocale. Si la personne parle, un logiciel de reconnaissance vocale transforme d’abord l’audio en texte.
2. Charger l’état de la conversation
L’application charge les informations qu’elle a choisi de conserver. Il peut s’agir des messages récents, d’un bref résumé des anciens messages, de l’état du compte de l’utilisateur ou de l’avancement d’une tâche.
C’est ainsi qu’un chatbot donne l’impression de se souvenir. Le modèle ne conserve pas automatiquement une mémoire privée de chaque échange antérieur. L’application ou le service de modèle doit stocker l’état pertinent et le fournir de nouveau lors d’un tour ultérieur.
3. Interpréter la demande
Un chatbot fondé sur les intentions associe le message à un objectif connu, tel que track_order, et extrait les informations nécessaires, comme un numéro de commande. S’il manque une information requise, il suit une règle de dialogue et la demande.
Un chatbot fondé sur un LLM reçoit un ensemble d’éléments d’entrée pouvant inclure des instructions relatives au produit, le message de l’utilisateur, une partie sélectionnée de l’historique de la conversation et des données pertinentes. Il génère ensuite la réponse suivante. C’est l’application, et non la fenêtre de chat visible par l’utilisateur, qui assemble cet ensemble.
4. Obtenir des informations ou effectuer une action limitée
Un chatbot peut rechercher dans une base de connaissances approuvée, consulter une commande, créer un ticket d’assistance ou appeler un autre service. Ces connexions sont des fonctionnalités distinctes. Le modèle de langage n’accède pas à une base de données simplement parce que le chatbot peut discuter de son contenu.
Les logiciels environnants doivent vérifier l’identité de l’utilisateur et ses autorisations avant d’exposer des données ou de modifier quoi que ce soit.
5. Vérifier et renvoyer la réponse
L’application peut rejeter les demandes dangereuses, supprimer le contenu non étayé, exiger une confirmation prédéfinie ou transférer la conversation à une personne. Certaines réponses sont rédigées par un modèle. D’autres sont des modèles de texte complétés avec des données vérifiées. Une même conversation peut utiliser les deux.
6. Enregistrer ce dont le prochain tour a besoin
Le chatbot enregistre certains messages, l’avancement de la tâche ou un résumé pour une utilisation ultérieure. Il peut également consigner des indicateurs de qualité à des fins d’examen. Enregistrer une conversation en vue d’une éventuelle amélioration future n’est pas la même chose que réentraîner le modèle pendant la conversation.
Exemple détaillé : modifier une adresse de livraison
Supposons que vous écriviez :
Vous : Où se trouve la commande 4821 ?
Chatbot : Elle a été préparée, mais n’a pas été expédiée.
Le chatbot a peut-être authentifié votre compte, extrait 4821, récupéré les données de la commande et transformé le statut vérifié en une réponse courte.
Vous écrivez ensuite :
Vous : Puis-je modifier son adresse de livraison ?
« Son » n’a de sens que grâce au tour précédent. L’application du chatbot fournit l’état pertinent : la commande actuelle est la 4821. Elle récupère également la règle selon laquelle une adresse ne peut être modifiée qu’avant l’expédition.
Le système connaît maintenant la commande et son statut, mais il ne dispose pas de la nouvelle adresse. Un chatbot bien conçu ne devine pas et ne prétend pas avoir réussi. Il demande l’information manquante :
Chatbot : Oui. La commande 4821 n’a pas été expédiée, son adresse peut donc encore être modifiée. Quelle adresse dois-je utiliser ?
Après que vous avez fourni l’adresse, l’application peut la valider et afficher une confirmation finale avant de soumettre la modification. Si la commande avait déjà été expédiée, elle pourrait expliquer la restriction ou transmettre la conversation au service d’assistance.
Cet échange semble être une conversation continue. Dans le logiciel, il s’agit d’une suite de tours distincts reliés par un état enregistré, des consultations de données, des règles métier et des chemins d’échec explicites.
Pourquoi les chatbots IA sont importants
Un chatbot transforme une interface rigide en interface linguistique flexible. Au lieu de chercher le bon menu, formulaire ou terme de recherche, vous pouvez décrire ce dont vous avez besoin avec vos propres mots. Les messages de suivi vous permettent d’affiner la demande sans recommencer depuis le début.
Cette flexibilité est utile pour l’assistance, la recherche d’informations, la collecte de demandes et les tâches guidées. Elle crée aussi des risques. Le langage généré peut sembler certain alors qu’il est erroné. Le chatbot peut mal comprendre le référent d’un pronom, récupérer le mauvais enregistrement ou tenter de traiter une demande qui dépasse son périmètre autorisé.
La qualité d’un chatbot dépend donc de bien plus que du modèle. Elle dépend des informations auxquelles il peut accéder, de la manière dont l’état est géré, des actions autorisées, de la façon dont l’incertitude est traitée et de l’existence d’une voie claire vers une personne.
Idées reçues courantes
« Le chatbot, c’est le LLM »
Un LLM peut produire du texte à partir d’une entrée. Un chatbot ajoute l’interface de conversation, les instructions, l’état, les connexions aux données, les autorisations, les vérifications et le comportement du produit. Modifier le modèle peut changer les performances du chatbot sans remplacer celui-ci dans son ensemble.
« Il se souvient de tout ce que j’ai dit »
Un chatbot ne se souvient que de ce que sa conception et sa politique de gestion des données conservent et réintroduisent. Il peut recevoir l’historique complet, un résumé abrégé, certains faits sélectionnés ou aucun contexte antérieur. Une nouvelle session peut se comporter différemment d’une session qui se poursuit.
« Il apprend de chaque conversation »
En général, non : il ne met pas à jour son modèle pendant votre conversation. Les opérateurs peuvent examiner les journaux, recueillir des évaluations, modifier les instructions, mettre à jour les sources ou entraîner un modèle ultérieur. Il s’agit de processus distincts.
« Une réponse naturelle est une réponse vérifiée »
La fluidité est une propriété de la formulation, pas une preuve de la véracité de l’affirmation. Un chatbot peut générer une déclaration plausible sans vérifier une source. Pour les réponses importantes ou propres à un compte, les éléments utiles comprennent les citations, les données vérifiées, les confirmations et des limites clairement indiquées.
« Tout chatbot IA est un agent IA »
Les termes se recoupent et les fournisseurs les utilisent différemment. Un chatbot se définit principalement par la conversation. On attend généralement d’un agent qu’il choisisse et exécute plusieurs étapes vers un objectif avec davantage d’autonomie. Un chatbot peut effectuer une action limitée sans devenir un agent autonome.
La place d’un chatbot dans un système d’IA plus vaste
Le modèle est le moteur linguistique. Le chatbot est le produit conversationnel qui l’entoure. Un harnais coordonne les instructions, l’état, les données, les appels au modèle et les actions autorisées. Un agent peut utiliser les mêmes composants tout en prenant davantage d’initiatives lors d’une tâche en plusieurs étapes.
Il s’agit de couches, et non de catégories de produits mutuellement exclusives. Un même produit peut proposer une interface de chatbot, utiliser un LLM comme modèle, s’appuyer sur un harnais pour coordonner chaque tour et exposer quelques actions semblables à celles d’un agent. La question utile n’est pas de savoir comment la page marketing le nomme. Demandez où se trouve l’état, à quelles données le système peut accéder, quelles actions il peut effectuer et quelles décisions nécessitent une confirmation.
Pour aller plus loin
Lisez Qu’est-ce qu’un LLM ? pour découvrir le modèle de langage utilisé par de nombreux chatbots actuels. Lisez Qu’est-ce qu’un harnais d’IA ? pour découvrir la couche logicielle qui gère le contexte, les outils et les contrôles autour de ce modèle. Consultez ensuite Modèle d’IA, chatbot, harnais et agent : quelles différences ? pour distinguer les couches que les descriptions de produits mélangent souvent.