Syracuse

Du LLM aux world models : quid du chatbot opérationnel ?, billet de vulgarisation de l'IA

02/02/2026

Dans cet article, nous nous questionnerons sur le futur de l’IA générative dans la sécurité civile, à l’heure de la multiplication des agents et des chatbots à usage opérationnel. Vous pourrez ainsi vous forger votre propre opinion et interagir en toute conscience avec l’IA dans un contexte opérationnel. Aristote dans l’Éthique à Nicomaque, ne nous rappelle-t-il pas que la délibération porte sur ce qui dépend de nous et dont l’issue n’est pas certaine ?

Nous avons précédemment traité de l’interface homme–machine et de la forme future que celle-ci prendra. L’IA interagira-t-elle avec le COS par le biais de la voix, via des écouteurs, analysera-t-elle la situation à travers nos yeux « augmentés » par des lunettes intelligentes ? Sera-t-elle capable de détecter le moment opportun pour interagir avec un commandant des opérations de secours proche de la saturation cognitive ?
 
Être COS, c’est commander dans l’incertitude et accepter de décider sans disposer de l’ensemble des paramètres. Mais pour autant, peut-on tolérer d’un COS qu’il prenne des décisions de manière aléatoire, c’est-à-dire en déterminant quel est l’ordre le plus probable à donner dans le contexte donné ?
 
Avec toutes ces interrogations, vous imaginez les marches (ou montagnes) d’innovations qu’il nous reste à gravir, et surtout les limites des technologies actuelles. En tant qu’auteur, je dois vous déclarer mes biais qui sont susceptible d’avoir influencer mon analyse…. Pour être tout à fait honnête avec vous, en intervention, j’ai déjà du mal à ne pas égarer mon stylo et mes feutres dans l’une de mes nombreuses poches, alors écrire un prompt performant à mon IA qui limitera les risques d’hallucination …. C’est une autre histoire. Si bien qu’il me paraît, à l’heure où j’écris cet article, encore trop tôt pour imaginer l’utilisation d’une IA interactive avec le COS dans une phase de montée en puissance de l’opération, où les actions réflexes et les décisions rapides et logiques doivent s’enchaîner.
 
Les interfaces homme–machine à disposition sur un marché en plein développement ne peuvent être utilisées que dans une phase réfléchie, stratégique et d’anticipation de l’opération.
 
J’en viens donc au sujet du jour : le chatbot opérationnel utilisant l’IA générative à destination du COS pour le conseiller, l’aiguiller, l’aider à décider. Mais pour répondre à cette question, nous devons nous entendre sur ce qu’est-ce que le raisonnement ?
 
En sciences cognitives et en IA, on parle de raisonnement quand un système peut :
- Manipuler des représentations abstraites ;
- Enchaîner des étapes intermédiaires non triviales ;
- Généraliser une explication de façon implicite.
Newell, A., & Simon, H. A. (1976). Computer Science as Empirical Inquiry.
Fodor, J. A., & Pylyshyn, Z. W. (1988). Connectionism and Cognitive Architecture.
Cognition.
 
Comme à notre habitude, dans le prochain paragraphe, nous allons nous donner à un peu de technique vulgarisée…
Il est donc entendu qu’un système ne raisonne que s’il peut généraliser combinatoirement et pas seulement interpoler, c’est-à-dire intercaler dans une série de valeurs ou de termes connus.
Or, nous l’avons déjà vu dans les précédents articles, notamment sur l’IA générative et plus précisément les LLM sont entraînés à maximiser la probabilité du prochain token (mot, groupe de mots, caractères…).
 
Pour rappel, les tokens sont issus des vecteurs continus, et les vecteurs continus constituent la forme exploitable par le réseau neuronal.
Exemple :
- Le mot « feu » n’est pas un symbole logique exploitable par la machine.
- Il est transformé en un vecteur, par exemple :
"feu" → (0.21, −0.87, 1.32, …)

Un mot proche sémantiquement (« incendie ») aura un vecteur proche dans l’espace (distance cosinus faible).
Les LLM excellent donc à interpoler entre des exemples similaires, mais échouent souvent à extrapoler structurellement et à généraliser combinatoirement. Ils sont sans mémoire de travail structurée et surtout sans règles logiques internes.
Si vous en êtes arrivé jusque-là, c’est que vous comprenez maintenant pourquoi utiliser l’IA générative en tant que vecteur de décision du COS en situation de saturation cognitive n’est pas une situation d’avenir.
 

Les world model

Il existe peut-être un avenir où l’IA sera capable de comprendre réellement le monde et sera à même d’être un conseiller averti. Ce monde, c’est celui de l’IA des « world models », en partie théorisés par Yann LeCun, l’un des pères de l’IA générative actuelle.

Un « world model » (modèle du monde) est une représentation interne structurée qui permet à un système de prédire, simuler et raisonner sur l’évolution d’un environnement, indépendamment du langage.
- Prédiction
anticiper l’état futur du monde
- Simulation interne
tester des scénarios sans agir réellement
- Planification
choisir une action en simulant ses conséquences
- Raisonnement causal
comprendre pourquoi quelque chose arrive
- Généralisation structurelle
transférer des règles à de nouvelles situations
 
Nous avons vu que l’IA générative est aléatoire parce qu’elle est conçue pour échantillonner du langage plausible, tandis qu’un world model est conçu pour prédire un état du monde. Là où le world model se distingue fondamentalement de l’IA générative, c’est dans sa capacité à relier action et conséquence. Un world model n’assistera pas le COS dans une décision en proposant une réponse plausible, il la confronte à une simulation interne du réel. Autrement dit, il n’indique pas ce qui pourrait être dit dans une situation donnée, mais ce qui pourrait arriver si une action donnée était engagée. Dans un contexte de sécurité civile, cette distinction est majeure : le COS ne cherche pas une formulation pertinente, mais une anticipation crédible des effets de ses ordres sur le terrain. Un autre élément déterminant réside dans la temporalité d’un monde fluctuant. Les décisions opérationnelles s’inscrivent dans une dynamique : un feu évolue, une météo change, des moyens arrivent ou s’épuisent. Le world model intègre nativement cette dimension temporelle en simulant des états successifs du monde, là où l’IA générative raisonne essentiellement dans un présent textuel. Cette capacité à projeter des trajectoires, et non des réponses instantanées, conditionne toute aide crédible à la conduite des opérations.
 

Et mon chatbot opérationnel dans tout ça ?

Dès lors, la question du chatbot opérationnel ne se pose plus seulement en termes d’interface ou d’ergonomie, mais en termes de responsabilité. Un système qui suggère une action sans être capable d’en simuler les conséquences engage implicitement celui qui la suit. À l’inverse, un world model permettrait de déplacer l’IA du registre du conseil vague vers celui de l’aide à la décision argumentée, fondée sur des hypothèses explicites et des scénarios comparables. Mais pour autant, cette limite ne disqualifie en rien l’usage des modèles de langage dans des contextes non opérationnels. Dans le champ de la formation, de l’entraînement et de la préparation des acteurs de la sécurité civile, les LLM peuvent au contraire constituer un outil pertinent. En tant qu’interface pédagogique, capable de reformuler des doctrines, de simuler des échanges décisionnels ou de confronter un apprenant à des raisonnements alternatifs, l’IA générative trouve sa place en amont et en aval de l’action. Elle ne décide pas, elle prépare ; elle n’ordonne pas, elle explique. Utilisée dans ce cadre, elle contribue non pas à remplacer le jugement du commandant des opérations de secours, mais à le renforcer.
 
 
Ltn Ernest Werenfrid
https://www.linkedin.com/in/ernest-werenfrid-6014b7158/