Raisonner

"J'ai 3 boîtes contenant chacune 8 objets. J'en retire 5. Combien en reste-t-il ?" Vous avez fait 3 × 8 = 24, puis 24 − 5 = 19. Deux étapes, dans le bon ordre. Un modèle qui essaierait de sortir le résultat d'un seul coup, comme il sort "Paris" après "la capitale de la France est", se trompe assez souvent. Mais s'il écrit d'abord les étapes, il tombe bien plus souvent juste.

C'est toute l'idée derrière ce qu'on appelle le raisonnement des modèles. En produisant des étapes intermédiaires, le modèle se donne à lui-même un contexte où chaque opération devient plus simple à prédire que le résultat final. C'est le principe de la fameuse "chaîne de pensée", et c'est ce que les modèles dits de raisonnement font désormais nativement : ils génèrent une longue réflexion interne avant de rédiger leur réponse, et cette réflexion consomme des tokens, donc du temps et de l'argent.

Sur des problèmes plus lourds, le bénéfice grandit : décomposer, tester une piste, vérifier un résultat, appeler un outil pour calculer plutôt que d'estimer, revenir sur une étape ratée. Vous reconnaissez la boucle des agents, vue plus tôt dans la série.

Maintenant, prudence sur les mots. Dans un produit IA, dire qu'un système "raisonne" décrit un comportement observable : il arrive à résoudre une tâche qui demande plusieurs transformations successives. Ça ne dit rien de ce qui se passerait "dans sa tête", et ça ne prouve pas une pensée comparable à la nôtre. Le texte que le modèle écrit dans sa réflexion n'est d'ailleurs pas nécessairement une description fidèle des calculs qui l'ont mené là. C'est un point que les chercheurs eux-mêmes soulignent régulièrement.

Une chose à retenir pour concevoir des systèmes : dans une architecture agentique, le raisonnement n'est jamais entièrement dans le modèle. Il est réparti entre le modèle, le workflow qui l'encadre, les outils qu'il appelle, la mémoire, et les vérifications que vous programmez. Un système qui a l'air malin est souvent un modèle correct plus une bonne plomberie.

Ce qui mène à une question nettement plus difficile, et à laquelle personne n'a de réponse définitive : est-ce qu'une IA comprend vraiment ce qu'elle écrit ? On s'y attaque dans le prochain post.