En clair
Imaginez un collègue très cultivé qui rentre d’une longue expédition sans aucun contact avec le monde. Il sait tout ce qu’il savait le jour de son départ, et rien de ce qui s’est passé depuis. Un modèle d’IA est dans cette situation en permanence : ses connaissances ont été figées à une date précise, celle où l’on a cessé de rassembler ses données d’entraînement.
Le piège, c’est que le modèle ne ressent pas le temps qui passe. Interrogé sur le dernier produit d’un constructeur, le taux d’une taxe ou le dirigeant d’une entreprise, il peut donner avec assurance une réponse qui était juste à sa date de coupure et qui ne l’est plus. Il ne ment pas : il décrit le monde tel qu’il l’a vu pour la dernière fois.
La parade est simple : lui apporter l’information récente. Soit en la collant dans la demande, soit en lui donnant un outil de recherche sur le web ou dans vos documents. Le modèle raisonne alors sur des données fraîches, et sa date de coupure cesse d’être un problème pour cette question.
Un exemple
Un service juridique demande à un assistant le plafond applicable à une indemnité. Le modèle cite un montant précis, bien formulé, mais qui correspond au barème en vigueur à sa date de coupure. Le barème a été révisé depuis. Rien dans la réponse ne signale qu’elle est périmée.
L’équipe change de méthode : l’assistant est connecté à la base documentaire tenue à jour par les juristes et doit citer le texte sur lequel il s’appuie. La réponse repose désormais sur le barème en vigueur, et la source peut être vérifiée.
Comment ça marche
Un modèle est entraîné sur un corpus rassemblé jusqu’à une certaine date, puis ses poids sont figés. Rien de ce qui est publié ensuite n’y figure. Viennent ensuite les tests et la mise au point : le modèle est donc toujours publié après sa date de coupure, puis utilisé pendant des mois, souvent des années. L’écart entre ses connaissances et le jour où vous l’interrogez ne cesse de grandir.
La coupure n’est pas une frontière nette. Une étude de 2024 montre que la coupure effective, mesurée sur ce que le modèle sait réellement, diffère souvent de la date annoncée et varie selon les sources de données. Deux causes sont identifiées : les collectes récentes du web contiennent une part importante de pages anciennes, et le dédoublonnage des données est imparfait 1. Anthropic publie d’ailleurs deux dates par modèle : celle des données d’entraînement et celle jusqu’à laquelle les connaissances sont jugées fiables 2.
Deux techniques compensent la coupure. La génération augmentée par récupération (RAG) va chercher des passages pertinents dans une base documentaire et les place dans le contexte du modèle avant qu’il ne réponde 3. L’appel d’outils lui permet de lancer lui-même une recherche sur le web. Dans les deux cas, les poids ne changent pas : l’information récente passe par le contexte, pas par l’entraînement.
Ce que ça change pour une entreprise
Toute question dont la réponse change dans le temps est exposée : prix, réglementation, organigrammes, versions de logiciels, actualité d’un concurrent. Avant de déployer un assistant, il faut connaître la date de coupure du modèle, indiquée dans la documentation des fournisseurs 2, et repérer les usages qui exigent des données fraîches. Ceux-là doivent passer par une recherche documentaire ou web, avec citation des sources.
Cette connexion a un coût : il faut tenir une base documentaire à jour, payer les recherches et les tokens supplémentaires, et vérifier la qualité des sources remontées. Changer de modèle pour un plus récent repousse la coupure, mais ne la supprime jamais. Pensez aussi à indiquer la date du jour au modèle : il ne la connaît pas de lui-même.
Idées reçues
- « Un modèle récent connaît l’actualité. »
Même le modèle le plus récent a été figé avant sa sortie. Sans accès à une recherche, il ignore ce qui s’est passé depuis.
- « Le modèle signale quand il ne sait pas. »
Pas toujours. Il peut présenter une information périmée comme actuelle, ou inventer une suite plausible à ce qu’il connaît.
- « Le modèle se met à jour en continu. »
Ses poids ne changent pas après l’entraînement. Seule une nouvelle version, entraînée sur des données plus récentes, déplace la coupure.