Pourquoi votre diplômé en droit (LLM) pense que « The Madison » se trouve dans le Wisconsin

Par Tyler Bell, vice-président senior chargé des produits

Voici un scénario familier : face à l'abondance de contenus télévisés disponibles, vous vous surprenez à demander à vos amis et à votre famille de vous recommander des séries pour vous éviter de passer des heures à faire défiler les titres. Heureusement, un ami qui sait que vous avez aimé « Yellowstone », « Landman » et « Mayor of Kingstown » vous recommande la dernière série de Taylor Sheridan, « The Madison ».

Impatient de commencer la série, vous demandez à votre télécommande à commande vocale de rechercher et de lancer le premier épisode. Mais au lieu de vous proposer cette série dramatique avec Michelle Pfeiffer, qui raconte l’histoire d’une famille quittant New York pour s’installer dans les contrées sauvages du Montana, on vous propose une émission de téléréalité mettant en scène un groupe de jeunes adultes vivant à Madison, dans le Wisconsin.

Cela peut paraître improbable, compte tenu du battage médiatique autour de Taylor Sheridan et de son empire de séries télévisées à succès. C'est pourtant exactement la réponse qu'un LLM non entraîné nous a donnée lorsque nous lui avons demandé des informations sur la dernière série de l'univers télévisuel de Sheridan.

Aussi surprenante que cette réponse puisse paraître, elle ne devrait pas l’être. En effet, les modèles de langage de grande envergure (LLM) présentent certaines limites fondamentales.

Si les LLM excellent dans le raisonnement et l’inférence, ils ne sont pas conçus pour exposer des faits. En tant que moteurs de prédiction, leur seule fonction consiste à prédire le token suivant. Et dans l’exemple ci-dessus, la limite de connaissances du LLM l’empêche de savoir quoi que ce soit de ce qui s’est passé après la fin de sa période d’entraînement, y compris la première de « The Madison » en mars 2026. 

Pour un modèle de langage de grande capacité (LLM), la précision des réponses dépend entièrement d’une plausibilité optimisée, et non de faits avérés. Les données et l’entraînement peuvent améliorer les résultats, mais il ne faut pas s’attendre à une certitude factuelle de la part d’une machine entraînée à répondre sur la base de probabilités. À l’instar des chatbots populaires tels que ChatGPT et Gemini, le LLM intégré à tout service de diffusion vidéo a besoin^{d’un ancrage¹} pour vérifier, corriger et améliorer les réponses qu’il fournit.

Contrairement à ces chatbots très populaires, les LLM utilisés pour la recherche et la découverte de contenus ont toutefois besoin d’un ancrage spécifique à un domaine. Un ancrage basé sur des données fiables issues du monde du divertissement, par exemple, empêcherait un LLM non ancré de fournir des informations sur une série télévisée de Starz intitulée « Heels », diffusée de 2021 à 2023, lorsqu’on lui poserait une question sur un long métrage de 2025 portant un titre très similaire : « Heel ».

À mesure que les catalogues de contenus s'étoffent, la difficulté à trouver du contenu devient bien réelle, les téléspectateurs affirmant qu'ils passent désormais 14 minutes à chercher quelque chose à^regarder². Les modèles de langage à grande échelle (LLM) ont la capacité de résoudre les difficultés liées à la découverte de contenus pour le public, mais ils ne peuvent pas y parvenir seuls.

Le « grounding » permet aux grands modèles de langage (LLM) de rester en phase avec leur époque

S'appuyant uniquement sur leurs données d'entraînement, les LLM ne constituent pas des bases de connaissances exhaustives. Cette caractéristique fondamentale explique en grande partie pourquoi les LLM ont besoin de données externes pour garantir que les réponses qu'ils fournissent sont à jour et exactes. Sans ancrage externe, par exemple, les limites de leurs connaissances les rendent incapables de prendre en compte tout contenu publié après leur déploiement — une limitation notable si l'on considère le nombre de nouvelles séries télévisées et de films qui sortent chaque année.

Même si cela peut frustrer le public, la meilleure réponse possible d’un LLM lorsqu’on l’interroge sur une nouvelle sortie pourrait être celle qui se contente de reconnaître les limites de ses données d’entraînement. Dans une récente étude de l’ Gracenote , un LLM non ancré, lancé en mai 2025, a justement agi ainsi, en indiquant qu’il ne disposait d’aucune information sur divers films grand public récents sortis en 2025 et 2026.

Le plus souvent, cependant, les LLM inventent ce qu’ils ne connaissent pas (c’est-à-dire qu’ils « hallucinent »), et ils le font avec assurance. Cela engendre des risques importants pour l’expérience utilisateur dans le monde du divertissement, en particulier dans un contexte de fragmentation croissante et de prépondérance des remakes portant le même nom que leurs prédécesseurs.

Afin de mieux comprendre l’impact des hallucinations sur la découverte de contenu, notre récente étude a évalué la quantité d’informations inventées par un LLM non ancré concernant les 100 meilleurs épisodes de séries télévisées et les 100 meilleurs films dans 13 pays. Sur l’ensemble des 2 600 titres, le LLM non ancré a inventé 100 % des informations au niveau des attributs pour 506 titres (près de 20 % du total).

Les modèles de langage de grande envergure (LLM) ne peuvent pas garantir la véracité des faits

Combinées, les limites infrastructurelles liées au volume limité des données d’entraînement, à la prédiction du token suivant et à l’absence de données de référence se traduisent par une expérience défavorable pour les téléspectateurs. En fin de compte, une expérience utilisateur positive dépend de la capacité des téléspectateurs à trouver ce qu’ils recherchent. Or, les modèles de langage de grande envergure (LLM) non ancrés dans la réalité ne sont pas à la hauteur de cette tâche, tout simplement parce qu’il leur est impossible de garantir l’exactitude factuelle.

Dans le domaine de l’ streaming , une IA « non ancrée » n’est pas une simple hypothèse théorique. Si un assistant invente un scénario, indique une distribution erronée ou confond des titres similaires, les spectateurs ne vont pas en tenir rigueur au modèle. Ils vont plutôt critiquer l’expérience proposée, ce qui rend l’ancrage essentiel à la confiance, à la fidélisation et à la monétisation.

C'est ce risque qui rend si urgente la résolution du problème de la découverte de contenus, et le plus grand défi auquel sont aujourd'hui confrontés les spectateurs est de trouver quelque chose à regarder. Les modèles de langage de grande envergure (LLM) joueront un rôle essentiel à cet égard, mais les stratégies d'IA efficaces ne reposeront pas sur des modèles plus volumineux. 

Au contraire, les entreprises médiatiques et les fournisseurs d’ streaming s les plus performants intégreront directement dans leur infrastructure d’IA une intelligence de contenu complète et actualisée, fournie par le biais d’ensembles de données sous licence, de serveurs MCP ou d’autres connexions à un graphe de connaissances faisant autorité.

Agents et mannequins : « Mais le chatbot s'en sort très bien… »

Voici une distinction d’une importance capitale dans le monde de l’IA : lorsque vous, en tant que consommateur, interagissez avec ChatGPT, Gemini ou Claude, vous n’utilisez pas le modèle pour lequel vous devriez obtenir une licence professionnelle auprès d’OpenAI, de Google ou d’Anthropic, respectivement. Vous interagissez en réalité avec un agent, c’est-à-dire une implémentation du modèle sous-jacent associée à un nombre important d’outils et de données complémentaires. 

Vous avez une question de maths ? Le modèle la transmet à un outil arithmétique. Vous souhaitez en savoir plus sur un événement récent, les résultats sportifs ou l'actualité ? Le modèle transmet cette requête à un outil dédié qui effectue une recherche sur Internet. Ces chatbots destinés au grand public s'appuient sur des dizaines, voire des centaines, d'outils et de sources de données spécifiques à chaque domaine et à chaque tâche pour offrir l'expérience client éclairée qu'ils proposent.

Lorsque vous intégrez un modèle de langage de grande envergure (LLM) dans votre infrastructure dédiée au divertissement, vous n’avez pas accès aux mêmes outils ni aux mêmes données que ceux utilisés par un chatbot grand public. Le LLM constitue une solution incomplète. Dans ce cas, vous devez vous procurer vos propres données et outils afin de :

• Limiter les réponses des modèles LLM afin de prévenir les hallucinations endémiques
• fournir des fonctionnalités complémentaires que le LLM ne peut pas assurer seul, et 
• Veillez à ce que le modèle ait accès à des informations à jour 

Des outils spécifiques, tels que les serveurs MCP, sont associés à des instructions comportementales (les invites du système) et à la logique métier au sein d'un agent. Vous devrez probablement mettre en œuvre un agent différent pour chaque tâche liée à l'IA dans votre pile de divertissement, mais tous utiliseront le même LLM et, en grande partie, les mêmes outils.

Cet article a été initialement publié sur Streaming Media.