{"id":37955,"date":"2026-02-16T10:43:50","date_gmt":"2026-02-16T09:43:50","guid":{"rendered":"https:\/\/miralia.ai\/?p=37955"},"modified":"2026-02-16T11:34:42","modified_gmt":"2026-02-16T10:34:42","slug":"ia-explicable-nlu-vs-llm","status":"publish","type":"post","link":"https:\/\/miralia.ai\/fr\/blog\/ia-explicable-nlu-vs-llm","title":{"rendered":"Pourquoi un LLM \/ SLM peut expliquer\u2026 sans \u00eatre explicable"},"content":{"rendered":"\n

Une des questions qui revient presque syst\u00e9matiquement lorsque je pr\u00e9sente Miralia<\/strong>, c\u2019est :<\/p>\n\n\n\n

\u00ab Quelle est la diff\u00e9rence entre votre IA et ChatGPT (ou les autres LLM) ? \u00bb<\/em><\/p>\n\n\n\n

La r\u00e9ponse courte tient g\u00e9n\u00e9ralement en quelques mots.<\/p>\n\n\n\n

Les LLM<\/strong> sont remarquables pour g\u00e9n\u00e9rer du texte : ils produisent des r\u00e9ponses fluides, coh\u00e9rentes, parfois impressionnantes. Leur fonctionnement repose toutefois sur des m\u00e9canismes probabilistes : ils estiment, \u00e0 partir d\u2019un contexte donn\u00e9, quelle est la suite la plus vraisemblable d\u2019un point de vue statistique<\/strong>.<\/p>\n\n\n\n

Chez Miralia, l\u2019approche est diff\u00e9rente. Notre IA est construite sur des m\u00e9canismes de NLU<\/strong> : elle est con\u00e7ue non pas pour produire du texte, mais pour comprendre<\/strong> des messages, qualifier des situations et prendre des d\u00e9cisions de mani\u00e8re structur\u00e9e. Et surtout, cette compr\u00e9hension est explicable<\/strong>.<\/p>\n\n\n\n

\u00c0 ce stade, la question suivante arrive presque toujours :<\/p>\n\n\n\n

\u00ab Mais ChatGPT peut aussi expliquer ce qu\u2019il fait, non ? Il suffit de lui demander pourquoi. \u00bb<\/em><\/p>\n\n\n\n

La r\u00e9ponse est : oui\u2026 mais non<\/strong>.<\/p>\n\n\n\n

Et c\u2019est pr\u00e9cis\u00e9ment cette nuance, souvent mal comprise (y compris par des profils techniques), qui m\u2019a donn\u00e9 envie d\u2019\u00e9crire cet article. Car derri\u00e8re cette apparente similitude se cachent en r\u00e9alit\u00e9 deux types de syst\u00e8mes fondamentalement diff\u00e9rents<\/strong>, avec des implications majeures d\u00e8s lors que l\u2019IA sort du simple assistant conversationnel pour entrer dans des contextes m\u00e9tiers, op\u00e9rationnels et r\u00e9glement\u00e9s. Avant d\u2019entrer dans des cas concrets, faisons un d\u00e9tour par la th\u00e9orie.<\/p>\n\n\n\n

Pour comprendre pourquoi la question de l\u2019explicabilit\u00e9 est souvent mal pos\u00e9e lorsqu\u2019on parle de LLM, il faut d\u2019abord comprendre ce qu\u2019est r\u00e9ellement un LLM<\/strong>, et surtout ce qu\u2019il optimise<\/strong>.<\/p>\n\n\n\n

Qu\u2019est-ce qu\u2019un LLM, concr\u00e8tement ?<\/h2>\n\n\n\n

Un Large Language Model<\/strong> est un mod\u00e8le statistique entra\u00een\u00e9 sur de tr\u00e8s grands volumes de texte, dont l\u2019objectif fondamental est simple :<\/p>\n\n\n\n

\n

pr\u00e9dire la suite la plus probable d\u2019une s\u00e9quence de symboles, \u00e9tant donn\u00e9 un contexte.<\/p>\n<\/blockquote>\n\n\n\n

Ce point est essentiel, un LLM n\u2019est pas con\u00e7u pour comprendre, raisonner ou d\u00e9cider, il est con\u00e7u pour estimer une probabilit\u00e9<\/strong>.<\/p>\n\n\n\n

\"IA<\/figure>\n\n\n\n

Du texte aux tokens<\/h3>\n\n\n\n

La premi\u00e8re \u00e9tape du traitement consiste \u00e0 transformer le texte brut en tokens<\/strong>. Ces tokens ne correspondent pas n\u00e9cessairement \u00e0 des mots. Il s\u2019agit le plus souvent de fragments de mots (subwords<\/em>), d\u00e9finis par un tokenizer afin de couvrir efficacement un vocabulaire tr\u00e8s large.<\/p>\n\n\n\n

\u00c0 ce stade :<\/p>\n\n\n\n

    \n
  • le mod\u00e8le ne manipule pas de phrases,<\/li>\n\n\n\n
  • pas de concepts,<\/li>\n\n\n\n
  • pas d\u2019intentions,<\/li>\n\n\n\n
  • pas de r\u00e8gles.<\/li>\n<\/ul>\n\n\n\n

    Il manipule une suite discr\u00e8te de symboles<\/strong>, sans signification intrins\u00e8que.<\/p>\n\n\n\n

    Tokens et absence de s\u00e9mantique explicite<\/h3>\n\n\n\n

    Il est important de souligner que la tokenisation ne porte aucune s\u00e9mantique m\u00e9tier ou conceptuelle<\/strong>. Un token n\u2019est ni un mot, ni une id\u00e9e, ni une intention. C\u2019est une unit\u00e9 de calcul.<\/p>\n\n\n\n

    La s\u00e9mantique n\u2019est pas encod\u00e9e explicitement dans les tokens, mais \u00e9merge indirectement<\/strong> de leur usage statistique dans les donn\u00e9es d\u2019entra\u00eenement.<\/p>\n\n\n\n

    Tokens \u2192 embeddings \u2192 espace latent<\/h3>\n\n\n\n

    Chaque token est ensuite projet\u00e9 dans un vecteur num\u00e9rique<\/strong> appel\u00e9 embedding<\/em>. Ces embeddings vivent dans un espace latent de grande dimension, construit pendant l\u2019entra\u00eenement du mod\u00e8le. Dans cet espace :<\/p>\n\n\n\n

      \n
    • des contextes statistiquement proches sont repr\u00e9sent\u00e9s par des vecteurs proches,<\/li>\n\n\n\n
    • des contextes \u00e9loign\u00e9s par des vecteurs \u00e9loign\u00e9s.<\/li>\n<\/ul>\n\n\n\n

      La \u201ccompr\u00e9hension\u201d d\u2019un LLM repose donc enti\u00e8rement sur :<\/p>\n\n\n\n

        \n
      • des relations de proximit\u00e9 math\u00e9matique<\/strong>,<\/li>\n\n\n\n
      • pas sur des cat\u00e9gories explicites,<\/li>\n\n\n\n
      • ni sur des r\u00e8gles formalis\u00e9es.<\/li>\n<\/ul>\n\n\n\n

        Le c\u0153ur du mod\u00e8le : la pr\u00e9diction<\/h3>\n\n\n\n

        Une fois les embeddings calcul\u00e9s et agr\u00e9g\u00e9s, le mod\u00e8le produit une seule chose, une distribution de probabilit\u00e9 sur le prochain token. \u00c0 chaque \u00e9tape, le LLM r\u00e9pond \u00e0 la question :<\/p>\n\n\n\n

        \n

        \u201cSachant le contexte pr\u00e9c\u00e9dent, quel token est le plus probable ensuite ?\u201d<\/p>\n<\/blockquote>\n\n\n\n

        M\u00eame lorsqu\u2019on lui demande :<\/p>\n\n\n\n

          \n
        • de produire un r\u00e9sum\u00e9,<\/li>\n\n\n\n
        • de r\u00e9pondre \u00e0 une question,<\/li>\n\n\n\n
        • de renvoyer une structure JSON,<\/li>\n\n\n\n
        • de \u201cclasser\u201d ou \u201c\u00e9valuer\u201d un texte,<\/li>\n<\/ul>\n\n\n\n

          le m\u00e9canisme sous-jacent reste strictement le m\u00eame<\/strong> : la g\u00e9n\u00e9ration probabiliste de symboles.<\/p>\n\n\n\n

          \"IA<\/figure>\n\n\n\n

          Pourquoi cela n\u2019est pas une d\u00e9cision<\/h3>\n\n\n\n

          Dans un LLM, il n\u2019existe pas de notion explicite de :<\/p>\n\n\n\n

            \n
          • crit\u00e8re,<\/li>\n\n\n\n
          • seuil,<\/li>\n\n\n\n
          • r\u00e8gle,<\/li>\n\n\n\n
          • chemin de d\u00e9cision.<\/li>\n<\/ul>\n\n\n\n

            La sortie produite peut ressembler<\/strong> \u00e0 une d\u00e9cision, mais elle n\u2019est que le r\u00e9sultat d\u2019un calcul probabiliste continu. Il n\u2019y a pas de point pr\u00e9cis dans le calcul o\u00f9 l\u2019on pourrait dire :<\/p>\n\n\n\n

            \n

            \u201cCette condition a \u00e9t\u00e9 d\u00e9clench\u00e9e.\u201d<\/p>\n<\/blockquote>\n\n\n\n

            Cons\u00e9quence directe sur l\u2019explicabilit\u00e9<\/h3>\n\n\n\n

            Puisqu\u2019un LLM ne produit pas de d\u00e9cision formelle, il ne peut pas fournir d\u2019explication formelle. Lorsqu\u2019on lui demande :<\/p>\n\n\n\n

            \n

            \u201cPourquoi as-tu r\u00e9pondu cela ?\u201d<\/p>\n<\/blockquote>\n\n\n\n

            il ne fait qu\u2019appliquer exactement le m\u00eame m\u00e9canisme<\/strong> :<\/p>\n\n\n\n

              \n
            • transformer la question en tokens,<\/li>\n\n\n\n
            • pr\u00e9dire une suite de tokens plausible,<\/li>\n\n\n\n
            • produire un discours explicatif coh\u00e9rent.<\/li>\n<\/ul>\n\n\n\n

              Cette explication est linguistiquement convaincante mais d\u00e9corr\u00e9l\u00e9e du chemin de calcul r\u00e9el<\/strong>.<\/p>\n\n\n\n

              Elle ne constitue pas une justification causale, mais une reconstruction a posteriori<\/strong>. Ce point est central pour la suite. Cette propri\u00e9t\u00e9 n\u2019est ni un d\u00e9faut, ni une faiblesse accidentelle, c\u2019est la mani\u00e8re dont est con\u00e7u le LLM.<\/p>\n\n\n\n

              Pour comprendre pourquoi une approche fond\u00e9e sur le NLU<\/strong> permet l\u2019explicabilit\u00e9, il faut changer de cadre mental. On ne parle plus de g\u00e9n\u00e9ration probabiliste, mais de repr\u00e9sentation explicite du sens<\/strong> et de raisonnement structur\u00e9<\/strong>.<\/p>\n\n\n\n

              Qu\u2019est-ce qu\u2019un syst\u00e8me NLU, concr\u00e8tement ?<\/h2>\n\n\n\n

              Un syst\u00e8me de Natural Language Understanding<\/strong> n\u2019a pas pour objectif de produire du texte, son objectif est de transformer un message en une repr\u00e9sentation structur\u00e9e, interpr\u00e9table et exploitable<\/strong> par un syst\u00e8me.<\/p>\n\n\n\n

              Autrement dit, un NLU ne cherche pas \u00e0 pr\u00e9dire une suite de symboles, il cherche \u00e0 qualifier une situation<\/strong>. Cette diff\u00e9rence d\u2019objectif entra\u00eene une diff\u00e9rence radicale d\u2019architecture.<\/p>\n\n\n\n

              \"IA<\/figure>\n\n\n\n

              Du texte \u00e0 une repr\u00e9sentation linguistique explicite<\/h3>\n\n\n\n

              La premi\u00e8re \u00e9tape d\u2019un syst\u00e8me NLU consiste \u00e0 analyser le texte pour en extraire des unit\u00e9s linguistiques interpr\u00e9tables<\/strong>. Contrairement \u00e0 la tokenisation subword des LLM, ces unit\u00e9s ont une signification fonctionnelle<\/strong> :<\/p>\n\n\n\n

                \n
              • segments,<\/li>\n\n\n\n
              • expressions,<\/li>\n\n\n\n
              • patterns,<\/li>\n\n\n\n
              • structures syntaxiques ou s\u00e9mantiques.<\/li>\n<\/ul>\n\n\n\n

                L\u2019objectif n\u2019est pas de couvrir un vocabulaire arbitrairement large, mais de rep\u00e9rer des \u00e9l\u00e9ments porteurs de sens<\/strong>.<\/p>\n\n\n\n

                Intention, entit\u00e9s, signaux : des objets nomm\u00e9s<\/h3>\n\n\n\n

                Un syst\u00e8me NLU repose sur des concepts explicites, g\u00e9n\u00e9ralement de trois types :<\/p>\n\n\n\n

                  \n
                • Intentions<\/strong> : ce que le message cherche \u00e0 faire<\/li>\n\n\n\n
                • Entit\u00e9s<\/strong> : des \u00e9l\u00e9ments identifiables et typ\u00e9s<\/li>\n\n\n\n
                • Signaux<\/strong> : des indices linguistiques ou s\u00e9mantiques pertinents<\/li>\n<\/ul>\n\n\n\n

                  Ces objets ont plusieurs propri\u00e9t\u00e9s cl\u00e9s :<\/p>\n\n\n\n

                    \n
                  • ils sont nomm\u00e9s<\/strong>,<\/li>\n\n\n\n
                  • ils sont document\u00e9s<\/strong>,<\/li>\n\n\n\n
                  • ils sont observables<\/strong> dans le pipeline de traitement.<\/li>\n<\/ul>\n\n\n\n

                    Ils constituent une repr\u00e9sentation interm\u00e9diaire stable<\/strong>, ce qui est pr\u00e9cis\u00e9ment ce qui manque dans un LLM.<\/p>\n\n\n\n

                    Une repr\u00e9sentation structur\u00e9e, pas un espace latent<\/h3>\n\n\n\n

                    L\u00e0 o\u00f9 un LLM projette le texte dans un espace latent non interpr\u00e9table, un NLU construit une repr\u00e9sentation symbolique ou semi-symbolique<\/strong>. Cette repr\u00e9sentation peut prendre la forme de :<\/p>\n\n\n\n

                      \n
                    • variables bool\u00e9ennes,<\/li>\n\n\n\n
                    • cat\u00e9gories,<\/li>\n\n\n\n
                    • scores explicites,<\/li>\n\n\n\n
                    • listes d\u2019\u00e9l\u00e9ments d\u00e9tect\u00e9s.<\/li>\n<\/ul>\n\n\n\n

                      Point essentiel, chaque \u00e9l\u00e9ment de cette repr\u00e9sentation a un r\u00f4le fonctionnel clair. Il ne s\u2019agit pas de proximit\u00e9 statistique, mais de qualification explicite<\/strong>.<\/p>\n\n\n\n

                      Du sens \u00e0 la d\u00e9cision : r\u00e8gles, logique, d\u00e9terminisme<\/h3>\n\n\n\n

                      Une fois la repr\u00e9sentation linguistique construite, le NLU passe \u00e0 une seconde phase, distincte : l\u2019application d\u2019une logique de d\u00e9cision explicite.<\/p>\n\n\n\n

                      Cette logique peut reposer sur :<\/p>\n\n\n\n

                        \n
                      • des r\u00e8gles,<\/li>\n\n\n\n
                      • des priorit\u00e9s,<\/li>\n\n\n\n
                      • des pond\u00e9rations,<\/li>\n\n\n\n
                      • des seuils,<\/li>\n\n\n\n
                      • des combinaisons conditionnelles.<\/li>\n<\/ul>\n\n\n\n

                        Le point cl\u00e9 est que cette logique est :<\/p>\n\n\n\n

                          \n
                        • s\u00e9par\u00e9e de l\u2019analyse linguistique,<\/li>\n\n\n\n
                        • lisible,<\/li>\n\n\n\n
                        • modifiable,<\/li>\n\n\n\n
                        • versionnable.<\/li>\n<\/ul>\n\n\n\n

                          Le syst\u00e8me ne \u201cdevine\u201d pas une sortie. Il applique une logique d\u00e9finie<\/strong> \u00e0 une repr\u00e9sentation explicite.<\/p>\n\n\n\n

                          Le c\u0153ur du NLU : un chemin de calcul observable<\/h3>\n\n\n\n

                          Dans un NLU, il existe un chemin de calcul clair<\/strong> :<\/p>\n\n\n\n

                            \n
                          1. le texte est analys\u00e9,<\/li>\n\n\n\n
                          2. des \u00e9l\u00e9ments sont identifi\u00e9s,<\/li>\n\n\n\n
                          3. des r\u00e8gles sont \u00e9valu\u00e9es,<\/li>\n\n\n\n
                          4. une d\u00e9cision est produite.<\/li>\n<\/ol>\n\n\n\n

                            Chaque \u00e9tape est identifiable, observable et rejouable.<\/p>\n\n\n\n

                            On peut r\u00e9pondre pr\u00e9cis\u00e9ment \u00e0 la question : \u201cQu\u2019est-ce qui a conduit \u00e0 cette d\u00e9cision ?\u201d<\/p>\n\n\n\n

                            Pourquoi cela rend l\u2019explicabilit\u00e9 possible<\/h3>\n\n\n\n

                            L\u2019explicabilit\u00e9 n\u2019est pas ajout\u00e9e apr\u00e8s coup. Elle est une propri\u00e9t\u00e9 \u00e9mergente du syst\u00e8me<\/strong>.<\/p>\n\n\n\n

                            Puisque :<\/p>\n\n\n\n

                              \n
                            • les \u00e9l\u00e9ments pris en compte sont nomm\u00e9s,<\/li>\n\n\n\n
                            • les r\u00e8gles appliqu\u00e9es sont connues,<\/li>\n\n\n\n
                            • les seuils sont explicites,<\/li>\n<\/ul>\n\n\n\n

                              l\u2019explication consiste simplement \u00e0 d\u00e9crire ce qui s\u2019est r\u00e9ellement pass\u00e9, i<\/strong>l n\u2019y a pas de reconstruction narrative, il n\u2019y a pas de g\u00e9n\u00e9ration d\u2019un discours explicatif ind\u00e9pendant.<\/p>\n\n\n\n

                              Diff\u00e9rence fondamentale entre LLM et NLU<\/h3>\n\n\n\n
                              Dimension<\/td>LLM (Large Language Model)<\/td>NLU (Natural Language Understanding)<\/td><\/tr>
                              Repr\u00e9sentation interm\u00e9diaire<\/td>Diffuse, dans un espace latent<\/td>Structur\u00e9e, compos\u00e9e d\u2019objets explicites<\/td><\/tr>
                              Nature du raisonnement<\/td>Distribu\u00e9 sur des millions de param\u00e8tres<\/td>Explicite, fond\u00e9 sur des r\u00e8gles et des signaux identifiables<\/td><\/tr>
                              Chemin de calcul<\/td>Non localisable pour un cas individuel<\/td>Observable et tra\u00e7able \u00e9tape par \u00e9tape<\/td><\/tr>
                              Prise de d\u00e9cision<\/td>Implicite, issue d\u2019une g\u00e9n\u00e9ration probabiliste<\/td>Formelle, issue d\u2019une logique d\u00e9terministe<\/td><\/tr>
                              Explicabilit\u00e9<\/td>Reconstruction a posteriori<\/td>Native, int\u00e9gr\u00e9e au raisonnement<\/td><\/tr>
                              Reproductibilit\u00e9<\/td>Non garantie \u00e0 l\u2019identique<\/td>Garantie \u00e0 entr\u00e9e identique<\/td><\/tr>
                              Auditabilit\u00e9<\/td>Tr\u00e8s limit\u00e9e<\/td>Nativement possible<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

                              Une cons\u00e9quence directe sur l\u2019explication<\/h2>\n\n\n\n

                              Lorsqu\u2019un syst\u00e8me NLU explique une d\u00e9cision, il ne \u201cparle pas de lui-m\u00eame\u201d, il expose son raisonnement r\u00e9el<\/strong>. C\u2019est ce qui rend possible :<\/p>\n\n\n\n

                                \n
                              • l\u2019audit,<\/li>\n\n\n\n
                              • la contestation,<\/li>\n\n\n\n
                              • la reproductibilit\u00e9,<\/li>\n\n\n\n
                              • la conformit\u00e9 r\u00e9glementaire.<\/li>\n<\/ul>\n\n\n\n

                                Et c\u2019est pr\u00e9cis\u00e9ment ce point qui rend la comparaison directe entre NLU et LLM si trompeuse.<\/p>\n\n\n\n

                                Comparaison sur un cas simple : une phrase de d\u00e9claration de sinistre<\/h2>\n\n\n\n

                                Maintenant que les bases th\u00e9oriques sont pos\u00e9es, il est temps de quitter le terrain des concepts pour regarder ce que cela implique concr\u00e8tement<\/strong>. Car ces diff\u00e9rences de repr\u00e9sentation et de calcul ne sont pas abstraites : elles produisent des effets tr\u00e8s r\u00e9els d\u00e8s que l\u2019IA est confront\u00e9e \u00e0 une situation op\u00e9rationnelle. Voyons donc, sur un cas concret<\/strong>, ce que ces deux approches impliquent r\u00e9ellement lorsqu\u2019il s\u2019agit de comprendre, d\u00e9cider\u2026 et expliquer. Prenons une phrase volontairement simple, telle qu\u2019on peut en trouver dans un email :<\/p>\n\n\n\n

                                \n

                                \u00ab J\u2019ai eu un d\u00e9g\u00e2t des eaux hier soir, l\u2019eau venait de l\u2019appartement du dessus et a ab\u00eem\u00e9 mon plafond. \u00bb<\/p>\n<\/blockquote>\n\n\n\n

                                L\u2019objectif du syst\u00e8me n\u2019est pas de r\u00e9pondre avec du texte, mais de comprendre la situation<\/strong> afin de d\u00e9clencher le bon traitement :<\/p>\n\n\n\n

                                  \n
                                • qualifier le type de sinistre,<\/li>\n\n\n\n
                                • identifier des \u00e9l\u00e9ments importants,<\/li>\n\n\n\n
                                • d\u00e9cider de la suite du processus.<\/li>\n<\/ul>\n\n\n\n

                                  Voyons maintenant comment cette phrase est trait\u00e9e selon l\u2019architecture utilis\u00e9e.<\/p>\n\n\n\n

                                  Comment cette phrase est trait\u00e9e par un LLM<\/h2>\n\n\n\n

                                  1. Entr\u00e9e et transformation interne<\/h3>\n\n\n\n

                                  La phrase est d\u2019abord transform\u00e9e en tokens<\/strong>, puis projet\u00e9e dans un espace latent via des embeddings. \u00c0 ce stade, le syst\u00e8me ne manipule ni \u201csinistre\u201d, ni \u201cd\u00e9g\u00e2t des eaux\u201d, ni \u201cresponsabilit\u00e9 d\u2019un tiers\u201d comme concepts explicites. Il manipule une repr\u00e9sentation vectorielle globale<\/strong> du texte.<\/p>\n\n\n\n

                                  2. G\u00e9n\u00e9ration d\u2019une sortie<\/h3>\n\n\n\n

                                  Si on demande au LLM de qualifier la situation, il peut produire une sortie structur\u00e9e, par exemple :<\/p>\n\n\n\n

                                  \"IA<\/figure>\n\n\n\n

                                  Cette sortie est plausible<\/strong>, souvent correcte, et peut m\u00eame \u00eatre tr\u00e8s fiable en pratique.<\/p>\n\n\n\n

                                  3. O\u00f9 se situe la d\u00e9cision ?<\/h3>\n\n\n\n

                                  La \u201cd\u00e9cision\u201d ici n\u2019est pas le r\u00e9sultat d\u2019un raisonnement formel. Elle est le r\u00e9sultat d\u2019une g\u00e9n\u00e9ration probabiliste contrainte<\/strong> : parmi toutes les sorties possibles, celle-ci est statistiquement la plus coh\u00e9rente avec le contexte.<\/p>\n\n\n\n

                                  4. Et l\u2019explication ?<\/h3>\n\n\n\n

                                  Si l\u2019on demande ensuite :<\/p>\n\n\n\n

                                  \n

                                  \u00ab Pourquoi as-tu identifi\u00e9 un d\u00e9g\u00e2t des eaux provenant d\u2019un tiers ? \u00bb<\/p>\n<\/blockquote>\n\n\n\n

                                  Le LLM peut r\u00e9pondre :<\/p>\n\n\n\n

                                  \n

                                  \u00ab Parce que le message mentionne un d\u00e9g\u00e2t des eaux et pr\u00e9cise que l\u2019eau provenait de l\u2019appartement du dessus, ce qui indique une origine externe. \u00bb<\/p>\n<\/blockquote>\n\n\n\n

                                  Cette explication est compr\u00e9hensible, convaincante et, il est vrai, bien formul\u00e9e. Mais elle est g\u00e9n\u00e9r\u00e9e apr\u00e8s coup<\/strong>, sans lien formel avec le chemin de calcul r\u00e9el. Elle ne permet pas de dire quels \u00e9l\u00e9ments pr\u00e9cis ont \u00e9t\u00e9 d\u00e9terminants<\/strong>, ni comment ils ont \u00e9t\u00e9 pond\u00e9r\u00e9s.<\/p>\n\n\n\n

                                  Comment cette phrase est trait\u00e9e par un NLU<\/h2>\n\n\n\n

                                  1. Analyse et extraction explicite<\/h3>\n\n\n\n

                                  Le syst\u00e8me NLU commence par transformer la phrase en une repr\u00e9sentation structur\u00e9e<\/strong>.<\/p>\n\n\n\n

                                  Il identifie explicitement des \u00e9l\u00e9ments comme :<\/p>\n\n\n\n

                                  \"\"<\/figure>\n\n\n\n

                                  Ces \u00e9l\u00e9ments ne sont pas implicites, ils sont nomm\u00e9s<\/strong>, tra\u00e7ables<\/strong> et observables<\/strong> dans le pipeline.<\/p>\n\n\n\n

                                  2. Qualification de la situation<\/h3>\n\n\n\n

                                  \u00c0 partir de cette repr\u00e9sentation, le NLU applique une logique explicite :<\/p>\n\n\n\n

                                    \n
                                  • Si<\/em> water_damage = true<\/code> \u2192 cat\u00e9gorie \u201cD\u00e9g\u00e2t des eaux\u201d<\/li>\n\n\n\n
                                  • Si<\/em> third_party_origin = true<\/code> \u2192 origine externe<\/li>\n\n\n\n
                                  • Si<\/em> material_damage = true<\/code> \u2192 ouverture de dossier possible<\/li>\n<\/ul>\n\n\n\n

                                    3. D\u00e9cision formelle<\/h3>\n\n\n\n

                                    La d\u00e9cision finale peut alors \u00eatre exprim\u00e9e ainsi :<\/p>\n\n\n\n

                                    \"\"<\/figure>\n\n\n\n

                                    4. O\u00f9 se situe l\u2019explication ?<\/h3>\n\n\n\n

                                    Ici, l\u2019explication n\u2019est pas produite apr\u00e8s la d\u00e9cision. Elle est la d\u00e9cision<\/strong>. On peut dire pr\u00e9cis\u00e9ment :<\/p>\n\n\n\n

                                      \n
                                    • quels signaux ont \u00e9t\u00e9 d\u00e9tect\u00e9s,<\/li>\n\n\n\n
                                    • quelles r\u00e8gles ont \u00e9t\u00e9 activ\u00e9es,<\/li>\n\n\n\n
                                    • pourquoi cette action a \u00e9t\u00e9 d\u00e9clench\u00e9e.<\/li>\n<\/ul>\n\n\n\n

                                      Et surtout, cette explication est stable dans le temps<\/strong>, rejouable<\/strong> et ind\u00e9pendante de la mani\u00e8re dont on la formule.<\/p>\n\n\n\n

                                      Ce que cette comparaison met en \u00e9vidence<\/h2>\n\n\n\n

                                      Sur une phrase simple, les deux approches peuvent produire un r\u00e9sultat similaire, la diff\u00e9rence n\u2019est donc pas imm\u00e9diatement visible dans la sortie, elle est visible dans ce qu\u2019il est possible de d\u00e9montrer ensuite<\/strong>.<\/p>\n\n\n\n

                                        \n
                                      • Le LLM fournit une interpr\u00e9tation plausible<\/strong>.<\/li>\n\n\n\n
                                      • Le NLU fournit une qualification formelle<\/strong>.<\/li>\n<\/ul>\n\n\n\n

                                        Cette distinction devient d\u00e9cisive d\u00e8s que :<\/p>\n\n\n\n

                                          \n
                                        • la d\u00e9cision a un impact r\u00e9el,<\/li>\n\n\n\n
                                        • elle doit \u00eatre expliqu\u00e9e,<\/li>\n\n\n\n
                                        • elle peut \u00eatre contest\u00e9e,<\/li>\n\n\n\n
                                        • elle doit \u00eatre audit\u00e9e.<\/li>\n<\/ul>\n\n\n\n

                                          C\u2019est pr\u00e9cis\u00e9ment l\u00e0 que la question de l\u2019explicabilit\u00e9 cesse d\u2019\u00eatre th\u00e9orique.<\/p>\n\n\n\n

                                          Conclusion – une diff\u00e9rence subtile, aux cons\u00e9quences majeures<\/h2>\n\n\n\n

                                          Sur des exemples simples, la diff\u00e9rence entre un LLM et un NLU peut sembler subtile<\/strong>. Les deux approches peuvent produire des r\u00e9sultats similaires, parfois m\u00eame indiscernables \u00e0 premi\u00e8re vue, mais cette proximit\u00e9 est trompeuse.<\/p>\n\n\n\n

                                          D\u00e8s que l\u2019on passe \u00e0 des cas plus complexes, des situations ambig\u00fces, des parcours non lin\u00e9aires, des d\u00e9cisions qui d\u00e9clenchent des actions concr\u00e8tes, la diff\u00e9rence devient majeure<\/strong>.<\/p>\n\n\n\n

                                          Lorsqu\u2019une IA :<\/p>\n\n\n\n

                                            \n
                                          • retarde une indemnisation,<\/li>\n\n\n\n
                                          • d\u00e9clenche un contr\u00f4le,<\/li>\n\n\n\n
                                          • refuse un dossier,<\/li>\n\n\n\n
                                          • priorise une demande plut\u00f4t qu\u2019une autre,<\/li>\n<\/ul>\n\n\n\n

                                            elle ne produit plus simplement une r\u00e9ponse, elle agit<\/strong>.<\/p>\n\n\n\n

                                            Dans ces contextes, la capacit\u00e9 \u00e0 expliquer une d\u00e9cision<\/strong> n\u2019est pas un confort, c\u2019est une exigence fondamentale. S\u2019appuyer sur des d\u00e9cisions issues de m\u00e9canismes purement probabilistes, sans chemin de raisonnement formel, revient \u00e0 accepter une part d\u2019arbitraire, une opacit\u00e9 structurelle, une responsabilit\u00e9 dilu\u00e9e.<\/p>\n\n\n\n

                                            Or, lorsqu\u2019il y a un impact humain, financier ou juridique, ce choix n\u2019est pas neutre, c\u2019est pr\u00e9cis\u00e9ment pour cette raison que le cadre r\u00e9glementaire \u00e9volue. Avec l\u2019AI Act<\/strong>, l\u2019Europe affirme un principe clair :<\/p>\n\n\n\n

                                            Les syst\u00e8mes d\u2019IA qui influencent des d\u00e9cisions sensibles doivent \u00eatre compr\u00e9hensibles, tra\u00e7ables et justifiables<\/strong>.<\/p>\n\n\n\n

                                            Autrement dit, ne pas laisser des d\u00e9cisions critiques reposer uniquement sur des probabilit\u00e9s n\u2019est plus seulement une bonne pratique, c\u2019est un devoir et<\/strong> de plus en plus, une obligation<\/strong>.<\/p>\n\n\n\n

                                            C\u2019est \u00e0 l\u2019aune de cette responsabilit\u00e9, technique, \u00e9thique et r\u00e9glementaire, que les choix d\u2019architecture prennent tout leur sens.<\/p>\n\n\n\n

                                            Et les SLM, alors ?<\/h2>\n\n\n\n
                                            \"\"<\/figure>\n\n\n\n

                                            \u00c0 ce stade, une autre objection appara\u00eet souvent, surtout chez des interlocuteurs plus techniques :<\/p>\n\n\n\n

                                            \n

                                            \u00ab D\u2019accord pour les LLM. Mais qu\u2019en est-il des SLM ? Ils sont plus petits, plus sp\u00e9cialis\u00e9s, plus frugaux. Est-ce que cela ne les rend pas, de facto, plus explicables ? \u00bb<\/p>\n<\/blockquote>\n\n\n\n

                                            La question est l\u00e9gitime. Et la r\u00e9ponse m\u00e9rite la m\u00eame pr\u00e9cision que pr\u00e9c\u00e9demment : oui\u2026 mais non.<\/strong><\/p>\n\n\n\n

                                            Pour comprendre pourquoi, il faut repartir exactement du m\u00eame point que pour les LLM : non pas la taille du mod\u00e8le, mais ce qu\u2019il optimise r\u00e9ellement<\/strong>.<\/p>\n\n\n\n

                                            Un SLM optimise la m\u00eame chose qu\u2019un LLM<\/h3>\n\n\n\n

                                            Un Small Language Model n\u2019est pas une autre cat\u00e9gorie de syst\u00e8me. C\u2019est une r\u00e9duction d\u2019\u00e9chelle<\/strong>, pas un changement de nature. Comme un LLM, un SLM est entra\u00een\u00e9 pour : pr\u00e9dire la suite la plus probable d\u2019une s\u00e9quence de tokens, \u00e9tant donn\u00e9 un contexte.<\/strong><\/p>\n\n\n\n

                                            La cha\u00eene interne reste strictement identique :<\/p>\n\n\n\n

                                            tokenisation \u2192 embeddings \u2192 projection dans un espace latent \u2192 g\u00e9n\u00e9ration probabiliste.<\/code><\/p>\n\n\n\n

                                            La seule diff\u00e9rence porte sur, le nombre de param\u00e8tres, la taille du corpus, le co\u00fbt et la latence d\u2019inf\u00e9rence.<\/p>\n\n\n\n

                                            Mais le m\u00e9canisme fondamental ne change pas<\/strong>.<\/p>\n\n\n\n

                                            Un SLM :<\/p>\n\n\n\n

                                              \n
                                            • ne manipule pas davantage de concepts explicites,<\/li>\n\n\n\n
                                            • ne dispose pas de r\u00e8gles internes identifiables,<\/li>\n\n\n\n
                                            • ne produit pas de chemin de d\u00e9cision formel.<\/li>\n<\/ul>\n\n\n\n

                                              Il calcule, comme un LLM, une distribution de probabilit\u00e9.<\/p>\n\n\n\n

                                              Ce que la r\u00e9duction de taille change\u2026 et ce qu\u2019elle ne change pas<\/h3>\n\n\n\n

                                              La r\u00e9duction de taille a des effets r\u00e9els :<\/p>\n\n\n\n

                                                \n
                                              • des comportements souvent plus stables,<\/li>\n\n\n\n
                                              • une surface d\u2019erreur plus limit\u00e9e,<\/li>\n\n\n\n
                                              • une meilleure ma\u00eetrise op\u00e9rationnelle,<\/li>\n\n\n\n
                                              • une frugalit\u00e9 accrue en ressources.<\/li>\n<\/ul>\n\n\n\n

                                                Cette stabilit\u00e9 am\u00e9liore la pr\u00e9dictibilit\u00e9 globale du syst\u00e8me, mais elle ne cr\u00e9e aucun lien explicite entre une entr\u00e9e donn\u00e9e et la d\u00e9cision produite pour ce cas pr\u00e9cis, elle ne cr\u00e9e aucune structure de raisonnement nouvelle<\/strong>.<\/p>\n\n\n\n

                                                Il n\u2019appara\u00eet toujours pas :<\/p>\n\n\n\n

                                                  \n
                                                • de crit\u00e8res m\u00e9tier explicites,<\/li>\n\n\n\n
                                                • de seuils observables,<\/li>\n\n\n\n
                                                • de logique d\u00e9cisionnelle s\u00e9par\u00e9e,<\/li>\n\n\n\n
                                                • de repr\u00e9sentation interm\u00e9diaire interpr\u00e9table.<\/li>\n<\/ul>\n\n\n\n

                                                  Autrement dit, le calcul est plus petit, mais il reste opaque du point de vue du raisonnement causal et d\u00e9cisionnel<\/strong>.<\/p>\n\n\n\n

                                                  L\u2019illusion d\u2019explicabilit\u00e9 renforc\u00e9e<\/h3>\n\n\n\n

                                                  C\u2019est ici que la confusion est la plus fr\u00e9quente.<\/p>\n\n\n\n

                                                  Parce qu\u2019un SLM est plus pr\u00e9visible, plus contraint, plus coh\u00e9rent sur un p\u00e9rim\u00e8tre donn\u00e9, il donne parfois l\u2019impression d\u2019\u00eatre plus explicable. Mais cette explicabilit\u00e9 est, l\u00e0 encore, linguistique<\/strong>, pas causale.<\/p>\n\n\n\n

                                                  Lorsqu\u2019on demande \u00e0 un SLM :<\/p>\n\n\n\n

                                                  \n

                                                  \u00ab Pourquoi as-tu pris cette d\u00e9cision ? \u00bb<\/p>\n<\/blockquote>\n\n\n\n

                                                  il applique exactement le m\u00eame m\u00e9canisme que pour produire la d\u00e9cision elle-m\u00eame :<\/p>\n\n\n\n

                                                    \n
                                                  • transformer la question en tokens,<\/li>\n\n\n\n
                                                  • g\u00e9n\u00e9rer une r\u00e9ponse plausible,<\/li>\n\n\n\n
                                                  • reconstruire un raisonnement a posteriori.<\/li>\n<\/ul>\n\n\n\n

                                                    Cette r\u00e9ponse peut \u00eatre pertinente, convaincante, align\u00e9e avec l\u2019intuition humaine, mais elle reste d\u00e9corr\u00e9l\u00e9e du calcul r\u00e9el<\/strong>. La taille du mod\u00e8le n\u2019a rien chang\u00e9 \u00e0 ce point fondamental.<\/p>\n\n\n\n

                                                    SLM vs NLU : la m\u00eame fronti\u00e8re qu\u2019avec les LLM<\/h3>\n\n\n\n

                                                    On retrouve donc exactement la m\u00eame ligne de fracture que pr\u00e9c\u00e9demment.<\/p>\n\n\n\n

                                                    Ce n\u2019est pas LLM vs SLM<\/p>\n\n\n\n

                                                    C\u2019est :<\/p>\n\n\n\n

                                                      \n
                                                    • mod\u00e8le g\u00e9n\u00e9ratif probabiliste<\/strong> vs syst\u00e8me de compr\u00e9hension et de d\u00e9cision explicite<\/strong>.<\/li>\n<\/ul>\n\n\n\n

                                                      Tant qu\u2019un syst\u00e8me g\u00e9n\u00e8re ses sorties par estimation statistique,<\/p>\n\n\n\n

                                                        \n
                                                      • sans objets m\u00e9tier nomm\u00e9s,<\/li>\n\n\n\n
                                                      • sans r\u00e8gles formelles,<\/li>\n\n\n\n
                                                      • sans chemin de calcul tra\u00e7able,<\/li>\n<\/ul>\n\n\n\n

                                                        il ne peut pas produire d\u2019explication native, au sens audit, contestation, reproductibilit\u00e9 ou conformit\u00e9 r\u00e9glementaire.<\/p>\n\n\n\n

                                                        Rendre un mod\u00e8le inspectable ou mesurable ne suffit pas \u00e0 le rendre explicable. Visualiser des poids, des activations ou des scores d\u2019importance globale ne permet pas de reconstruire un chemin de d\u00e9cision pour un cas individuel, ni d\u2019identifier formellement les crit\u00e8res ayant conduit \u00e0 l\u2019action.<\/p>\n\n\n\n

                                                        Pourquoi cela compte r\u00e9ellement<\/h3>\n\n\n\n

                                                        Dans des usages d\u2019assistance, de suggestion ou de support, cette distinction peut sembler secondaire.<\/p>\n\n\n\n

                                                        Mais d\u00e8s que l\u2019IA qualifie une situation m\u00e9tier, d\u00e9clenche une action, influence un processus r\u00e9el, la question n\u2019est plus :<\/p>\n\n\n\n

                                                        \n

                                                        \u00ab Est-ce que le mod\u00e8le est petit ? \u00bb<\/p>\n<\/blockquote>\n\n\n\n

                                                        Mais :<\/p>\n\n\n\n

                                                        \n

                                                        \u00ab Peut-on d\u00e9montrer ce qui a conduit \u00e0 cette d\u00e9cision ? \u00bb<\/p>\n<\/blockquote>\n\n\n\n

                                                        Et sur ce point pr\u00e9cis, SLM et LLM sont dans le m\u00eame camp<\/strong>. La taille du mod\u00e8le change le co\u00fbt. Elle ne change pas la nature de l\u2019explication.<\/p>\n\n\n\n

                                                        Du point de vue de la responsabilit\u00e9 juridique et r\u00e9glementaire, un SLM reste dans la m\u00eame situation qu\u2019un LLM : il est impossible de d\u00e9montrer formellement pourquoi une d\u00e9cision pr\u00e9cise a \u00e9t\u00e9 prise \u00e0 un instant donn\u00e9. R\u00e9duire un LLM en SLM ne transforme pas une IA g\u00e9n\u00e9rative en IA explicable : la frugalit\u00e9 change le co\u00fbt, pas la responsabilit\u00e9. Ce qui fait l\u2019explicabilit\u00e9, ce n\u2019est pas la taille du mod\u00e8le, mais l\u2019existence d\u2019un raisonnement explicite \u2014 et c\u2019est pr\u00e9cis\u00e9ment ce que permet le NLU.<\/p>\n","protected":false},"excerpt":{"rendered":"

                                                        LLM et NLU ne reposent pas sur la m\u00eame logique. Cet article explique pourquoi l\u2019explicabilit\u00e9, la d\u00e9cision et la conformit\u00e9 d\u00e9pendent avant tout de l\u2019architecture de l\u2019IA.<\/p>\n","protected":false},"author":29,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[68,74],"tags":[],"class_list":["post-37955","post","type-post","status-publish","format-standard","hentry","category-blog","category-technologie"],"acf":[],"yoast_head":"\nIA explicable : comprendre la diff\u00e9rence entre NLU et LLM<\/title>\n<meta name=\"description\" content=\"LLM et NLU r\u00e9pondent \u00e0 des logiques tr\u00e8s diff\u00e9rentes. Comprendre ces \u00e9carts est cl\u00e9 pour l\u2019explicabilit\u00e9 et les d\u00e9cisions critiques.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/miralia.ai\/fr\/blog\/ia-explicable-nlu-vs-llm\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"IA explicable : comprendre la diff\u00e9rence entre NLU et LLM\" \/>\n<meta property=\"og:description\" content=\"LLM et NLU r\u00e9pondent \u00e0 des logiques tr\u00e8s diff\u00e9rentes. Comprendre ces \u00e9carts est cl\u00e9 pour l\u2019explicabilit\u00e9 et les d\u00e9cisions critiques.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/miralia.ai\/fr\/blog\/ia-explicable-nlu-vs-llm\/\" \/>\n<meta property=\"og:site_name\" content=\"Miralia.ai\" \/>\n<meta property=\"article:published_time\" content=\"2026-02-16T09:43:50+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-02-16T10:34:42+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/02\/11092230\/numspot-plateforrme-confiance-ia.webp\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Arnaud Marcel\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@miralia_ai\" \/>\n<meta name=\"twitter:site\" content=\"@miralia_ai\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/miralia.ai\\\/blog\\\/ia-explicable-nlu-vs-llm#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/miralia.ai\\\/blog\\\/ia-explicable-nlu-vs-llm\"},\"author\":{\"name\":\"Arnaud Marcel\",\"@id\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/#\\\/schema\\\/person\\\/0e1b604617a906d71ce4836cc089e7de\"},\"headline\":\"Pourquoi un LLM \\\/ SLM peut expliquer\u2026 sans \u00eatre explicable\",\"datePublished\":\"2026-02-16T09:43:50+00:00\",\"dateModified\":\"2026-02-16T10:34:42+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/miralia.ai\\\/blog\\\/ia-explicable-nlu-vs-llm\"},\"wordCount\":3661,\"publisher\":{\"@id\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/miralia.ai\\\/blog\\\/ia-explicable-nlu-vs-llm#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/11085052\\\/image.png\",\"articleSection\":[\"Blog\",\"Technologie\"],\"inLanguage\":\"fr-FR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/miralia.ai\\\/blog\\\/ia-explicable-nlu-vs-llm\",\"url\":\"https:\\\/\\\/miralia.ai\\\/blog\\\/ia-explicable-nlu-vs-llm\",\"name\":\"IA explicable : comprendre la diff\u00e9rence entre NLU et LLM\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/miralia.ai\\\/blog\\\/ia-explicable-nlu-vs-llm#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/miralia.ai\\\/blog\\\/ia-explicable-nlu-vs-llm#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/11085052\\\/image.png\",\"datePublished\":\"2026-02-16T09:43:50+00:00\",\"dateModified\":\"2026-02-16T10:34:42+00:00\",\"description\":\"LLM et NLU r\u00e9pondent \u00e0 des logiques tr\u00e8s diff\u00e9rentes. Comprendre ces \u00e9carts est cl\u00e9 pour l\u2019explicabilit\u00e9 et les d\u00e9cisions critiques.\",\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/miralia.ai\\\/blog\\\/ia-explicable-nlu-vs-llm\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/miralia.ai\\\/blog\\\/ia-explicable-nlu-vs-llm#primaryimage\",\"url\":\"https:\\\/\\\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/11092230\\\/numspot-plateforrme-confiance-ia.webp\",\"contentUrl\":\"https:\\\/\\\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/11092230\\\/numspot-plateforrme-confiance-ia.webp\",\"width\":\"\",\"height\":\"\"},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/#website\",\"url\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/\",\"name\":\"Miralia.ai\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/#organization\",\"name\":\"Miralia\",\"url\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\\\/wp-content\\\/uploads\\\/2026\\\/01\\\/07142128\\\/Logo-Miralia.png\",\"contentUrl\":\"https:\\\/\\\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\\\/wp-content\\\/uploads\\\/2026\\\/01\\\/07142128\\\/Logo-Miralia.png\",\"width\":1061,\"height\":211,\"caption\":\"Miralia\"},\"image\":{\"@id\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/x.com\\\/miralia_ai\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/miralia\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/#\\\/schema\\\/person\\\/0e1b604617a906d71ce4836cc089e7de\",\"name\":\"Arnaud Marcel\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\\\/wp-content\\\/uploads\\\/2026\\\/01\\\/07115926\\\/Arnaud-Marcel-150x150.png\",\"url\":\"https:\\\/\\\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\\\/wp-content\\\/uploads\\\/2026\\\/01\\\/07115926\\\/Arnaud-Marcel-150x150.png\",\"contentUrl\":\"https:\\\/\\\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\\\/wp-content\\\/uploads\\\/2026\\\/01\\\/07115926\\\/Arnaud-Marcel-150x150.png\",\"caption\":\"Arnaud Marcel\"},\"url\":\"https:\\\/\\\/miralia.ai\\\/fr\\\/auteur\\\/arnaud-marcel\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"IA explicable : comprendre la diff\u00e9rence entre NLU et LLM","description":"LLM et NLU r\u00e9pondent \u00e0 des logiques tr\u00e8s diff\u00e9rentes. Comprendre ces \u00e9carts est cl\u00e9 pour l\u2019explicabilit\u00e9 et les d\u00e9cisions critiques.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/miralia.ai\/fr\/blog\/ia-explicable-nlu-vs-llm\/","og_locale":"fr_FR","og_type":"article","og_title":"IA explicable : comprendre la diff\u00e9rence entre NLU et LLM","og_description":"LLM et NLU r\u00e9pondent \u00e0 des logiques tr\u00e8s diff\u00e9rentes. Comprendre ces \u00e9carts est cl\u00e9 pour l\u2019explicabilit\u00e9 et les d\u00e9cisions critiques.","og_url":"https:\/\/miralia.ai\/fr\/blog\/ia-explicable-nlu-vs-llm\/","og_site_name":"Miralia.ai","article_published_time":"2026-02-16T09:43:50+00:00","article_modified_time":"2026-02-16T10:34:42+00:00","og_image":[{"url":"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/02\/11092230\/numspot-plateforrme-confiance-ia.webp","width":"","height":"","type":"image\/png"}],"author":"Arnaud Marcel","twitter_card":"summary_large_image","twitter_creator":"@miralia_ai","twitter_site":"@miralia_ai","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/miralia.ai\/blog\/ia-explicable-nlu-vs-llm#article","isPartOf":{"@id":"https:\/\/miralia.ai\/blog\/ia-explicable-nlu-vs-llm"},"author":{"name":"Arnaud Marcel","@id":"https:\/\/miralia.ai\/fr\/#\/schema\/person\/0e1b604617a906d71ce4836cc089e7de"},"headline":"Pourquoi un LLM \/ SLM peut expliquer\u2026 sans \u00eatre explicable","datePublished":"2026-02-16T09:43:50+00:00","dateModified":"2026-02-16T10:34:42+00:00","mainEntityOfPage":{"@id":"https:\/\/miralia.ai\/blog\/ia-explicable-nlu-vs-llm"},"wordCount":3661,"publisher":{"@id":"https:\/\/miralia.ai\/fr\/#organization"},"image":{"@id":"https:\/\/miralia.ai\/blog\/ia-explicable-nlu-vs-llm#primaryimage"},"thumbnailUrl":"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/02\/11085052\/image.png","articleSection":["Blog","Technologie"],"inLanguage":"fr-FR"},{"@type":"WebPage","@id":"https:\/\/miralia.ai\/blog\/ia-explicable-nlu-vs-llm","url":"https:\/\/miralia.ai\/blog\/ia-explicable-nlu-vs-llm","name":"IA explicable : comprendre la diff\u00e9rence entre NLU et LLM","isPartOf":{"@id":"https:\/\/miralia.ai\/fr\/#website"},"primaryImageOfPage":{"@id":"https:\/\/miralia.ai\/blog\/ia-explicable-nlu-vs-llm#primaryimage"},"image":{"@id":"https:\/\/miralia.ai\/blog\/ia-explicable-nlu-vs-llm#primaryimage"},"thumbnailUrl":"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/02\/11085052\/image.png","datePublished":"2026-02-16T09:43:50+00:00","dateModified":"2026-02-16T10:34:42+00:00","description":"LLM et NLU r\u00e9pondent \u00e0 des logiques tr\u00e8s diff\u00e9rentes. Comprendre ces \u00e9carts est cl\u00e9 pour l\u2019explicabilit\u00e9 et les d\u00e9cisions critiques.","inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/miralia.ai\/blog\/ia-explicable-nlu-vs-llm"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/miralia.ai\/blog\/ia-explicable-nlu-vs-llm#primaryimage","url":"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/02\/11092230\/numspot-plateforrme-confiance-ia.webp","contentUrl":"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/02\/11092230\/numspot-plateforrme-confiance-ia.webp","width":"","height":""},{"@type":"WebSite","@id":"https:\/\/miralia.ai\/fr\/#website","url":"https:\/\/miralia.ai\/fr\/","name":"Miralia.ai","description":"","publisher":{"@id":"https:\/\/miralia.ai\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/miralia.ai\/fr\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/miralia.ai\/fr\/#organization","name":"Miralia","url":"https:\/\/miralia.ai\/fr\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/miralia.ai\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/01\/07142128\/Logo-Miralia.png","contentUrl":"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/01\/07142128\/Logo-Miralia.png","width":1061,"height":211,"caption":"Miralia"},"image":{"@id":"https:\/\/miralia.ai\/fr\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/x.com\/miralia_ai","https:\/\/www.linkedin.com\/company\/miralia\/"]},{"@type":"Person","@id":"https:\/\/miralia.ai\/fr\/#\/schema\/person\/0e1b604617a906d71ce4836cc089e7de","name":"Arnaud Marcel","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/01\/07115926\/Arnaud-Marcel-150x150.png","url":"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/01\/07115926\/Arnaud-Marcel-150x150.png","contentUrl":"https:\/\/golem-ai-website-wordpress-prod.s3.fr-par.scw.cloud\/wp-content\/uploads\/2026\/01\/07115926\/Arnaud-Marcel-150x150.png","caption":"Arnaud Marcel"},"url":"https:\/\/miralia.ai\/fr\/auteur\/arnaud-marcel"}]}},"_links":{"self":[{"href":"https:\/\/miralia.ai\/fr\/wp-json\/wp\/v2\/posts\/37955","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/miralia.ai\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/miralia.ai\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/miralia.ai\/fr\/wp-json\/wp\/v2\/users\/29"}],"replies":[{"embeddable":true,"href":"https:\/\/miralia.ai\/fr\/wp-json\/wp\/v2\/comments?post=37955"}],"version-history":[{"count":10,"href":"https:\/\/miralia.ai\/fr\/wp-json\/wp\/v2\/posts\/37955\/revisions"}],"predecessor-version":[{"id":37988,"href":"https:\/\/miralia.ai\/fr\/wp-json\/wp\/v2\/posts\/37955\/revisions\/37988"}],"wp:attachment":[{"href":"https:\/\/miralia.ai\/fr\/wp-json\/wp\/v2\/media?parent=37955"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/miralia.ai\/fr\/wp-json\/wp\/v2\/categories?post=37955"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/miralia.ai\/fr\/wp-json\/wp\/v2\/tags?post=37955"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}