Capacités et limitations de l'IA

Aperçu

Most people's first experience with a generative AI system is a mix of delight and confusion. It produces a polished summary of a dense report in seconds, then confidently invents a citation that doesn't exist.

It follows a detailed instruction perfectly, then ignores a simple one in the very next message. Without a mental model of what's happening underneath, these moments feel random — and it's hard to know whether to trust the next output, or how to fix the last one.

This course gives learners that mental model. It's the companion to AI Fluency:

Framework & Foundations:

where that course teaches the human competencies (Delegation, Description, Discernment, Diligence), this one teaches the machine properties those competencies are responding to.

The two are designed to be taken in either order, and together they form a complete picture of effective human-AI collaboration. We organize the course around four properties that shape what an AI system can and can't do for you:

Next Token Prediction (where AI answers come from), Knowledge (what the model actually knows, and why it can be confidently wrong), Working Memory (what it's paying attention to right now, and what falls off the edge), and Steerability (how much control your instructions really give you).

Each property sits on a spectrum from capability to limitation, and each section pairs a short explanation with a hands-on exercise so you can feel where the edges are rather than just read about them. The final section looks at what happens when these properties collide — because in real use, they always do.

A long document pushes against working memory while also straying into knowledge the model doesn't have; a vague instruction tests steerability at the same moment next-token prediction is reaching for whatever sounds most plausible. We close with a practical diagnostic:

how to look at an unexpected output, recognize which kind of unexpected it is, locate roughly where on the capability-to-limitation continuum your task landed, and respond with a targeted fix instead of a generic retry.

Recommended prerequisites None. This course assumes no technical background and no prior experience with AI tools.

If you've already completed AI Fluency:

Framework & Foundations, you'll recognize where each property connects to the 4Ds — but it's not required. Who this is for Anyone who uses, or is about to start using, generative AI in their work or studies and wants to understand why it behaves the way it does.

Educators, students, knowledge workers, and team leads will all find the same core model useful, because the properties it describes don't change across use cases.

Programme

• Commencer
Le terme 'IA' couvre un large éventail. Cette section le restreint au type de système avec lequel vous travaillerez réellement — les grands modèles linguistiques — et explique comment deux étapes d'entraînement, le pré-entraînement et l'affinage, transforment un prédicteur de texte brut en l'assistant utile avec lequel vous interagissez. En cours de route, vous rencontrerez le cadre à quatre propriétés qui organise le reste du cours.
• Prédiction du prochain jeton
Chaque réponse donnée par une IA est construite un jeton à la fois, en prédisant ce qui devrait venir ensuite. Cette section montre ce que cela signifie en pratique : pourquoi le modèle est excellent sur des chemins bien tracés comme le résumé ou le reformatage, pourquoi il peut produire des choses qui semblent vraies mais ne le sont pas, et comment reconnaître quand une tâche s'aventure dans un territoire où la prédiction seule ne suffit pas.
• Connaissance
Un modèle sait ce qui figurait dans ses données d'apprentissage — fréquemment, récemment et de manière cohérente. Cette section décompose ce que cela implique : il est fort sur les sujets grand public et les langues populaires, plus faible sur tout ce qui est rare, récent, de niche ou contesté. Vous vous entraînerez à juger où se situe une question sur ce spectre, afin de savoir quand faire confiance à la réponse et quand apporter vos propres sources.
• Mémoire de travail
La fenêtre de contexte est la mémoire de travail du modèle : tout ce à quoi il peut prêter attention en ce moment, et rien d'autre. Cette section couvre ce qui rentre, ce qui tombe discrètement du bord, pourquoi l'attention n'est pas uniforme dans un long document, et pourquoi une nouvelle session ne se souvient pas de la précédente. Vous apprendrez à évaluer une tâche par rapport à la fenêtre avant de commencer, au lieu de découvrir la limite en pleine conversation.
• Capacité à être dirigé
Vos instructions sont votre moyen de diriger — mais toutes les instructions n'aboutissent pas de la même manière. Les demandes courtes, concrètes et vérifiables ('répondre sous forme de tableau', 'moins de 100 mots') fonctionnent de manière fiable ; les chaînes de raisonnement longues, les demandes abstraites, et celles nécessitant une précision native sont là où la direction commence à déraper. Cette section vous aide à faire la différence et à réécrire une instruction bancale en une que le modèle peut réellement suivre.
• Mettre le tout ensemble et prochaines étapes
Les tâches réelles testent rarement une propriété à la fois. Une longue révision de contrat met à l'épreuve la mémoire de travail tout en allant au-delà des connaissances du modèle ; un brief créatif vague teste la capacité à être dirigé là où la prédiction du prochain jeton veut remplir quelque chose de plausible. Cette section vous montre comment les quatre propriétés se heurtent, et vous donne un diagnostic pour tout résultat inattendu : nommez la propriété en jeu, placez la tâche sur son spectre et appliquez une correction ciblée au lieu de simplement réessayer.

Matières

Artificial Intelligence