{"id":485,"date":"2026-01-13T10:00:00","date_gmt":"2026-01-13T09:00:00","guid":{"rendered":"https:\/\/neurostratum.com\/?p=485"},"modified":"2026-05-10T07:56:49","modified_gmt":"2026-05-10T05:56:49","slug":"quand-les-machines-comptent-sans-calculer-voyage-au-coeur-dun-malentendu","status":"publish","type":"post","link":"https:\/\/neurostratum.com\/index.php\/2026\/01\/13\/quand-les-machines-comptent-sans-calculer-voyage-au-coeur-dun-malentendu\/","title":{"rendered":"Quand les machines comptent sans calculer : voyage au c\u0153ur d’un malentendu"},"content":{"rendered":"\n

MATH\u00c9MATIQUES & IA<\/a><\/p>

Par Jp@NeuroStratum — Article original publi\u00e9 le 13 janvier 2026<\/p><\/div>

R\u00e9sum\u00e9<\/em> — Les LLM peuvent sortir \u00ab 7 \u00d7 8 = 56 \u00bb tout en ne faisant \u00ab que \u00bb pr\u00e9dire le mot suivant. Paradoxe ? Non \u2014 malentendu. Le m\u00e9canisme statistique ne d\u00e9termine pas le comportement parfois bluffant. Ces mod\u00e8les ont appris \u00e0 singer les patterns arithm\u00e9tiques de leurs donn\u00e9es d’entra\u00eenement. \u00c7a marche souvent, mais \u00e7a ne garantit rien. D\u00e8s que les nombres grossissent ou que les formats sortent des sentiers battus, le ch\u00e2teau de cartes vacille. La r\u00e8gle d’or : si l’exactitude compte, d\u00e9l\u00e8gue \u00e0 une vraie calculatrice. Si l’enjeu est faible, l’approximation peut suffire.<\/p>

\u23f1 Temps de lecture estim\u00e9 : 7 minutes<\/p><\/div>

Comment les LLM produisent des r\u00e9sultats arithm\u00e9tiques \u2014 et pourquoi il ne faut pas toujours leur faire confiance.<\/em><\/blockquote>

L’Objection Qui Pique<\/h2>

\u00ab Les grands mod\u00e8les de langage ne pensent pas. Ils pr\u00e9disent le prochain jeton. \u00bb<\/p>

L’affirmation claque comme un verdict. Et immanquablement, la contre-attaque fuse : \u00ab Ah oui ? Alors comment font-ils pour calculer 347 \u00d7 28 ? \u00bb<\/p>

Avoue que la question est malicieuse. Si ces machines ne font que deviner la suite probable d’une phrase, comment diable peuvent-elles r\u00e9soudre une multiplication ? On n’a jamais vu un perroquet faire des divisions.<\/p>

Sauf que derri\u00e8re cet \u00e9change se cache un malentendu savoureux. \u00ab Pr\u00e9dire le prochain jeton \u00bb d\u00e9crit le comment technique \u2014 pas le quoi observable. C’est confondre la m\u00e9canique du piano avec la musique qui en sort. Un pianiste produit du son en frappant des touches ; \u00e7a ne r\u00e9duit pas du Chopin \u00e0 de la percussion al\u00e9atoire.<\/p>

Je te propose d’y voir plus clair. De d\u00e9m\u00ealer ce paradoxe, de comprendre quand les LLM r\u00e9ussissent leurs calculs (et pourquoi ils \u00e9chouent parfois si spectaculairement), et surtout de te donner une boussole pratique pour savoir quand leur faire confiance.<\/p>

Pr\u00eat pour le voyage ?<\/p>

Posons les Mots sur la Table<\/h2>

\u00ab Pr\u00e9dire le prochain jeton \u00bb, c’est le c\u0153ur du r\u00e9acteur. Le mod\u00e8le regarde ce qui pr\u00e9c\u00e8de, estime la probabilit\u00e9 de chaque mot possible, et en choisit un. Puis recommence. C’est le m\u00e9canisme \u2014 pas la finalit\u00e9.<\/p>

\u00ab Raisonner \u00bb, au sens fort, c’est appliquer des r\u00e8gles logiques de mani\u00e8re syst\u00e9matique, avec des garanties de validit\u00e9. Un logiciel de calcul formel raisonne : il d\u00e9roule des axiomes et des r\u00e8gles d’inf\u00e9rence sans trembler.<\/p>

La distinction qui change tout tient en trois \u00e9tages :<\/p>

Le m\u00e9canisme \u2014 comment la sortie est fabriqu\u00e9e (pr\u00e9diction statistique).<\/p>

Le comportement \u2014 ce que cette sortie semble montrer (r\u00e9soudre un probl\u00e8me).<\/p>

La garantie \u2014 ce qui est formellement assur\u00e9 (spoiler : rien, c\u00f4t\u00e9 LLM).<\/p>

Ce que la recherche nous apprend, c’est que le comportement peut ressembler furieusement \u00e0 du raisonnement sans que le m\u00e9canisme sous-jacent en offre les garanties. Ce n’est pas du raisonnement humain au sens noble. Mais ce n’est pas non plus \u00ab rien \u00bb. C’est autre chose \u2014 et c’est passionnant.<\/p>

Fais le Test Toi-m\u00eame<\/h2>

Ouvre ton LLM pr\u00e9f\u00e9r\u00e9 \u2014 Claude, GPT, Gemini, peu importe \u2014 et soumets-lui ces trois exercices.<\/p>

Premier test : l’\u00e9chauffement. Calcule : 234 + 567. R\u00e9sultat attendu : 801. La plupart des mod\u00e8les s’en sortent sans broncher.<\/p>

Deuxi\u00e8me test : on corse. Calcule : 987654321 \u00d7 123456789. L\u00e0, \u00e7a se g\u00e2te. Le r\u00e9sultat exact fait quinze chiffres, et les mod\u00e8les patinent souvent.<\/p>

Troisi\u00e8me test : le pi\u00e8ge vicieux. Qu’est-ce qui est plus grand : 9.11 ou 9.9 ?<\/p>

Tu connais la r\u00e9ponse : 9.9 est plus grand. Mais certains mod\u00e8les r\u00e9pondent \u00ab 9.11 \u00bb \u2014 parce qu’ils traitent les d\u00e9cimales comme des entiers s\u00e9par\u00e9s (11 > 9).<\/p>

Pourquoi ces diff\u00e9rences ? La cl\u00e9 s’appelle tokenisation. Pour toi, \u00ab 987654321 \u00bb est un nombre. Pour le mod\u00e8le, c’est une suite de morceaux d\u00e9coup\u00e9s selon des r\u00e8gles qui n’ont rien de math\u00e9matique. Tu vois le d\u00e9calage ?<\/p>

Comment \u00c7a Marche (quand \u00c7a Marche)<\/h2>

La m\u00e9moire des r\u00e9gularit\u00e9s. Un LLM entra\u00een\u00e9 sur des milliards de textes a crois\u00e9 \u00ab 7 \u00d7 8 = 56 \u00bb un nombre incalculable de fois. Il a absorb\u00e9 ces patterns comme une \u00e9ponge. Pour les petits nombres, cette m\u00e9morisation implicite fait le travail. Pas besoin de \u00ab calculer \u00bb : il suffit de reconna\u00eetre le sch\u00e9ma et de compl\u00e9ter.<\/p>

Les limites de la g\u00e9n\u00e9ralisation. L’\u00e9tude GSM-Symbolic a jet\u00e9 un pav\u00e9 dans la mare en 2024. Changer les valeurs num\u00e9riques d’un probl\u00e8me (sans toucher \u00e0 sa logique) fait varier les performances. Plus troublant : ajouter une information non pertinente peut faire chuter les performances de 65 %. Le mod\u00e8le se laisse distraire par du bruit.<\/p>

Exact ou plausible ? Voil\u00e0 le n\u0153ud du probl\u00e8me. Un LLM ne distingue pas intrins\u00e8quement entre \u00ab r\u00e9ponse correcte \u00bb et \u00ab r\u00e9ponse qui sonne bien \u00bb. Pour lui, \u00ab 7 \u00d7 8 = 56 \u00bb et \u00ab 7 \u00d7 8 = 54 \u00bb sont deux suites de tokens ; simplement, l’une appara\u00eet beaucoup plus souvent dans les donn\u00e9es d’entra\u00eenement.<\/p>

La Distinction Qui Change Tout<\/h2>

Performance empirique : \u00ab Le mod\u00e8le r\u00e9pond juste dans X % des cas. \u00bb C’est une mesure statistique. Utile, mais partielle.<\/p>

Garantie formelle : \u00ab Le syst\u00e8me produit toujours la bonne r\u00e9ponse. \u00bb C’est ce qu’offre ta calculatrice de poche.<\/p>

La diff\u00e9rence n’est pas de degr\u00e9. Elle est de nature. C’est la diff\u00e9rence entre \u00ab \u00e7a marche souvent \u00bb et \u00ab \u00e7a marche toujours \u00bb. Entre le talent et la certitude.<\/p>

Le Pianiste et le Math\u00e9maticien<\/h2>

Un virtuose peut jouer une sonate de mani\u00e8re sublime. Mais il peut glisser une fausse note. Le math\u00e9maticien qui d\u00e9montre un th\u00e9or\u00e8me n’a pas ce droit : soit la preuve tient, soit elle s’effondre.<\/p>

Le LLM est du c\u00f4t\u00e9 du pianiste. Brillant, souvent juste, parfois d\u00e9faillant.<\/p>

La Vraie Solution : les Syst\u00e8mes Hybrides<\/h2>

Le LLM nu. Mode par d\u00e9faut. Tu poses une question, le mod\u00e8le g\u00e9n\u00e8re une r\u00e9ponse en texte. Aucune garantie d’exactitude arithm\u00e9tique. C’est du texte qui parle de calcul \u2014 pas du calcul.<\/p>

Le LLM outill\u00e9. C’est l’approche qui change la donne. GPT-4 avec Code Interpreter, Claude avec ses outils de calcul : le LLM comprend la question, g\u00e9n\u00e8re le code, et un interpr\u00e9teur externe effectue le calcul r\u00e9el. L’ajout d’outils r\u00e9duit les erreurs d’un facteur 5 \u00e0 13. Ce n’est pas une am\u00e9lioration marginale \u2014 c’est un changement de paradigme.<\/p>

Ce qu’Il Faut Retenir<\/h2>

Les LLM peuvent produire des r\u00e9sultats arithm\u00e9tiques corrects tout en n’\u00e9tant \u00ab que \u00bb des pr\u00e9dicteurs de tokens. Ces mod\u00e8les ont appris des r\u00e9gularit\u00e9s qui fonctionnent bien dans les cas courants. Et ils \u00e9chouent de mani\u00e8re pr\u00e9visible dans les cas limites.<\/p>

La R\u00e8gle d’Or<\/h2>

Si l’exactitude est critique \u2014 comptabilit\u00e9, ing\u00e9nierie, m\u00e9dical \u2014 externalise vers un outil d\u00e9di\u00e9 et v\u00e9rifie le r\u00e9sultat. Toujours.<\/p>

Si l’enjeu est faible \u2014 estimation, ordre de grandeur \u2014 l’approximation peut suffire.<\/p>

Entre les deux ? Exerce ton jugement. Et dans le doute, une calculatrice ne co\u00fbte rien.<\/p>

Comme disait un vieux manuel de comptabilit\u00e9 : \u00ab Faites confiance, mais v\u00e9rifiez. \u00bb Les LLM n’ont pas invent\u00e9 ce conseil. Ils l’ont juste rendu plus pertinent que jamais.<\/p>

Et Toi, qu’En Penses-tu ?<\/h2>

As-tu d\u00e9j\u00e0 \u00e9t\u00e9 surpris \u2014 agr\u00e9ablement ou non \u2014 par les capacit\u00e9s arithm\u00e9tiques d’un LLM ?<\/p>

Raconte-moi ton exp\u00e9rience en commentaire : je suis curieux de savoir si tu fais partie de ceux qui v\u00e9rifient syst\u00e9matiquement, ou de ceux qui font confiance au feeling.<\/p>

\u00c9crit avec le soutien de l\u2019IA pour aider \u00e0 organiser les pens\u00e9es et fa\u00e7onner le langage.<\/p>

Jp@NeuroStratum<\/p>

Pour Aller plus Loin<\/h2>