Imaginez un musicien à qui l'on demande d'improviser. Réglé très prudent, il joue les notes les plus attendues : c'est juste, c'est ennuyeux, et c'est toujours pareil. Réglé très audacieux, il tente des enchaînements inhabituels : parfois brillant, parfois franchement dissonant. La température d'une IA, c'est exactement ce curseur entre le prévisible et l'inattendu.
C'est l'un des réglages les plus utiles et les plus mal compris de l'IA générative. Il explique pourquoi la même question donne parfois deux réponses différentes, et pourquoi certains usages exigent qu'on y touche. Décortiquons.
Rappel : comment une réponse est produite
Un modèle de langage prédit le mot suivant, comme nous l'expliquions dans notre article dédié. Mais il ne choisit pas un seul mot : à chaque étape, il calcule une probabilité pour tous les mots possibles.
Après Le ciel est, il pourrait attribuer 40 % à bleu, 15 % à dégagé, 8 % à gris, et des probabilités minuscules à des milliers d'autres. Il faut ensuite en choisir un, et c'est là qu'intervient la température.
Ce que fait le réglage
La température modifie la façon dont ces probabilités sont utilisées pour tirer le mot.
À température basse, proche de zéro, le modèle prend presque systématiquement le mot le plus probable. Les écarts entre candidats sont accentués : le favori écrase les autres. Le résultat est prévisible, cohérent, et très proche d'une réponse à l'autre.
À température élevée, les probabilités sont aplaties. Les candidats moins évidents obtiennent une vraie chance d'être sélectionnés. Le résultat devient plus varié, plus surprenant, et parfois incohérent.
Les valeurs usuelles vont d'environ 0 à 1, parfois jusqu'à 2 selon les modèles. Beaucoup de systèmes tournent par défaut autour de 0,7 à 1, un compromis qui donne des réponses naturelles sans partir dans tous les sens.
Une température de zéro ne rend pas une IA plus vraie. Elle la rend plus prévisible. Si le modèle se trompe, une température basse garantit simplement qu'il se trompera de la même manière à chaque fois, avec constance. C'est précisément ce que nous décrivions dans notre article sur la calibration : la fiabilité et la confiance affichée sont deux choses distinctes. Baisser la température améliore la reproductibilité, pas l'exactitude.
Comment la choisir
Température basse, de 0 à 0,3. Pour tout ce qui exige de la constance : extraire des données d'un document, classer des éléments, produire du code, respecter un format strict, répondre à une question factuelle. Si vous voulez le même résultat à chaque exécution, c'est ici.
Température moyenne, de 0,5 à 0,8. Le réglage du quotidien : rédaction, explication, conversation, résumé. Assez de naturel pour ne pas être robotique, assez de tenue pour rester cohérent.
Température élevée, de 0,9 à 1,3. Pour l'exploration : brainstorming, recherche d'angles inhabituels, écriture créative, génération de variantes. C'est le réglage qui produit des idées auxquelles vous n'auriez pas pensé, au prix d'un tri à faire.
Au-delà, la cohérence se dégrade rapidement et le texte devient souvent inutilisable.
Une astuce peu connue
Le réglage n'a pas à être unique dans un projet. Une pratique efficace consiste à enchaîner deux températures : générer une dizaine d'idées à température élevée, puis basculer à température basse pour les évaluer, les trier et les rédiger proprement.
Vous obtenez ainsi le meilleur des deux régimes, la diversité dans l'exploration et la rigueur dans l'exécution. C'est d'ailleurs une logique proche de celle des modèles de raisonnement, où l'on pousse le système à explorer des pistes variées avant de converger.
Ce qu'il faut retenir
La température ne change pas ce que le modèle sait, elle change la façon dont il pioche dans ce qu'il sait. C'est un curseur entre la constance et la surprise, et il n'y a pas de bon réglage universel, seulement un réglage adapté à ce que vous faites.
Si vous n'utilisez l'IA que via une interface grand public, vous n'y avez généralement pas accès et c'est très bien : les valeurs par défaut sont raisonnables. Mais si vous construisez quoi que ce soit sur une API, c'est l'un des premiers paramètres à ajuster, et souvent celui qui explique pourquoi vos résultats sont soit trop plats, soit trop imprévisibles.