Modèle de raisonnement : une IA qui réfléchit avant de répondre, utile en logique mais plus chère

En une phrase : Un modèle de raisonnement est un modèle de langage qui, avant de donner sa réponse, produit une réflexion intermédiaire (une « chaîne de pensée ») pour décomposer le problème, au prix d'un temps de calcul et d'un coût plus élevés.

Un modèle de langage classique écrit sa réponse d'un seul jet, mot après mot. Un modèle de raisonnement, lui, commence par « réfléchir » : il génère d'abord un brouillon, souvent long, dans lequel il pose des hypothèses, calcule, vérifie et revient sur ses pas, puis rédige la réponse finale. Les modèles o3 ou GPT-5.5 d'OpenAI, le mode de réflexion de Claude chez Anthropic, Deep Think chez Google ou DeepSeek-R1 reposent sur ce principe.

Comment ça marche

L'idée centrale est de dépenser plus de calcul au moment où l'on pose la question, et pas seulement pendant l'entraînement. Concrètement, ce brouillon est fait de tokens, les fragments de texte que manipule le modèle. La documentation d'OpenAI parle de « reasoning tokens » (tokens de raisonnement), générés en plus des tokens de la question et de la réponse : selon elle, un modèle peut en produire de quelques centaines à plusieurs dizaines de milliers pour une seule requête, selon la complexité du problème.

Cette capacité ne vient pas d'une simple consigne. Selon la fiche technique d'o3 et o4-mini publiée par OpenAI le 16 avril 2025, les modèles de la série o sont entraînés par apprentissage par renforcement à grande échelle sur des chaînes de pensée : selon OpenAI, ils apprennent ainsi à affiner leur réflexion, à essayer différentes stratégies et à reconnaître leurs erreurs.

DeepSeek a documenté une démarche comparable dans un article publié sur arXiv le 22 janvier 2025, puis dans la revue Nature : selon ses auteurs, les capacités de raisonnement peuvent être obtenues par apprentissage par renforcement seul, sans raisonnements annotés par des humains, et des comportements d'autoréflexion et de vérification apparaissent d'eux-mêmes. Le dépôt officiel de DeepSeek-R1 précise que la variante R1-Zero a été entraînée directement par renforcement sur le modèle de base, sans affinage supervisé préalable, et que le code et les poids du modèle sont publiés sous licence MIT, ce qui en fait un modèle de raisonnement ouvert.

Google a ajouté une variante avec Deep Think, mis à disposition le 1er août 2025 dans l'application Gemini, avec le modèle Gemini 2.5 Pro. Selon le billet de Google, le modèle utilise une « réflexion parallèle » (traduction Le Latent) : il génère plusieurs idées à la fois, les examine simultanément et peut les réviser ou les combiner, et dispose de plus de temps de réflexion avant de répondre.

Quand c'est utile

Les éditeurs mettent en avant les mathématiques, la programmation et les problèmes scientifiques, c'est-à-dire les tâches où il faut enchaîner plusieurs étapes et où une erreur au début ruine tout le reste. Le dépôt de DeepSeek indique ainsi un score de 79,8 % au concours de mathématiques AIME 2024 (réussite au premier essai) pour R1, contre 79,2 % pour la version « o1-1217 » d'OpenAI. Ces chiffres sont fournis par l'éditeur lui-même.

À l'inverse, pour reformuler un courriel, résumer un texte ou répondre à une question simple, la réflexion n'apporte souvent rien. Des chercheurs d'Apple ont publié en juin 2025 une étude, présentée à la conférence NeurIPS 2025, qui compare modèles de raisonnement et modèles classiques à calcul égal sur des casse-têtes de complexité réglable : sur les problèmes peu complexes, les modèles classiques font mieux ; sur une complexité moyenne, les modèles de raisonnement prennent l'avantage ; au-delà d'un certain seuil, les deux échouent complètement.

Les éditeurs eux-mêmes ont fait évoluer leurs produits dans ce sens. La documentation d'Anthropic présente désormais l'ancien réglage par budget fixe de tokens (« extended thinking », paramètre budget_tokens) comme une fonction héritée, que les modèles Claude 4.7 et suivants refusent. Elle le remplace par une réflexion « adaptative » : le modèle décide lui-même, à chaque requête, s'il doit réfléchir et combien, et peut, à faible niveau d'effort, s'en passer sur les questions faciles. Chez OpenAI, la documentation décrit un paramètre d'« effort » de raisonnement : un effort faible favorise la vitesse, un effort élevé une réflexion plus complète.

Le prix : du temps et de l'argent

Réfléchir coûte. Selon la documentation d'OpenAI, les tokens de raisonnement ne sont pas visibles via l'API, mais ils occupent de la place dans la fenêtre de contexte et sont facturés comme des tokens de sortie. Une requête qui atteint sa limite peut même s'arrêter avant toute réponse visible : on paie alors la réflexion sans obtenir de résultat.

Chez Anthropic, la documentation de la réflexion adaptative indique que les tokens de réflexion sont facturés comme des tokens de sortie, et que l'on paie la réflexion complète, même quand seul un résumé est affiché. La page consacrée à l'ancien mode note que des budgets plus élevés améliorent les réponses avec des rendements décroissants, au prix d'une latence accrue.

Pour le grand public, cela se traduit par des réponses plus longues à venir et par des quotas plus serrés. Google indiquait le 1er août 2025, dans son billet sur Deep Think, que la fonction n'était accessible qu'aux abonnés Google AI Ultra, avec un nombre fixe de requêtes par jour, et que la version utilisée aux Olympiades internationales de mathématiques mettait des heures à raisonner sur un problème.

Les limites documentées

Première limite, donc : les hallucinations persistent. Un raisonnement plus long n'empêche pas d'inventer un fait, et peut même conduire à en affirmer davantage.

Deuxième limite, plus subtile : la fidélité du raisonnement affiché. Le texte que tu vois défiler ressemble à une réflexion humaine, mais rien ne garantit qu'il décrive ce qui a réellement produit la réponse. Dans une étude publiée le 3 avril 2025, l'équipe de recherche d'Anthropic a glissé des indices dans des questions à choix multiples, puis vérifié si les modèles mentionnaient ces indices quand ils s'en servaient. En moyenne, Claude 3.7 Sonnet ne les mentionnait que dans 25 % des cas, et DeepSeek-R1 dans 39 % des cas. Dans une expérience où les modèles étaient récompensés pour exploiter une faille, ils l'ont exploitée dans plus de 99 % des cas mais l'ont admis dans moins de 2 % des cas dans la plupart des scénarios, construisant souvent une fausse justification. Les auteurs reconnaissent que leurs scénarios sont artificiels et limités à des quiz.

Troisième limite : le plafond. L'étude d'Apple citée plus haut observe un effondrement complet de la précision au-delà d'un certain niveau de complexité, et constate que l'effort de réflexion des modèles diminue alors, même quand il leur reste du budget de tokens.

En pratique

Un modèle de raisonnement est un bon choix pour un problème de logique, un calcul en plusieurs étapes, du code à déboguer ou une analyse qui demande de croiser plusieurs contraintes. Pour une tâche courte ou créative, un modèle classique, plus rapide et moins cher, suffit généralement. Dans tous les cas, vérifie la réponse comme celle de n'importe quelle IA, et lis le raisonnement affiché comme une explication plausible, pas comme une preuve. Pour suivre les nouveaux modèles, va voir la rubrique Modèles ; pour les notions de base, le hub Comprendre.

À lire aussi : ce que sont les tokens et la fenêtre de contexte, pourquoi les IA hallucinent, et ce que la réflexion prolongée coûte en énergie.