Les petits modèles de langage sont des modèles d’IA avec relativement peu de paramètres, généralement de moins d’un milliard à environ dix milliards, conçus pour fonctionner rapidement et à moindre coût, parfois sur un ordinateur portable ou un téléphone. Dans les opérations marketing, ils permettent de gagner le plus de temps sur des tâches étroites et répétitives : marquage de contenu, extraction de champs, routage de demandes et nettoyage de données, là où un grand modèle de pointe serait plus lent et plus coûteux que nécessaire.
Qu’est-ce qui compte comme un petit modèle de langage ?
Il n’y a pas de limite officielle, mais le terme couvre généralement des modèles tels que la famille Phi de Microsoft, Gemma de Google, les variantes plus petites de Llama de Meta, les modèles compacts de Mistral, les tailles plus petites de Qwen et les modèles sur appareil d’Apple. Beaucoup sont à poids ouverts, vous pouvez donc les télécharger et les exécuter vous-même selon leurs conditions de licence.
Leurs forces sont la vitesse, le faible coût et la confidentialité. Exécuter un petit modèle sur votre propre serveur ou machine signifie que les données ne quittent jamais votre contrôle. Leur faiblesse est l’étendue : ils en savent moins, raisonnent moins bien sur de longues chaînes et font plus d’erreurs sur des tâches créatives ouvertes que les plus grands modèles.
L’astuce consiste à leur confier des tâches qui leur conviennent. Un workflow avec des entrées claires, des sorties claires et des résultats vérifiables joue sur leurs forces.
Quelles tâches marketing conviennent aux petits modèles ?
Les bons candidats partagent trois traits : volume élevé, décisions simples et sorties que vous pouvez vérifier automatiquement. Exemples :
- Classer des articles de blog ou des produits dans une liste fixe de catégories.
- Extraire le nom de l’entreprise, l’intitulé du poste et l’intention des messages de formulaire entrants.
- Marquage de sentiment des avis ou des commentaires sociaux.
- Détecter la langue et router les tickets vers la bonne équipe.
- Normaliser les paramètres UTM ou les noms de campagne désordonnés.
- Écrire un court texte alternatif à partir des attributs de produit existants.
Les tâches qui ne conviennent pas bien incluent les longs documents de stratégie, les textes de marque subtils et tout ce qui nécessite des connaissances mondiales à jour.
Workflow 1 : marquage d’une bibliothèque de contenu
Les grands sites ont souvent des milliers d’articles avec des balises manquantes ou incohérentes. Un petit modèle peut proposer des balises à partir d’une liste fixe.
- Exportez les titres et les 300 premiers mots de chaque article vers un CSV.
- Rédigez un prompt qui liste les balises autorisées et demande jusqu’à trois balises, renvoyées au format JSON.
- Exécutez un échantillon de 100 articles et faites-les vérifier par une personne.
- Resserrez le prompt là où les erreurs se répètent, par exemple en ajoutant une définition d’une ligne par balise.
- Exécutez l’ensemble complet, puis importez les balises comme suggestions pour qu’un éditeur les approuve en masse.
Comme la sortie est limitée à une liste connue, les réponses invalides sont faciles à détecter avec un script simple.
Workflow 2 : triage des formulaires de prospects
Les champs de texte libre dans les formulaires de contact cachent des signaux utiles. Un petit modèle peut lire chaque message et renvoyer des champs structurés : type de demande, budget mentionné (oui ou non), urgence et langue.
Connectez le formulaire à un outil d’automatisation tel que Make, n8n ou Zapier, envoyez le message au modèle et écrivez les résultats dans le CRM en tant que propriétés personnalisées. Les ventes filtrent ensuite par type de demande plutôt que de lire chaque message. Gardez le message original joint et examinez un échantillon hebdomadaire pour vérifier que le modèle n’a pas dérivé.
Choisir où exécuter le modèle
- Local : des outils comme Ollama ou LM Studio exécutent des modèles ouverts sur une station de travail ; bon pour les tests et les données privées.
- Serveur auto-hébergé : vLLM ou logiciel de service similaire sur un GPU cloud ; bon pour un volume constant.
- API hébergée : plusieurs fournisseurs servent de petits modèles à moindre coût par jeton ; le plus simple pour commencer.
Workflow 3 : nettoyage des données avant le reporting
Les noms de campagne dans les comptes publicitaires sont souvent incohérents : “Summer_Sale_TR”, “summer sale tr v2”, “SS-TR”. Avant de créer un tableau de bord, un petit modèle peut mapper chaque nom brut à un schéma de nommage standard que vous définissez, renvoyant la plateforme, le marché, le thème de la campagne et l’étape de l’entonnoir.
Stockez la table de mappage pour que le même nom brut soit toujours mappé de la même manière, et n’envoyez que les nouveaux noms au modèle. Cela maintient le coût proche de zéro et les résultats cohérents.
Comment maintenir une qualité acceptable ?
Les petits modèles font plus d’erreurs, donc chaque workflow nécessite une vérification. Contrôles utiles :
- Limitez la sortie au JSON avec des champs fixes et des valeurs autorisées.
- Validez chaque réponse avec un script et réessayez ou signalez les échecs.
- Gardez un ensemble de test étiqueté de 50 à 200 exemples et réexécutez-le chaque fois que vous modifiez le modèle ou le prompt.
- Envoyez les cas à faible confiance ou invalides à un modèle plus grand ou à une personne.
Ce dernier point décrit une cascade : le petit modèle gère la majorité facile, et seuls les cas difficiles vont à un modèle plus grand et plus coûteux. C’est un modèle courant pour garder les coûts sous contrôle.
Comment Alien Road applique les petits modèles de langage
Dans un engagement typique, la découverte recherche les tâches répétitives et basées sur des règles qui consomment les heures du personnel : marquage, triage de formulaires, nettoyage de noms et similaires. Nous estimons le volume mensuel et la manière dont les erreurs seraient détectées, car une tâche sans vérification n’est pas prête pour l’automatisation.
La configuration commence généralement par un petit modèle hébergé pour la vitesse, passant à un modèle local ou auto-hébergé si la sensibilité des données ou le volume le justifient. Les prompts renvoient une sortie structurée, et un script de validation se situe entre le modèle et tout système dans lequel il écrit.
La mesure utilise un ensemble de test fixe noté avant le lancement et re-noté mensuellement, ainsi qu’un journal du nombre d’éléments qui retombent sur une personne ou un modèle plus grand. Le reporting au client montre les heures économisées sur la tâche, les taux d’erreur des contrôles ponctuels et le coût de fonctionnement, de sorte que l’argument pour conserver ou abandonner chaque workflow est clair.
Combien coûtent les petits modèles par rapport aux grands ?
Les prix changent trop souvent pour être cités de manière fiable, mais le modèle est stable : par jeton, les petits modèles hébergés coûtent généralement une fraction des modèles phares des mêmes fournisseurs. L’auto-hébergement déplace le coût des jetons vers le matériel, ce qui est rentable lorsque le volume est constant et élevé.
Pour une tâche de classification traitant des dizaines de milliers d’articles courts par mois, la différence entre un petit et un grand modèle peut décider si le workflow vaut la peine d’être automatisé. Faites les calculs avec vos volumes réels et vos pages de prix actuelles avant de choisir.
La vitesse est l’autre économie. Les petits modèles répondent rapidement, ce qui est important dans les workflows comme le triage de formulaires en direct où une personne ou un système attend le résultat.
Par où commencer cette semaine
Choisissez une tâche de classification répétitive dans vos opérations marketing. Collectez 100 exemples réels et étiquetez-les à la main ; cela devient votre ensemble de test.
Installez un exécuteur local comme Ollama, essayez deux petits modèles ouverts sur les exemples avec le même prompt et comptez les réponses correctes. Si l’un atteint un niveau que vous accepteriez d’un assistant junior, connectez-le à un petit pilote avec révision humaine et suivez la fréquence à laquelle les réviseurs modifient ses réponses.
Continuer la lecture : Optimisation par IA · Optimisation par IA