Un modèle de langage peut-il estimer une probabilité de match ?

Non. Il est entraîné à produire la suite de texte la plus vraisemblable, pas à calculer une probabilité. Le nombre qu'il produit est cohérent avec le contexte de la question et n'est le résultat d'aucun calcul. Deux formulations différentes de la même question peuvent donner deux réponses différentes.

Pourquoi ces outils inventent-ils des statistiques ?

Parce qu'une phrase contenant un chiffre plausible est, de leur point de vue, aussi satisfaisante qu'une phrase contenant le bon chiffre. Le mécanisme qui produit une belle phrase est le même que celui qui produit un chiffre crédible mais faux, et rien dans le résultat ne les distingue.

Un modèle connaît-il les blessures et les compositions ?

Non, sauf si l'information lui est fournie dans la question. Un modèle ne connaît que ce qui figurait dans ses données d'entraînement, et les compositions sont publiées environ une heure avant le coup d'envoi. C'est précisément l'information la plus déterminante d'un match.

À quoi ces outils servent-ils utilement pour un parieur ?

À des tâches de langage : résumer des articles de presse étrangère sur l'état d'un effectif, expliquer une règle de compétition ou une formule statistique, écrire la formule d'un tableur, structurer un suivi de paris. La règle est simple : fournis les données, ne les demande pas.

Comment reconnaître un pronostic généré automatiquement ?

Quatre signaux : aucune cote mentionnée, des statistiques précises sans source ni période, un ton et une structure identiques d'un article à l'autre, et surtout l'absence totale de doute. Un contenu qui ne dit jamais qu'une information manque n'a pas été écrit par quelqu'un qui a réellement cherché.

Un pronostic sans cote a-t-il une valeur ?

Très faible. Une même sélection peut être excellente à une cote de 2.50 et absurde à 1.60 : c'est le prix qui décide, pas l'issue recommandée. Un pronostic qui ne mentionne jamais à quel prix il faudrait jouer ne donne pas l'information principale.

IA générative et pronostics : les limites

Non, pas au sens où on l'entend. Un modèle de langage est entraîné à produire la suite de texte la plus vraisemblable, pas à estimer une probabilité d'événement. Interrogé sur un match, il produira une analyse qui ressemble à une analyse d'expert, avec un ton assuré et des arguments bien construits, sans qu'aucun calcul de probabilité n'ait été effectué. Trois limites structurelles s'ajoutent : il ne connaît pas les informations postérieures à son entraînement, il invente des chiffres avec la même assurance que lorsqu'il en cite de vrais, et il n'a aucun accès aux cotes réelles sauf si on les lui fournit.

Ce qu'un modèle de langage fait réellement

Les quatre limites structurelles

Les usages où ces outils apportent quelque chose

Reconnaître un pronostic généré

Depuis que les modèles de langage sont accessibles à tous, une offre entière de pronostics dits intelligents s'est développée. Le malentendu est profond, et il tient à une confusion sur la nature même de ces outils : ils produisent du texte vraisemblable, ce qui n'a rien à voir avec produire une estimation juste. Voilà ce qu'ils savent faire, ce qu'ils ne savent pas faire, et comment s'en servir sans se raconter d'histoires.

Article de méthode sur le fonctionnement des modèles de langage. Aucun outil ni service n'est nommé. Jouer comporte des risques : endettement, isolement, dépendance. Interdiction de jeu aux mineurs.