Quels modèles d'IA analysent votre conversation WhatsApp ? Une réponse claire

Réponse courte : votre rapport est produit par un ensemble de systèmes, pas par une seule IA. Les statistiques sont calculées par du code ordinaire, sans aucun modèle. L'analyse rédigée et l'assistant fonctionnent avec un grand modèle de langage d'OpenAI. Un index de recherche construit à partir d'embeddings permet à l'assistant de retrouver les bons messages. Et une quatrième couche, ajoutée ce mois-ci, est une nouvelle catégorie de modèle appelée Jev, qui mesure ce que le modèle de langage estimait auparavant.

La plupart des produits répondent à cette question par « propulsé par une IA avancée ». Cette formule existe pour éviter la réponse. Voici la vraie, couche par couche — y compris les parties de votre rapport qui ne sont produites par aucune IA.

Pourquoi un ensemble plutôt qu'un seul grand modèle

Le réflexe est d'envoyer toute la conversation au plus grand modèle disponible et de tout lui demander. C'est une seule intégration et cela fait bonne impression en démonstration.

C'est aussi la mauvaise forme pour ce problème, car les questions de votre rapport ne sont pas du même ordre.

« Combien de messages chacun a-t-il envoyés, et comment votre temps de réponse moyen a-t-il évolué depuis mars ? » relève de l'arithmétique. Il existe une bonne réponse, elle est dans le fichier, et un modèle de langage à qui on demande de la produire fait quelque chose de strictement pire que compter : il estime un nombre qu'il suffirait de calculer.

« Qu'est-ce qui a changé dans votre façon de vous parler ? » relève de l'interprétation. Aucune quantité de comptage ne produit ce paragraphe. Cela demande un modèle qui comprend la langue.

Ici, ces tâches vont à des machines différentes. C'est ce que signifie le mot ensemble dans ce contexte : non pas plusieurs marques de la même chose dont on ferait la moyenne, mais des types de système différents, chacun assurant la partie où il est réellement bon.

Couche un : les statistiques ne sont pas de l'IA du tout

Nombre de messages, qui écrit le plus, qui lance les conversations, distributions des temps de réponse, activité par mois et par heure, les mesures socio-linguistiques : tout cela est calculé à partir de votre texte pseudonymisé par du code conventionnel et des bibliothèques établies de traitement du langage naturel. Aucun grand modèle n'intervient sur ce chemin.

C'est pourquoi ces nombres sont identiques chaque fois que vous analysez le même fichier. Ils ne peuvent pas dériver d'une exécution à l'autre et ils ne peuvent pas être inventés, parce que rien ne les génère. Ils sont comptés.

C'est la couche la moins spectaculaire et celle que nous défendrions le plus fermement. Une statistique produite par l'arithmétique est un fait sur votre conversation. Une statistique produite par un modèle de langage est l'impression de ce modèle sur votre conversation, habillée d'une virgule.

Couche deux : le modèle de langage

L'analyse sémantique — sentiment, engagement, conflit, clarté, santé de la relation — et chaque échange que vous avez avec l'assistant fonctionnent avec un grand modèle de langage d'OpenAI.

Pour être direct, comme nous le sommes sur notre page de confidentialité : cela signifie que le texte pseudonymisé de votre conversation est envoyé à l'API de ce fournisseur. Il y arrive sans compte, sans e-mail, sans numéro de téléphone et sans noms réels, parce que ceux-ci ont été remplacés dans votre navigateur avant tout envoi. Selon les conditions d'API de ce fournisseur, le contenu n'est pas utilisé pour entraîner ses modèles.

Nous ne publions délibérément pas les versions exactes des modèles. Elles changent au fur et à mesure que de meilleures sortent, et un numéro de version sur une page marketing est périmé en quelques mois. Ce qui compte, c'est la catégorie et le fournisseur, et les deux sont indiqués ci-dessus.

Couche trois : l'index de recherche

Pour que l'assistant puisse répondre à « est-ce qu'on s'est déjà disputés à propos d'argent ? » sans que vous ayez tapé ces mots exacts, votre conversation est découpée en fragments et convertie en embeddings — des représentations numériques du sens. Cet index n'appartient qu'à votre analyse et est supprimé avec elle.

Couche quatre : Jev, et ce que cela change

Cette couche est nouvelle — elle est entrée en service avec cet article — et elle mérite une vraie explication, car c'est un type de composant véritablement nouveau et non une version plus grande du précédent.

Jev vient de TypeSafe AI, un laboratoire de San Francisco fondé par Diogo Almeida, coauteur de l'article InstructGPT à l'origine de ChatGPT. Il est sorti de la confidentialité en septembre 2026 et les développeurs l'ont remarqué immédiatement, pour une raison inhabituelle : Jev n'écrit pas.

C'est ce que ses créateurs appellent un modèle Système Un, d'après le mode de pensée rapide et intuitif décrit par Daniel Kahneman. Vous lui donnez un état et une question typée, et il renvoie une réponse typée accompagnée d'une probabilité calibrée. Pas un paragraphe. Une valeur et un nombre exprimant son degré de confiance. Comme les réponses possibles sont définies à l'avance, il n'y a aucune place dans la sortie pour en inventer une — le mode de défaillance qui fait douter des analyses par IA est structurellement absent. Il a été entraîné entièrement sur des données synthétiques, et il est assez rapide et peu coûteux pour parcourir une conversation entière plutôt qu'une poignée d'extraits récupérés.

Voici pourquoi cela compte pour un rapport sur votre relation.

Jusqu'ici, les scores sémantiques ici étaient produits de la façon standard : récupérer les passages pertinents, les confier à un modèle de langage, demander un score de conflit entre 0 et 1. Cela fonctionne, et cela comporte trois défauts qui ne nous ont jamais satisfaits. Le nombre est une impression plutôt qu'une mesure. Il n'est pas reproductible, car des passages différents remontent d'une exécution à l'autre. Et il ne peut pas montrer son raisonnement : à la question « quels messages ? », un modèle qui s'est forgé une impression construira volontiers des citations plausibles après coup.

Avec Jev, l'ordre s'inverse. Chaque tour de la conversation est lu, et des questions factuelles et étroites sont posées sur chacun : est-ce que cela balaie ce qui vient d'être dit ? est-ce une tentative de réparation après une friction ? cette réponse entre-t-elle dans le fond ou l'esquive-t-elle ? Chaque réponse est une probabilité rattachée à un tour précis, et toutes sont stockées.

Les scores sont ensuite calculés dans le code à partir de ces étiquettes stockées, exactement comme les décomptes de messages de la couche un. Le modèle de langage rédige toujours le texte qui explique la section, car c'est à cela que servent les modèles de langage — mais il reçoit des nombres déjà finalisés, et chaque chiffre est écrasé par la valeur calculée avant de vous parvenir. Le modèle n'a pas le droit d'arrondir, d'ajuster ou d'improviser une statistique.

Ce que cela vous apporte : des scores reproductibles, une couverture de la conversation entière au lieu des passages que la récupération a fait remonter par hasard, et des constats traçables jusqu'à des messages précis horodatés. « D'où vient ceci ? » a désormais une réponse faite de preuves et non de reconstruction.

Si vous avez déjà analysé une conversation ici, c'est la couche qui a changé. Les statistiques que vous avez vues sont inchangées — elles étaient déjà comptées. Ce sont les sections sémantiques qui reposent maintenant sur de la mesure, et ce que signifient vos statistiques mérite une seconde lecture dans cette optique.

Ce que nous avons réglé avant de l'activer

Le moteur était terminé bien avant d'être activé. Il est resté derrière un interrupteur pendant qu'il était exécuté de bout en bout, évalué dans les six langues que nous prenons en charge et calibré contre un jeu de référence — et pendant que nous réglions la partie qui n'avait rien à voir avec la précision.

Ajouter cette couche signifie que votre conversation pseudonymisée est envoyée à une entreprise de plus qu'auparavant. Nous n'étions pas disposés à le faire discrètement. Le fournisseur est nommé sur notre page de confidentialité, avec les conditions dans lesquelles ses données sont traitées, et cette page était en ligne avant que la première conversation ne lui parvienne — pas après. Aucun des deux fournisseurs ne s'entraîne sur ce que nous envoyons et, comme pour toutes les autres couches, ce que nous envoyons ne porte aucun compte, aucun e-mail et aucun nom réel.

L'autre moitié, c'est ce qui se passe de notre côté, et c'est la partie que nous montrerions en premier. Rien n'est conservé ici. À l'expiration de votre analyse, le fichier envoyé, les statistiques, les sections rédigées, les mesures par tour derrière les scores sémantiques et l'index de recherche avec ses embeddings sont tous détruits — par un processus planifié, dans une infrastructure distincte, qui n'a pas besoin que ce site fonctionne. Ce qui reste est un identifiant et quelques dates notant qu'une analyse a eu lieu. Il n'existe ici aucun corpus de conversations à entraîner, vendre ou laisser fuiter, parce que nous n'en gardons aucun.

Cela a été plus lent que de simplement livrer. C'est le même raisonnement qui a placé l'étape de remplacement des noms dans votre navigateur plutôt que sur nos serveurs : les garanties de confidentialité qui survivent au contact du réel sont structurelles, et la structure se décide avant le lancement, elle ne se visse pas après la sortie d'une fonctionnalité.

Questions fréquentes

Une entreprise d'IA utilise-t-elle ma conversation pour s'entraîner ? Non. Les deux fournisseurs de ce parcours opèrent sous des conditions d'API qui excluent le contenu transmis de l'entraînement des modèles, et TypeSafe indique que Jev n'est ni affiné ni adapté avec des données clients — les mêmes poids servent tous les comptes. Nous n'entraînons pas davantage de modèle qui nous serait propre sur vos conversations, et nous ne pourrions pas : vos données sont détruites à l'expiration de l'analyse, il n'y a donc aucun corpus à entraîner.

L'IA peut-elle deviner qui je suis ? Pas à partir de ce que nous envoyons. Les noms des participants sont remplacés dans votre navigateur avant l'envoi, il n'y a pas de comptes, et aucun e-mail ni numéro n'existe de notre côté pour y être rattaché. Un modèle peut observer que la Personne A répond plus lentement le week-end. De là, il n'a aucun chemin vers votre identité.

Pourquoi ne pas simplement utiliser le meilleur modèle pour tout ? Parce que « le meilleur » dépend de la tâche. Compter des messages ne demande pas d'intelligence, cela demande de l'arithmétique, et un modèle de langage qui calcule est une calculatrice moins bonne au ton assuré. L'interprétation demande un modèle de langage. Étiqueter des milliers de tours de façon cohérente et peu coûteuse demande quelque chose comme Jev. Un seul modèle qui fait les trois fait chacune moins bien.

Un score de conflit de 0,62 est-il un fait ? C'est désormais un chiffre calculé et non une impression : de l'arithmétique sur des milliers de tours étiquetés un par un, reproductible d'une exécution à l'autre et traçable jusqu'aux messages qui le sous-tendent. C'est une vraie amélioration par rapport à une estimation, et cela décrit toujours une conversation plutôt que de trancher une dispute. Prenez-le comme un point de départ solide pour votre propre réflexion, pas comme un verdict.

Mon analyse précédente utilisait-elle cela ? Non. Les analyses réalisées avant ce mois-ci faisaient produire les scores sémantiques directement par le modèle de langage. Les statistiques étaient comptées alors et le sont encore, elles sont donc inchangées — ce sont les sections sémantiques qui se sont améliorées.

Et si je n'ai pas encore exporté ma conversation ? Notre guide d'export pas à pas couvre iPhone et Android. Rien n'est envoyé avant que vous ayez remplacé les noms des participants dans votre navigateur.