Date de connaissance d'une IA : pourquoi elle ignore l'actualité

La date de connaissance d'une IA, son « knowledge cutoff », est la limite de ses données d'entraînement : le modèle a appris des textes collectés jusqu'à une certaine date, et il ignore tout ce qui s'est passé après. Pose-lui une question sur un événement récent et il répondra avec ce qu'il savait à l'arrêt de son entraînement, pas avec l'actualité du jour.

La connaissance d'un modèle est figée, pas mise à jour en continu

Un LLM (large language model, le moteur derrière des assistants comme ChatGPT, Claude ou Gemini) apprend pendant une phase d'entraînement. On lui fait digérer une énorme quantité de textes, il en extrait des régularités, des faits, des associations. Cette phase a un début et une fin. La fin, c'est la date de connaissance.

Une fois l'entraînement terminé, le modèle ne « lit » plus rien tout seul. Il ne se réveille pas chaque matin pour parcourir les journaux. Quand tu lui parles, il rejoue ce qu'il a appris, un peu comme quelqu'un qui répondrait de mémoire après avoir cessé de s'informer un jour précis.

C'est une confusion fréquente : on imagine l'IA branchée en permanence sur internet. Par défaut, elle ne l'est pas. La recherche web, quand elle existe, est une fonction ajoutée par-dessus, pas la façon dont le modèle « sait » les choses.

Conséquence directe : entre la date de connaissance d'un modèle et le moment où tu l'utilises, il peut s'écouler des mois. Tout ce qui a changé dans cet intervalle lui échappe.

Le piège : il affirme du périmé avec aplomb

Le vrai danger n'est pas que l'IA ignore l'actualité. C'est qu'elle ne le signale pas.

Un modèle répond avec la même assurance qu'il dispose d'une information juste ou d'une information dépassée. Il n'a pas de petit voyant « attention, ceci date peut-être ». Il te donnera un prix, le nom d'un dirigeant, la dernière version d'un logiciel, comme si c'était valable aujourd'hui, alors que ces faits ont pu bouger depuis.

Le domaine de l'IA lui-même illustre bien le problème, parce qu'il se périme en mois. En mai 2026, ChatGPT tourne par défaut sur la famille GPT-5.5, et Anthropic a annoncé son modèle de pointe Fable 5 en juin 2026. Un modèle entraîné avant ces sorties les ignore tout simplement, et pourrait te citer une génération précédente comme étant « la plus récente ».

Cette tendance à produire une réponse plausible mais fausse rejoint un sujet plus large : voir notre article sur pourquoi une IA hallucine. La date de connaissance en est une cause mécanique parmi d'autres.

Le cas M&M : le tarif de juin que l'assistant ne voit pas

Prends Maisons&Mobilia, une enseigne de meubles. En juin, la direction publie une nouvelle grille tarifaire : la table « Lutèce » passe de 349 à 399 euros, et la livraison express est revue.

Sophie, à la compta, demande à l'assistant interne de l'entreprise de calculer le total d'une commande de trois tables Lutèce. L'assistant répond 1047 euros, l'ancien prix multiplié par trois. Il n'a rien inventé : il s'appuie sur ce qu'il a appris, et la nouvelle grille de juin est postérieure à sa date de connaissance. Pour lui, le tarif récent n'existe pas.

Antoine, au marketing, lui demande ensuite quel est « le dernier modèle de canapé du catalogue ». L'assistant cite une référence retirée depuis. Même cause : son catalogue mental s'arrête à une date.

Aucune de ces réponses ne porte d'avertissement. C'est ça qu'il faut intégrer : une IA ne sait pas qu'elle ne sait pas.

Ne confonds pas la date de connaissance et ce que tu lui donnes

Voici la distinction qui change tout au quotidien.

La date de connaissance concerne ce que le modèle a appris à l'entraînement. Tu ne peux pas la déplacer en discutant avec lui.

Ce que tu colles dans la conversation (un texte, un tableau, un PDF), c'est autre chose. Le modèle peut parfaitement raisonner sur une information récente si tu la lui mets sous les yeux, même si elle est postérieure à sa date de connaissance. Cette information vit le temps de l'échange et n'est pas mémorisée pour les conversations suivantes.

Autrement dit, si Sophie copie la nouvelle grille tarifaire de juin dans son message, l'assistant calculera juste. Le problème n'est pas que l'IA soit incapable de traiter du récent. C'est qu'elle ne va pas le chercher d'elle-même.

Comment lui faire voir l'actualité

Trois mécanismes permettent à un modèle de dépasser sa date de connaissance. Ils ne modifient pas son entraînement : ils lui apportent l'information fraîche au moment où il répond.

Mécanisme	Ce qu'il fait	Quand l'utiliser
Recherche web	Le modèle interroge internet avant de répondre	Faits publics et récents (actualité, prix affichés)
RAG	Tu lui branches tes propres documents à jour	Données internes : catalogue, procédures, contrats
Tool use	Tu lui donnes accès à une base ou une API en direct	Données qui changent en continu (stock, agenda)

La recherche web intégrée laisse le modèle aller chercher des pages en ligne et fonder sa réponse dessus. C'est le réflexe pour une question d'actualité générale.

Le RAG (retrieval-augmented generation) consiste à lui fournir tes propres documents : le modèle pioche dedans avant de répondre, ce qui le rend fiable sur ton catalogue ou tes procédures. On détaille le principe dans qu'est-ce qu'un RAG.

Le tool use (ou function calling) donne au modèle la possibilité d'appeler un outil : une base de données, une API de stock, ton agenda. Il récupère la donnée vive au lieu de la deviner. Notre article sur le tool use et le function calling montre comment ça marche.

Pour M&M, la bonne architecture est claire : du RAG sur le catalogue et la grille tarifaire pour que l'assistant lise toujours les prix à jour, et un appel d'outil vers la base de stock pour la disponibilité. La date de connaissance du modèle devient alors un détail, parce qu'il ne s'appuie plus sur sa mémoire pour ces faits.

Aller plus loin

Pour comprendre d'où vient cette mémoire figée, commence par c'est quoi un LLM, qui explique le rôle de l'entraînement. La notion de ce qu'un modèle peut « lire » dans un seul échange est liée à sa fenêtre de contexte et ses tokens. Et si tu veux brancher tes données fraîches sans dépendre de la mémoire du modèle, le couple RAG plus tool use est la voie la plus solide.

Dans l'app saisir.ai, le module sur les limites des modèles te fait manipuler ce cas concrètement, avec un assistant qui se trompe de tarif tant qu'on ne lui donne pas la bonne source.