IA multimodale : quand l'IA lit tes images, tes PDF et ta voix

Une IA multimodale est un modèle qui comprend et parfois produit plusieurs types de contenu (texte, image, audio, parfois vidéo) au lieu de ne traiter que du texte. Tu peux lui montrer une photo, lui faire lire un PDF scanné ou lui parler, et elle travaille dessus comme elle travaillerait sur une phrase.

Pendant des années, un modèle de langage ne savait lire et écrire que du texte. Si tu voulais lui faire analyser une image, il fallait d'abord la décrire à la main. Cette époque est révolue pour les grands modèles grand public.

Une modalité, c'est quoi

Une modalité est un type de contenu : le texte est une modalité, l'image en est une autre, l'audio une troisième, la vidéo une quatrième. Le mot vient simplement de l'idée de « canal » par lequel l'information arrive.

Un modèle uniquement textuel ne connaît qu'une modalité. Un modèle multimodal en gère plusieurs dans la même conversation. Concrètement, tu peux coller une photo et poser une question écrite à son sujet, sans changer d'outil ni convertir quoi que ce soit toi-même.

Attention à une nuance : multimodal en entrée et multimodal en sortie sont deux choses distinctes. Un modèle peut très bien comprendre une image (entrée) sans savoir en dessiner une (sortie), ou l'inverse. Quand tu évalues un outil, regarde les deux : ce qu'il sait lire, et ce qu'il sait produire.

Où en est-on en 2025-2026

Début 2025 et en 2026, les grands modèles grand public sont nativement multimodaux pour le couple texte plus image : tu leur soumets une photo et ils raisonnent dessus de façon courante. La génération d'images depuis une consigne texte est, elle aussi, largement répandue.

L'audio et la vidéo progressent vite mais sont moins uniformément matures selon les outils : transcrire une réunion ou comprendre une vidéo n'est pas encore aussi banalisé que lire une image. La règle pratique : ne suppose pas qu'un modèle gère une modalité, vérifie-le pour l'outil précis que tu utilises, car le paysage bouge de mois en mois.

Quatre usages concrets

Le multimodal débloque des tâches qui demandaient avant une saisie humaine ou un logiciel dédié.

• Décrire ou extraire le contenu d'une photo : lire une étiquette, repérer un défaut, lister ce qu'on voit.
• Lire un PDF scanné, y compris une page photographiée de travers, et en sortir le texte ou les chiffres.
• Transcrire une réunion ou un mémo vocal en texte exploitable.
• Générer une image à partir d'une consigne écrite, pour une maquette ou une illustration.

Le point commun : l'information de départ n'est pas du texte propre. Avant le multimodal, il fallait qu'un humain la retape. Maintenant, le modèle la lit directement.

L'exemple Maisons&Mobilia : la facture et le SAV

Chez Maisons&Mobilia (M&M), deux usages multimodaux tiennent debout tout seuls.

Premier cas, la comptabilité. Sophie reçoit chaque semaine des dizaines de factures fournisseurs, souvent en photo ou en PDF scanné. Elle en photographie une, le modèle multimodal en extrait le montant, la date et le numéro, et pré-remplit la saisie. Sophie ne retape plus, elle relit. Le travail passe de « tout saisir » à « vérifier ».

Second cas, le service après-vente. Un client envoie la photo d'une commode dont un angle est fendu. Le modèle décrit le dommage, reconnaît le type de meuble et pré-qualifie la demande : pièce concernée, nature du défaut, urgence probable. Un agent humain reprend ensuite un dossier déjà à moitié rempli, au lieu de partir d'une photo brute et d'un message vague.

La limite réelle : le modèle peut mal lire un détail

Voici le piège à connaître avant de déployer ça en vrai. Sur une image, un modèle multimodal peut mal lire un détail précis : un chiffre dans un montant, une mention en petits caractères, une date manuscrite. Il ne « voit » pas comme un scanner comptable, il interprète, et il peut se tromper avec aplomb.

Pour la facture de Sophie, ça veut dire une règle simple : le modèle pré-remplit, un humain valide le montant et la date avant écriture en comptabilité. C'est la même prudence que face à une hallucination de texte, où le modèle affirme quelque chose de faux d'un ton assuré. Sur ce risque côté texte, vois hallucination IA. Le multimodal ne supprime pas la vérification, il déplace le travail vers elle.

Texte ou image, un même budget en tokens

Un dernier point compte pour le coût. Un modèle multimodal ne traite pas une image gratuitement : il la découpe et la convertit en tokens, l'unité que le modèle compte et facture, exactement comme il le fait pour du texte. Une grande image, ou plusieurs images dans une même conversation, consomment des tokens, parfois beaucoup.

Entrée	Comment le modèle la traite	Effet sur le coût
Texte	Découpé en tokens	Proportionnel à la longueur
Image	Convertie en tokens selon sa taille	Une grande image peut coûter cher
Audio	Transcrit puis traité en tokens	Proportionnel à la durée

La conséquence pratique : envoyer dix photos haute résolution dans un seul échange peut remplir la fenêtre de contexte et alourdir la facture plus vite qu'on ne le croit. Pour comprendre cette mécanique de comptage et de fenêtre, vois token et context window.

Aller plus loin

Le multimodal s'appuie sur la même machinerie qu'un modèle de texte : pour la base, lis c'est quoi un LLM. Et pour anticiper la facture quand tu lui envoies des images ou de longs documents, token et context window explique ce qui se compte vraiment.

Tu peux aussi tester ces usages pas à pas dans l'app saisir.ai, en modules courts et concrets.