Cyberpediapar Brain

Sorties structurées : faire remplir un schéma par l'IA

Comment un schéma JSON transforme un texte libre en champs précis, ce que la fonction garantit, et les réflexes pour contrôler les valeurs.

Sur cette page
  1. 1En 30 secondes
  2. 2De quoi parle-t-on
  3. 3Questions directes
  4. 4Comment ça marche
  5. 5Ce que vous faites
  6. 6Les pièges
  7. 7Sources
  8. 8Citer cet article

En 30 secondes

Où ça arrive
Dans les outils qui demandent à une IA de ranger un texte libre dans des champs, par exemple pour tirer d'une phrase le nom d'un événement, sa date et ses participants[1].
Ce que ça garantit
Une réponse conforme au schéma[2]. Microsoft[1] oppose cette fonction à l'ancien mode JSON, qui garantissait un JSON valide sans pouvoir assurer le respect du schéma fourni.
Ce qui reste possible
Un champ déclaré obligatoire force le modèle à fournir une valeur[2], et le NIST[3] décrit des contenus faux présentés avec assurance.
Le réflexe
Autoriser la valeur vide pour les champs qui peuvent manquer[1], valider le résultat avant de l'utiliser, le valider avant de le faire exécuter[4] et faire relire par une personne quand l'enjeu est élevé[5].

De quoi parle-t-on

Un courriel ou un compte rendu est un texte libre. Pour en tirer des champs précis, une application peut imposer à l'IA un schéma JSON. Microsoft[1] présente les sorties structurées (structured outputs) comme une fonction qui fait suivre au modèle une définition de JSON Schema fournie dans l'appel à l'API, et cite parmi ses usages l'extraction de données structurées[1].

Un schéma de réponse précise les noms des champs et le type de donnée attendu pour chacun[2]. Google[2] écrit qu'avec un schéma, la réponse du modèle suit toujours le schéma défini[2]. Cette fiche sépare deux questions : la forme de la réponse, et la justesse de son contenu.

Questions directes

Qu'est-ce qu'une sortie structurée ?

C'est une réponse d'IA qui suit un schéma fourni avec la demande. Microsoft[1] la distingue de l'ancien mode JSON, qui garantissait un JSON valide mais ne pouvait pas assurer le respect du schéma. Google[2] précise que le mode JSON sans schéma n'est qu'une forte incitation et ne donne pas 100 % de JSON valide. Pour obtenir 100 % de JSON valide, la demande doit contenir à la fois un schéma de réponse et le type application/json[2].

Un schéma respecté veut-il dire des valeurs exactes ?

Non. Le NIST[3] explique que les erreurs de contenu découlent de la conception des modèles génératifs : ils produisent des sorties qui approchent la distribution statistique de leurs données d'entraînement, ce qui peut donner des sorties exactes comme inexactes[3]. L'OWASP[5] décrit l'hallucination comme un contenu qui semble exact mais qui est inventé[5].

Que fait le modèle quand l'information manque dans le texte ?

Selon Google[2], les champs sont facultatifs par défaut : le modèle peut les remplir ou les ignorer. On peut les déclarer obligatoires pour le forcer à fournir une valeur. Si le contexte de la demande est insuffisant, le modèle répond surtout d'après les données sur lesquelles il a été entraîné[2]. Chez Microsoft[1], tous les champs doivent être déclarés obligatoires, et un champ facultatif s'émule avec un type qui accepte aussi la valeur null.

Peut-on faire exécuter la sortie telle quelle ?

Non. L'OWASP[4] nomme ce défaut « Improper Output Handling » : une validation insuffisante des sorties du modèle avant qu'elles passent à d'autres composants. Comme le contenu généré peut être piloté par la demande, l'OWASP le compare à un accès indirect à des fonctions supplémentaires[4]. Parmi ses exemples : une sortie placée directement dans un interpréteur de commandes (fonctions exec ou eval), qui mène à l'exécution de code à distance, et des requêtes SQL générées puis exécutées sans paramétrage, qui mènent à une injection SQL[4].

Quand faire relire par une personne ?

L'OWASP[5] propose une supervision humaine et une vérification des faits, surtout pour les informations critiques ou sensibles, avec des relecteurs formés à ne pas se reposer aveuglément sur l'IA[5]. Le NIST[3] donne l'exemple de la santé : un résumé de dossiers de patients inventé pourrait conduire des médecins à poser un mauvais diagnostic ou à recommander un mauvais traitement[3]. Il ajoute que le risque est particulièrement important à surveiller dans les applications où l'IA nourrit des décisions lourdes de conséquences[3].

Comment ça marche

Azure Databricks[6] décrit la fonction comme la génération de réponses dans un format JSON défini, au moyen d'un champ de format de réponse dans la demande de conversation. Il la recommande pour extraire des données d'un grand nombre de documents (par exemple classer des avis sur un produit en négatif, positif ou neutre), pour les traitements par lots qui exigent un format donné, et pour transformer des données non structurées en données structurées[6]. Son exemple de schéma extrait d'un texte de recherche le titre, les auteurs, le résumé et les mots-clés[6].

Les éditeurs ne reprennent pas tout JSON Schema, seulement un sous-ensemble. Chez Microsoft[1], un schéma peut compter jusqu'à 100 propriétés d'objet et cinq niveaux d'imbrication. Les mots-clés pattern, minLength, maxLength, minimum et maximum ne sont pas pris en charge[1]. Azure Databricks[6] fixe le maximum à 64 clés, indique ne pas appliquer de contraintes de longueur ou de taille aux objets et aux tableaux, et note qu'un schéma très imbriqué donne une génération de moindre qualité : il conseille de l'aplatir si possible[6]. Il précise aussi que les techniques employées pour améliorer la qualité changent le nombre de jetons consommés, donc la facturation[6].

Chez Google[2], la réponse du modèle utilise le nom et la description de chaque champ du schéma. Google recommande des noms de champs clairs et une description qui définit le rôle de chacun[2]. Il déconseille de recopier le schéma dans la consigne : la qualité de la sortie peut en pâtir[2]. Il note aussi que l'usage de la sortie structurée sur des modèles Gemini ajustés peut diminuer la qualité du modèle[2].

La recherche travaille sur le même problème. Une étude publiée sur arXiv en février 2025[7] a construit un banc d'essai d'environ 40 000 schémas JSON différents et constate que les LLM les plus récents peinent encore à produire une chaîne JSON valide[7]. Une autre, de mai 2025[8], mesure séparément l'exactitude du schéma et la fidélité du contenu[8].

Ce que vous faites

Ces gestes s'adressent à qui paramètre une extraction ou utilise son résultat.

  • Prévoir la valeur vide. Pour tout champ dont l'information peut manquer dans le texte, utiliser la possibilité décrite par Microsoft[1] : un type qui accepte la valeur null. Un champ obligatoire force une valeur[2].
  • Nommer et décrire chaque champ. Google[2] recommande des noms sans ambiguïté et un champ de description pour le rôle de chaque champ.
  • Valider le résultat. Si le schéma ne peut pas être défini à l'avance, Google[2] recommande un validateur JSON côté client avec une nouvelle tentative en cas d'échec. L'OWASP[5] recommande de valider automatiquement les sorties clés, surtout dans les environnements à enjeu élevé[5]. Avec le modèle databricks-claude-opus-5, une demande peut renvoyer une raison d'arrêt de type filtre de contenu quand le modèle refuse la requête, et la sortie peut alors ne pas respecter le schéma : Azure Databricks[6] indique de vérifier cette raison d'arrêt avant d'analyser la sortie.
  • Ne rien exécuter sans contrôle. L'OWASP[4] conseille de traiter le modèle comme n'importe quel autre utilisateur (approche zero-trust) et de valider ses réponses avant de les transmettre aux fonctions de l'application. Il recommande aussi des requêtes paramétrées pour toute opération de base de données qui touche une sortie du modèle[4].
  • Recouper avec des sources fiables. L'OWASP[5] encourage les utilisateurs à comparer les sorties à des sources externes de confiance.
  • Faire relire quand l'enjeu est élevé, comme dans la question sur la relecture plus haut[5].

Les pièges

Une case obligatoire pousse à une valeur plausible. Google[2] indique qu'un champ déclaré obligatoire force le modèle à fournir une valeur, et que, faute de contexte, il répond surtout d'après ses données d'entraînement[2]. Le NIST[3] note que ces erreurs sont présentées avec assurance : le risque naît quand les utilisateurs croient un contenu faux en raison du ton confiant de la réponse[3].

Une justification n'est pas une preuve. Le NIST[3] relève que les modèles fournissent parfois des étapes logiques pour expliquer une réponse même quand cette réponse est fausse, ce qui peut conduire à leur faire trop confiance[3]. Un champ « explication » rempli par le modèle ne prouve donc rien.

Forme valide et contenu fidèle sont deux mesures. Dans l'étude de mai 2025[8], un modèle Mistral-7B ajusté avec décodage contraint atteint une exactitude de schéma de 99,5 % et une similarité de contenu de 94,0 %[8].

La confiance excessive aggrave l'erreur. L'OWASP[5] définit le recours excessif à l'IA comme une confiance exagérée dans le contenu généré, sans en vérifier l'exactitude, et note que les utilisateurs peuvent alors intégrer des données incorrectes dans des décisions ou des processus critiques[5].

Une sortie bien formée peut rester dangereuse. L'OWASP[4] donne le scénario d'un utilisateur qui demande, par une fonction de type conversation, une requête SQL supprimant toutes les tables d'une base : si la requête produite par le modèle n'est pas examinée, toutes les tables sont supprimées[4].

Sources

  1. Microsoft, « How to use structured outputs with Azure OpenAI in Microsoft Foundry Models - Microsoft Foundry ». https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/structured-outputs (consulté le 14 novembre 2026)
  2. Google, « Structured output | Gemini Enterprise Agent Platform | Google Cloud Documentation ». https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/capabilities/control-generated-output (consulté le 14 novembre 2026)
  3. NIST, « Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile ». https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf (consulté le 14 novembre 2026)
  4. OWASP, « LLM05:2025 Improper Output Handling », 10 avril 2024. https://genai.owasp.org/llmrisk/llm052025-improper-output-handling/ (consulté le 14 novembre 2026)
  5. OWASP, « LLM09:2025 Misinformation », 10 avril 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (consulté le 14 novembre 2026)
  6. Microsoft, « Structured outputs on Azure Databricks - Azure Databricks ». https://learn.microsoft.com/en-us/azure/databricks/machine-learning/model-serving/structured-outputs (consulté le 14 novembre 2026)
  7. arXiv, « Learning to Generate Structured Output with Schema Reinforcement Learning », 26 février 2025. https://arxiv.org/abs/2502.18878 (consulté le 14 novembre 2026)
  8. arXiv, « SLOT: Structuring the Output of Large Language Models », 6 mai 2025. https://arxiv.org/abs/2505.04016 (consulté le 14 novembre 2026)