Comment lire ce glossaire
Chaque entrée tient en deux blocs : une définition d’une à trois phrases, puis un exemple d’usage concret. Les 200 termes sont regroupés en dix-sept sections.
Les sections 1 à 7 couvrent le socle technique. Les sections 8 à 12 traitent des usages : agents, image, vidéo, audio, code. Les sections 13 à 17 relèvent de l’exploitation : coûts, mesure, sécurité, conformité, adoption. Un lecteur non technique peut commencer par la section 1, puis sauter directement à la 16.
Sommaire
- 1. Concepts fondamentaux — 12 termes
- 2. Familles de modèles et paysage — 9 termes
- 3. Architecture et représentation — 13 termes
- 4. Entraînement et post-entraînement — 14 termes
- 5. Raisonnement, inférence et paramètres de génération — 13 termes
- 6. Prompting et context engineering — 13 termes
- 7. RAG, recherche et mémoire — 12 termes
- 8. Agents et protocoles agentiques — 17 termes
- 9. Génération et édition d’images — 11 termes
- 10. Génération vidéo et 3D — 8 termes
- 11. Audio et voix — 8 termes
- 12. Code et développement assisté — 9 termes
- 13. Infrastructure, déploiement et coûts — 15 termes
- 14. Évaluation et mesure — 11 termes
- 15. Limites, sécurité et robustesse — 15 termes
- 16. Gouvernance, conformité et éthique — 16 termes
- 17. Visibilité et adoption — 4 termes
- Questions fréquentes
1. Concepts fondamentaux
Intelligence artificielle générative
Famille de systèmes qui produisent du contenu original — texte, image, son, vidéo, code — à partir de régularités apprises sur de grands volumes de données. Elle génère, là où l’IA classique classe ou prédit une valeur.
Exemple — Un modèle de langage rédige une note de synthèse ; un modèle de diffusion produit un visuel de campagne.
Modèle de fondation (Foundation Model)
Modèle entraîné à grande échelle sur des données génériques, réutilisable pour de nombreuses tâches après adaptation légère. Il sert de socle, pas de solution finie.
Exemple — GPT, Claude, Gemini, Llama servent de base à des milliers d’applications métier.
Large Language Model (LLM)
Modèle de fondation spécialisé dans le langage, entraîné sur des corpus textuels massifs. Il prédit le token suivant — mécanisme rudimentaire qui suffit à produire traduction, rédaction et raisonnement apparent.
Exemple — Claude Opus, GPT-5.x, Gemini Pro, Mistral Large.
Small Language Model (SLM)
Modèle compact, de quelques centaines de millions à quelques milliards de paramètres, conçu pour tourner sur un serveur modeste ou un poste local. Moins polyvalent, souvent suffisant sur une tâche cadrée.
Exemple — Classer des tickets de support ou extraire les champs d’une facture sans appel à une API externe.
Multimodalité
Capacité d’un même modèle à traiter et produire plusieurs types de données dans un flux unifié : texte, image, audio, vidéo. La multimodalité native se distingue de l’assemblage de modèles spécialisés derrière une interface commune.
Exemple — Envoyer la photo d’un tableau de bord et demander l’analyse écrite des écarts.
Vision Language Model (VLM)
Modèle qui associe compréhension visuelle et langage. Il lit un document scanné, une capture d’écran ou un plan et répond en texte. Base technique des chantiers de dématérialisation.
Exemple — Extraire les lignes d’un bon de commande photographié en atelier.
Modèle frontière (Frontier Model)
Modèle situé au plus haut niveau de capacité du moment, généralement le plus cher à l’usage. Le terme est mouvant : il désignait GPT-4 en 2023, les générations GPT-5.x, Claude Opus et Gemini Ultra à l’été 2026.
Exemple — Réserver le modèle frontière aux analyses complexes et router le reste vers un modèle intermédiaire.
Modèle à poids ouverts (Open Weights)
Modèle dont les paramètres sont téléchargeables et exécutables librement. À ne pas confondre avec l’open source complet : les données d’entraînement restent presque toujours fermées.
Exemple — Llama, Mistral, DeepSeek, Qwen, déployables sur infrastructure interne.
Modèle de raisonnement (Reasoning Model)
Modèle entraîné à produire une chaîne de réflexion interne avant sa réponse et à dépenser plus de calcul sur les problèmes difficiles. Gain net en mathématiques, code et planification ; latence et coût en hausse.
Exemple — Résoudre un problème d’ordonnancement industriel en plusieurs étapes vérifiables.
Lois d’échelle (Scaling Laws)
Relations empiriques entre taille du modèle, volume de données, calcul investi et performance obtenue. Elles ont guidé la course à la taille jusqu’en 2024 ; depuis, l’effort porte autant sur le calcul dépensé au moment de l’inférence.
Exemple — Doubler le calcul d’entraînement fait baisser la perte de façon prévisible, jusqu’à un palier.
AGI (Artificial General Intelligence)
Hypothèse d’une IA égalant l’humain sur l’ensemble des tâches cognitives, sans réentraînement spécifique. Aucune définition opérationnelle ne fait consensus, ce qui rend les annonces difficiles à vérifier.
Exemple — Un système qui apprendrait un métier à partir de sa documentation, comme un nouvel arrivant.
Superintelligence
Niveau théorique dépassant nettement les capacités humaines dans tous les domaines. Objet de débat scientifique et politique, sans réalisation observée à ce jour.
Exemple — Discussions sur les seuils de calcul déclenchant un contrôle réglementaire des laboratoires.
2. Familles de modèles et paysage
GPT (Generative Pre-trained Transformer)
Famille de modèles d’OpenAI fondée sur l’architecture Transformer. Elle décline désormais plusieurs niveaux sous une même génération : modèle rapide, modèle intermédiaire, modèle frontière.
Exemple — La génération GPT-5.x propose des variantes calibrées sur le coût et la vitesse.
Claude
Famille de modèles d’Anthropic, entraînée selon la méthode Constitutional AI. Positionnée sur les tâches longues, l’usage d’outils et le travail agentique.
Exemple — Claude Opus pour l’analyse documentaire lourde, Claude Haiku pour les traitements de volume.
Gemini
Famille multimodale de Google DeepMind, native sur texte, image, audio et vidéo, intégrée à Workspace et Google Cloud.
Exemple — Les variantes Flash visent le rapport vitesse/prix sur les traitements de masse.
Llama
Famille de modèles à poids ouverts publiée par Meta. Base d’une grande partie des modèles dérivés et des déploiements internes en entreprise.
Exemple — Héberger un dérivé Llama sur GPU interne pour garder les données dans le périmètre.
Mistral
Éditeur français de modèles, à poids ouverts et propriétaires, hébergeables en Europe. Argument récurrent dans les dossiers de souveraineté, même si les benchmarks le placent rarement en tête.
Exemple — Traitement de données RH sur cloud européen.
DeepSeek
Éditeur chinois de modèles à poids ouverts, connu pour ses architectures Mixture of Experts et un coût d’entraînement annoncé bas. Les chiffres publiés restent difficiles à auditer.
Exemple — Alternative économique évaluée dans les comparatifs de coût au token.
BERT
Modèle encodeur bidirectionnel publié par Google en 2018, orienté compréhension plutôt que génération. Toujours en production pour la classification et la recherche.
Exemple — Classer des verbatims clients par thème sans passer par un LLM génératif.
Routeur de modèles (Model Router)
Couche logicielle qui affecte chaque requête au modèle le mieux adapté selon la difficulté, le coût ou la confidentialité. Devenu un poste d’optimisation à part entière dans les architectures 2026.
Exemple — Envoyer les questions simples à un modèle rapide, réserver le frontière aux analyses.
Modèle de monde (World Model)
Modèle qui apprend une représentation interne de la dynamique d’un environnement et simule les conséquences d’une action. Piste de recherche pour la robotique et la vidéo cohérente.
Exemple — Prédire la trajectoire d’un objet dans une scène générée.
3. Architecture et représentation
Transformer
Architecture publiée par Google en 2017, fondée sur l’attention plutôt que sur la récurrence. Elle traite les séquences en parallèle, ce qui a rendu l’entraînement à grande échelle possible.
Exemple — Socle commun de GPT, Claude, Gemini, Llama et de la plupart des modèles d’images récents.
Mécanisme d’attention
Opération qui pondère l’importance de chaque élément de l’entrée au moment de produire chaque élément de sortie. Elle permet de relier un pronom à son antécédent trente lignes plus haut.
Exemple — Retrouver le sujet d’une phrase longue dans un contrat de cinquante pages.
Attention multi-têtes
Exécution en parallèle de plusieurs mécanismes d’attention, chacun apprenant un type de relation différent : syntaxe, coréférence, proximité sémantique.
Exemple — Une tête suit la grammaire, une autre les entités nommées.
Mixture of Experts (MoE)
Architecture où seule une fraction des sous-réseaux s’active pour chaque token. Le modèle affiche un nombre total de paramètres élevé mais n’en mobilise qu’une partie, d’où un coût d’inférence réduit.
Exemple — Un modèle de 600 milliards de paramètres qui n’en active que 37 milliards par token.
Paramètres
Poids ajustables d’un réseau de neurones, fixés pendant l’entraînement. Ils portent ce que le modèle a appris. Le décompte total est devenu un indicateur trompeur depuis la généralisation du MoE.
Exemple — GPT-3 comptait 175 milliards de paramètres en 2020.
Paramètres actifs
Nombre de paramètres réellement mobilisés pour traiter un token dans une architecture MoE. Métrique pertinente pour dimensionner le matériel et estimer le coût, contrairement au total affiché.
Exemple — Comparer deux modèles sur les paramètres actifs, pas sur le chiffre marketing.
Token
Unité élémentaire de traitement du texte : mot court, fragment de mot, signe de ponctuation. Le français consomme environ 20 à 30 % de tokens de plus que l’anglais à contenu égal, ce qui pèse sur la facture.
Exemple — « intelligence » se décompose souvent en deux ou trois tokens.
Tokenisation
Découpage du texte en tokens avant traitement. Étape invisible mais déterminante : elle explique les erreurs sur les chiffres, les noms propres rares et les langues peu représentées.
Exemple — « Bonjour le monde ! » devient une séquence de quatre à six tokens.
Vocabulaire
Ensemble des tokens qu’un modèle sait manipuler. Sa taille et sa composition conditionnent la performance sur les langues et les jargons métier.
Exemple — Un vocabulaire de 100 000 tokens couvrant plusieurs langues et sous-mots.
Embedding
Représentation d’un mot, d’une phrase ou d’un document sous forme de vecteur numérique. Deux textes proches par le sens produisent des vecteurs proches dans l’espace.
Exemple — « Roi » – « Homme » + « Femme » tombe près de « Reine ».
Espace latent
Espace mathématique compressé où le modèle manipule les données plutôt que dans leur format d’origine. Travailler en latent divise le coût de calcul par plusieurs ordres de grandeur.
Exemple — Stable Diffusion génère dans l’espace latent puis décode vers l’image finale.
Autoencodeur variationnel (VAE)
Architecture qui encode une donnée vers l’espace latent puis la reconstruit. Utilisée comme brique d’encodage-décodage dans les modèles d’images.
Exemple — Composant du pipeline de Stable Diffusion.
Réseau antagoniste génératif (GAN)
Architecture où un générateur et un discriminateur s’entraînent l’un contre l’autre. Dominante jusqu’en 2021, largement remplacée par la diffusion pour la génération d’images.
Exemple — StyleGAN et ses visages synthétiques.
4. Entraînement et post-entraînement
Pré-entraînement
Première phase d’apprentissage sur un corpus massif et généraliste. Elle représente l’essentiel du coût de calcul et fige les connaissances jusqu’à la date de coupure.
Exemple — Plusieurs semaines sur des dizaines de milliers de GPU.
Données d’entraînement
Corpus utilisé pour construire le modèle. Il détermine ses connaissances, ses angles morts et ses biais. Sa composition exacte n’est presque jamais publiée par les éditeurs.
Exemple — Common Crawl, Wikipédia, code public, ouvrages numérisés.
Données synthétiques
Données produites par un modèle pour en entraîner un autre. Elles contournent la pénurie de texte humain de qualité, au risque d’amplifier les erreurs du modèle générateur.
Exemple — Générer des dialogues d’entraînement plutôt que collecter des conversations réelles.
Mur des données (Data Wall)
Constat que le texte humain de qualité disponible sur le web arrive à épuisement pour l’entraînement. Une des raisons du basculement vers les données synthétiques et le calcul à l’inférence.
Exemple — Les gains d’échelle par ajout de données brutes s’essoufflent depuis 2024.
Fine-tuning
Réentraînement d’un modèle pré-entraîné sur des données spécifiques pour l’adapter à un domaine ou à un format. Coûteux à maintenir : chaque nouvelle version du modèle de base remet le travail en jeu.
Exemple — Adapter un modèle à la terminologie juridique d’un cabinet.
Instruction tuning
Phase d’entraînement sur des paires instruction-réponse qui apprend au modèle à suivre des consignes. C’est ce qui transforme un modèle de complétion en assistant.
Exemple — Passer d’un modèle qui prolonge un texte à un modèle qui répond à une demande.
RLHF (Reinforcement Learning from Human Feedback)
Apprentissage par renforcement à partir de préférences humaines. Des annotateurs classent les réponses, un modèle de récompense apprend ce classement, le modèle s’y ajuste.
Exemple — Rendre les réponses plus utiles et moins toxiques après le pré-entraînement.
RLAIF (Reinforcement Learning from AI Feedback)
Variante où les préférences sont produites par un modèle plutôt que par des annotateurs humains. Réduit le coût, déplace la question de la qualité vers le modèle évaluateur.
Exemple — Faire noter des milliers de réponses par un modèle superviseur.
DPO (Direct Preference Optimization)
Méthode d’alignement sur préférences sans modèle de récompense séparé ni boucle de renforcement. Plus simple et moins instable que le RLHF classique, désormais courante.
Exemple — Alignement d’un modèle open weights sur un jeu de préférences maison.
Constitutional AI
Méthode d’Anthropic où le modèle critique et révise ses propres réponses au regard d’un ensemble de principes écrits, plutôt que d’un jugement humain à chaque itération.
Exemple — Une constitution publique sert de référence de comportement pour Claude.
LoRA (Low-Rank Adaptation)
Adaptation d’un modèle en n’entraînant que de petites matrices additionnelles, les poids d’origine restant figés. Quelques dizaines de mégaoctets suffisent à spécialiser un modèle.
Exemple — Créer une variante d’un modèle d’image pour un style graphique de marque.
QLoRA
LoRA appliqué à un modèle quantifié. Permet d’adapter un modèle de plusieurs dizaines de milliards de paramètres sur une seule carte graphique.
Exemple — Fine-tuning d’un modèle 70B sur un GPU unique.
Distillation
Transfert des capacités d’un grand modèle vers un modèle plus petit entraîné à imiter ses sorties. Sous-jacent à la plupart des modèles rapides commercialisés aujourd’hui.
Exemple — Un modèle léger qui reproduit l’essentiel du comportement d’un modèle frontière.
Apprentissage par transfert (Transfer Learning)
Réutilisation des représentations apprises sur une tâche pour en accélérer une autre, proche mais distincte.
Exemple — Partir d’un modèle de vision généraliste pour un classifieur d’images médicales.
5. Raisonnement, inférence et paramètres de génération
Inférence
Phase d’utilisation d’un modèle entraîné pour produire une réponse. C’est là que se joue désormais l’essentiel du coût d’exploitation, devant l’entraînement.
Exemple — Chaque requête envoyée à une API déclenche une inférence facturée.
Test-time compute
Calcul dépensé au moment de la réponse plutôt qu’à l’entraînement. Allonger la réflexion d’un modèle améliore les résultats sur les tâches difficiles — c’est le levier majeur ouvert depuis fin 2024.
Exemple — Un modèle qui réfléchit trente secondes résout un problème qu’il rate en deux secondes.
Chain-of-Thought (CoT)
Décomposition explicite du raisonnement en étapes intermédiaires. Utilisé d’abord comme technique de prompt, désormais intégré à l’entraînement des modèles de raisonnement.
Exemple — « Détaille ton raisonnement étape par étape avant de conclure. »
ReAct (Reason + Act)
Boucle qui alterne raisonnement et action outillée : le modèle réfléchit, appelle un outil, lit le résultat, recommence. Motif de base de la plupart des agents.
Exemple — Chercher une donnée, la vérifier, puis produire la synthèse.
Budget de raisonnement (Reasoning effort)
Paramètre qui règle la quantité de réflexion autorisée avant la réponse. Arbitrage direct entre qualité, latence et coût, à piloter au niveau de chaque cas d’usage.
Exemple — Budget bas pour classer un email, budget haut pour analyser un contrat.
Surréflexion (Overthinking)
Comportement d’un modèle de raisonnement qui multiplie les étapes sans gain de justesse, parfois jusqu’à dégrader sa réponse. Effet de bord documenté du test-time compute.
Exemple — Trois cents tokens de réflexion pour additionner deux nombres.
Température
Paramètre qui règle l’aléatoire de la génération. Basse, le modèle reste prévisible ; haute, il varie davantage et dérive plus facilement.
Exemple — 0,2 pour de l’extraction de données, 0,8 pour de la recherche d’idées.
Top-k sampling
Restriction du choix aux k tokens les plus probables à chaque étape.
Exemple — Ne piocher que parmi les 40 candidats les plus probables.
Top-p (nucleus) sampling
Restriction du choix à l’ensemble des tokens dont la probabilité cumulée atteint un seuil p. Plus souple que le top-k, car la taille du groupe s’adapte au contexte.
Exemple — Retenir les tokens couvrant 90 % de la masse de probabilité.
Décodage spéculatif
Technique où un petit modèle propose plusieurs tokens d’avance, que le grand modèle valide en bloc. Accélère la génération sans changer le résultat.
Exemple — Deux à trois fois plus de tokens par seconde sur des réponses longues.
Cache KV
Mémoire de travail qui conserve les calculs d’attention déjà effectués pour ne pas les refaire à chaque nouveau token. Principal poste de consommation mémoire sur les contextes longs.
Exemple — Un contexte de 200 000 tokens sature la VRAM d’un GPU avant le modèle lui-même.
Mise en cache de prompt (Prompt caching)
Réutilisation facturée à prix réduit d’une partie stable du prompt entre plusieurs requêtes. Levier d’économie immédiat quand un long document ou un prompt système est envoyé en boucle.
Exemple — Un manuel de 80 pages mis en cache pour cinquante questions successives.
Streaming
Affichage de la réponse token par token pendant sa génération. Ne change pas le temps total, réduit l’attente perçue.
Exemple — Le texte qui apparaît progressivement dans une interface de chat.
6. Prompting et context engineering
Prompt
Instruction transmise au modèle pour orienter sa production. Sa précision pèse plus sur le résultat que le choix du modèle dans la majorité des usages bureautiques.
Exemple — « Rédige une synthèse de 300 mots à destination d’un comité de direction. »
Prompt système (System Prompt)
Instructions de cadrage placées avant l’échange : rôle, ton, limites, format attendu. Elles s’appliquent à toute la conversation.
Exemple — « Tu réponds en français, en style B2B factuel, sans emoji. »
Prompt engineering
Conception et réglage des prompts pour obtenir un résultat fiable et reproductible. Discipline en voie de banalisation : elle reste utile, elle ne suffit plus dès qu’on outille un agent.
Exemple — Ajouter deux exemples au prompt pour verrouiller un format de sortie.
Context engineering
Organisation de l’ensemble des informations mises à disposition du modèle : documents, historique, outils, mémoire, instructions. Devenue la compétence déterminante des projets agentiques en 2026.
Exemple — Sélectionner les cinq documents pertinents plutôt que d’en verser cinquante dans le contexte.
Fenêtre de contexte
Nombre maximal de tokens que le modèle peut traiter en une fois, prompt et réponse compris. Les modèles courants dépassent aujourd’hui le million de tokens, contre 128 000 il y a deux ans.
Exemple — Un million de tokens représente environ 750 000 mots, soit une dizaine de romans.
Contexte long
Usage de fenêtres très larges pour traiter des corpus entiers sans découpage. Utile, mais la qualité de lecture baisse avec la longueur : remplir la fenêtre n’est pas une stratégie.
Exemple — Charger un référentiel qualité complet plutôt que d’indexer document par document.
Perte au milieu (Lost in the Middle)
Dégradation mesurée de l’attention portée aux informations situées au centre d’un long contexte, par rapport au début et à la fin. Argument en faveur d’un contexte trié plutôt que volumineux.
Exemple — Placer les consignes critiques en début et en fin de prompt.
Zero-shot learning
Exécution d’une tâche sans exemple fourni, sur la seule base de la consigne.
Exemple — « Classe ce verbatim en positif, neutre ou négatif. »
Few-shot learning
Exécution d’une tâche à partir de quelques exemples insérés dans le prompt. Méthode la plus rentable pour verrouiller un format.
Exemple — Trois résumés modèles suffisent à imposer un style de synthèse.
In-context learning
Capacité du modèle à s’adapter à une tâche nouvelle à partir du seul contenu du prompt, sans modification de ses paramètres.
Exemple — Apprendre un format de fiche produit en le montrant une fois.
Negative prompt
Consigne indiquant ce qui doit être exclu du résultat. Utilisée surtout en génération d’images.
Exemple — « Sans texte incrusté, sans logo, sans mains déformées. »
Instructions personnalisées (Custom Instructions)
Préférences persistantes définies une fois et appliquées à toutes les conversations : ton, langue, format, contraintes.
Exemple — « Réponds en français, sans introduction, avec les chiffres sourcés. »
Skill (compétence)
Bloc d’instructions et de ressources réutilisable, chargé par le modèle quand la tâche le déclenche. Permet d’industrialiser une méthode éditoriale ou un process métier sans réécrire le prompt.
Exemple — Une compétence « email professionnel » chargée automatiquement dès qu’un email est à rédiger.
7. RAG, recherche et mémoire
RAG (Retrieval-Augmented Generation)
Architecture qui va chercher des documents pertinents avant de générer la réponse. Elle ancre le modèle sur des sources maîtrisées et permet de citer. Ne supprime pas les hallucinations, les réduit.
Exemple — Un assistant qui répond sur la base du référentiel qualité interne.
Base vectorielle
Base de données conçue pour stocker des embeddings et retrouver les plus proches d’une requête. Brique standard des applications RAG.
Exemple — Pinecone, Weaviate, Qdrant, pgvector.
Chunking (découpage)
Segmentation des documents en fragments avant indexation. Le réglage de la taille et du recouvrement conditionne plus la qualité d’un RAG que le choix du modèle.
Exemple — Découper par section logique plutôt que tous les 500 mots.
Reranking
Second passage qui réordonne les résultats de la recherche initiale selon leur pertinence réelle. Gain de précision immédiat sur un RAG médiocre.
Exemple — Remonter 50 fragments, en retenir 5 après reclassement.
Recherche hybride
Combinaison de la recherche sémantique et de la recherche par mots-clés. Rattrape les faiblesses du vectoriel sur les références, codes produits et sigles.
Exemple — Retrouver la référence « KM-4051i » que le vectoriel seul manque.
Recherche sémantique
Recherche fondée sur le sens plutôt que sur la correspondance exacte de termes.
Exemple — Trouver « véhicule » en cherchant « automobile ».
GraphRAG (graphe de connaissances)
Variante qui structure les documents en entités et relations avant l’interrogation. Meilleure sur les questions transverses, plus lourde à construire et à maintenir.
Exemple — Relier un fournisseur, ses contrats et ses incidents qualité.
Ancrage (Grounding)
Fait de contraindre la réponse à s’appuyer sur des sources fournies, et non sur la mémoire paramétrique du modèle.
Exemple — « Réponds uniquement à partir des documents joints ; sinon, dis que tu ne sais pas. »
Citation de sources
Restitution des passages exacts ayant servi à produire la réponse. Condition d’auditabilité pour un déploiement en environnement régulé.
Exemple — Chaque affirmation renvoie à un paragraphe du document d’origine.
Needle in a Haystack
Test consistant à cacher une information précise dans un contexte très long et à vérifier que le modèle la retrouve. Mesure la qualité réelle d’une fenêtre annoncée.
Exemple — Une phrase insérée à la page 400 d’un document de 800 pages.
Agentic RAG
RAG piloté par un agent qui décide seul quand chercher, quoi chercher et s’il doit relancer une requête. Remplace la recherche unique en début de chaîne.
Exemple — L’agent reformule sa requête après une première réponse insuffisante.
Mémoire (Memory)
Conservation d’informations entre les sessions pour personnaliser les réponses. Utile à l’usage, à encadrer côté RGPD dès qu’il s’agit de données de salariés ou de clients.
Exemple — Retenir les préférences de format d’un utilisateur d’une semaine sur l’autre.
8. Agents et protocoles agentiques
Agent
Système qui poursuit un objectif en enchaînant seul plusieurs étapes : planifier, appeler des outils, lire les résultats, corriger. La différence avec un chatbot tient à l’autonomie sur la séquence, pas à la qualité du texte.
Exemple — Un agent qui relance les impayés : lecture du grand livre, rédaction, envoi, suivi.
Boucle agentique (Agentic Loop)
Cycle observer-décider-agir répété jusqu’à l’atteinte de l’objectif ou l’épuisement du budget. Cœur d’exécution de tout agent.
Exemple — Vingt itérations avant de produire le livrable final.
Workflow agentique
Chaîne d’étapes prédéfinie qui utilise un modèle à chaque nœud, sans lui laisser choisir la séquence. Plus prévisible qu’un agent, et suffisant dans la majorité des cas métier.
Exemple — Extraire, vérifier, formater, envoyer — dans cet ordre, toujours.
Scaffolding
Couche logicielle qui encadre le modèle : outils disponibles, format des échanges, mémoire, garde-fous, reprise sur erreur. La performance d’un agent tient souvent plus au scaffolding qu’au modèle.
Exemple — Limiter un agent à cinq outils et dix itérations.
Sous-agent (Subagent)
Agent spécialisé invoqué par un agent principal pour traiter une partie du travail dans son propre contexte. Évite de saturer le contexte du superviseur.
Exemple — Un sous-agent recherche, un autre rédige, le principal arbitre.
Système multi-agents
Architecture où plusieurs agents coopèrent sur un objectif commun. Gains réels sur les tâches parallélisables, coût et complexité de débogage en forte hausse.
Exemple — Analyse d’un appel d’offres réparti entre agents technique, juridique et financier.
Orchestrateur (superviseur)
Agent qui répartit les tâches, arbitre les conflits et assemble les résultats des autres. Point de contrôle et point de fragilité d’une architecture multi-agents.
Exemple — Le superviseur rejette une sortie non conforme et relance le sous-agent.
Tool use
Capacité d’un modèle à mobiliser des outils externes — calculatrice, base de données, API, navigateur — au-delà de la génération de texte.
Exemple — Interroger un ERP pour vérifier un niveau de stock avant de répondre.
Function calling
Mécanisme par lequel le modèle produit un appel de fonction structuré que l’application exécute, puis lui renvoie le résultat. Base technique du tool use.
Exemple — Le modèle renvoie un objet JSON que le code applicatif exécute.
MCP (Model Context Protocol)
Protocole ouvert publié par Anthropic fin 2024 pour standardiser la connexion des modèles aux outils et aux sources de données. Confié à l’Agentic AI Foundation de la Linux Foundation en décembre 2025, il s’est imposé comme standard de fait sur la couche outils.
Exemple — Brancher un assistant sur un CRM via un serveur MCP plutôt que par une intégration sur mesure.
Serveur MCP
Composant qui expose des outils, des ressources et des prompts à un client MCP. Un même serveur sert plusieurs assistants sans réécriture. Attention à l’authentification : des scans publics ont relevé des milliers de serveurs exposés sans contrôle d’accès.
Exemple — Un serveur MCP interne exposant la base documentaire et l’annuaire.
A2A (Agent-to-Agent)
Protocole publié par Google puis confié à la Linux Foundation, en version 1.0 depuis avril 2026, soutenu par plus de 150 organisations. Il régit la communication entre agents là où MCP régit l’accès aux outils.
Exemple — Un agent fournisseur et un agent acheteur qui négocient un délai de livraison.
Agent Card
Fiche d’identité publiée par un agent A2A : capacités, points d’entrée, méthode d’authentification. Sert à la découverte entre agents.
Exemple — Un annuaire d’agents interrogeable comme un catalogue de services.
Computer Use
Capacité d’un modèle à piloter directement une interface graphique — clics, saisies, navigation — pour opérer des logiciels sans API. Utile sur les outils fermés, encore lent et fragile.
Exemple — Remplir un portail fournisseur qui n’expose aucune API.
Deep Research
Mode de travail où l’agent mène une recherche multi-sources sur plusieurs minutes, recoupe et produit un rapport sourcé. À vérifier comme n’importe quelle note de stagiaire.
Exemple — Un panorama concurrentiel construit à partir de quarante sources.
Tâche à horizon long (Long-horizon task)
Travail nécessitant des dizaines ou des centaines d’étapes sur une durée étendue. La longueur des tâches réussies sans intervention humaine progresse vite, c’est l’indicateur à suivre.
Exemple — Migrer une base documentaire complète en autonomie.
Human-in-the-loop (HITL)
Point de validation humaine inséré dans une chaîne automatisée avant une action à effet irréversible. Le garde-fou le plus rentable d’un déploiement agentique.
Exemple — Validation obligatoire avant tout envoi externe ou toute écriture comptable.
9. Génération et édition d’images
Modèles de diffusion
Modèles qui apprennent à retirer progressivement du bruit d’une image pour la faire apparaître. Approche dominante depuis 2022, au détriment des GAN.
Exemple — Stable Diffusion, Midjourney, Flux.
Diffusion Transformer (DiT)
Modèle de diffusion dont le cœur est un Transformer et non un réseau convolutif. Meilleure montée en échelle, socle des générateurs vidéo récents.
Exemple — Architecture retenue par la plupart des modèles texte-vers-vidéo de 2025-2026.
Classifier-Free Guidance
Paramètre qui règle la fidélité au prompt en amplifiant l’écart entre génération conditionnée et non conditionnée. Trop élevé, l’image sature et se rigidifie.
Exemple — Monter la valeur pour coller au brief, la baisser pour laisser respirer le rendu.
ControlNet
Extension qui contraint la génération par une entrée structurelle : pose, contours, carte de profondeur, segmentation. Le contrôle passe du texte à la géométrie.
Exemple — Imposer le cadrage exact d’un produit à partir d’un croquis.
Inpainting
Remplacement d’une zone masquée d’une image par un contenu cohérent avec le reste.
Exemple — Effacer un panneau parasite sur une photo de stand.
Outpainting
Extension d’une image au-delà de ses bords d’origine.
Exemple — Passer d’un visuel carré à une bannière large sans reprise photo.
Upscaling
Augmentation de la résolution avec reconstruction des détails par le modèle. Les détails ajoutés sont inventés : à proscrire sur une image à valeur probante.
Exemple — Passer un visuel d’archive de 800 px en 4 000 px pour une impression.
Transfert de style
Application des caractéristiques visuelles d’une image — palette, matière, texture — au contenu d’une autre.
Exemple — Décliner une photo produit dans la charte graphique d’une campagne.
DreamBooth
Personnalisation d’un modèle de diffusion sur un sujet précis à partir de quelques images, pour le régénérer dans d’autres contextes.
Exemple — Entraîner un modèle à produire un produit de catalogue dans dix décors.
Cohérence de personnage
Capacité à conserver le même visage, la même tenue et la même morphologie d’une image à l’autre. Verrou historique, largement levé depuis 2025 par les modèles multimodaux natifs.
Exemple — Une série de dix visuels avec le même porte-parole fictif.
Génération d’image native
Production d’images par un modèle multimodal unique, sans pipeline de diffusion séparé. Meilleur suivi des consignes et meilleur rendu du texte incrusté.
Exemple — Générer une affiche avec un titre correctement orthographié.
10. Génération vidéo et 3D
Text-to-Video
Génération d’une séquence vidéo à partir d’une description textuelle. Les durées utilisables restent courtes, de quelques secondes à une dizaine, et se raccordent au montage.
Exemple — Sora, Veo, Kling, Seedance, Runway.
Image-to-Video
Mise en mouvement d’une image fixe fournie en entrée. Plus contrôlable que le texte-vers-vidéo, c’est le mode de production dominant en usage professionnel.
Exemple — Animer un visuel produit validé plutôt que régénérer une scène entière.
Cohérence temporelle
Stabilité des objets, des visages et de la lumière d’une image à l’autre d’une séquence. Principal critère de qualité d’un générateur vidéo.
Exemple — Un logo qui ne se déforme pas entre la première et la dernière image.
Recadrage génératif (Reframe)
Passage d’un format à un autre en générant les zones manquantes plutôt qu’en rognant.
Exemple — Transformer un 16:9 en 9:16 pour un usage réseaux sociaux.
Motion control
Transfert du mouvement et du déplacement de caméra d’une vidéo de référence vers un contenu généré.
Exemple — Reprendre un travelling existant sur une scène nouvelle.
Lip-sync génératif
Synchronisation des mouvements de lèvres d’un visage filmé ou généré sur une piste audio.
Exemple — Décliner une prise de parole dirigeante en quatre langues.
Deepfake
Contenu synthétique reproduisant l’apparence ou la voix d’une personne réelle. Encadré par l’AI Act, qui impose une information explicite depuis le 2 août 2026.
Exemple — Vidéo attribuée à un dirigeant qui n’a jamais prononcé ces mots.
Génération 3D
Production d’un maillage ou d’une scène tridimensionnelle à partir d’un texte ou d’images. Sortie exploitable pour la préproduction, rarement pour la fabrication.
Exemple — Maquette 3D d’un stand à partir d’une description écrite.
11. Audio et voix
Text-to-Speech (TTS)
Conversion d’un texte en parole synthétique, avec réglage de la voix, du débit et de l’intonation.
Exemple — Voix off d’un module de formation interne.
Speech-to-Text (STT)
Transcription automatique de la parole en texte. Précision très élevée en français sur un enregistrement propre ; elle chute en réunion à plusieurs micros ouverts.
Exemple — Whisper pour transcrire un comité de direction.
Clonage de voix
Reproduction de la voix d’une personne à partir de quelques minutes d’échantillon. Suppose un consentement écrit et une base légale documentée.
Exemple — Décliner la voix d’un narrateur sur cinquante modules sans nouvelle session studio.
Speech-to-Speech
Conversion directe d’une voix vers une autre, sans passer par une étape texte. Préserve l’intonation et l’émotion d’origine.
Exemple — Changer de voix en gardant le jeu du comédien.
Doublage automatique (Dubbing)
Traduction et resynthèse de la piste audio d’une vidéo dans une autre langue, souvent avec conservation du timbre.
Exemple — Passer un film institutionnel du français à l’anglais et à l’allemand.
Diarisation
Identification et séparation des locuteurs dans un enregistrement multi-intervenants.
Exemple — Attribuer chaque prise de parole au bon participant dans un compte rendu.
Génération musicale
Composition automatique de morceaux originaux, avec contrôle du style, de la durée et de l’instrumentation. Les droits d’exploitation commerciale dépendent de l’éditeur, à vérifier avant diffusion.
Exemple — Habillage sonore d’une vidéo corporate sans licence catalogue.
Voix conversationnelle temps réel
Échange vocal en flux continu, avec interruption possible et latence de l’ordre de quelques centaines de millisecondes.
Exemple — Accueil téléphonique automatisé qui gère les coupures de parole.
12. Code et développement assisté
Génération de code
Production de code à partir d’une description en langage naturel.
Exemple — « Écris une fonction Python qui fusionne deux fichiers CSV sur une clé. »
Complétion de code
Suggestion de la suite du code pendant la frappe, dans l’éditeur.
Exemple — GitHub Copilot, Cursor Tab.
Vibe coding
Pratique consistant à décrire l’intention et à accepter le code produit sans le relire en détail. Terme popularisé début 2025. Efficace pour un prototype, coûteux dès qu’il s’agit de maintenir.
Exemple — Monter une maquette fonctionnelle en une soirée.
Agentic coding
Étape suivante : l’agent planifie, écrit, exécute les tests et itère seul, le développeur passant en supervision. Les volumes livrés augmentent, les taux d’échec en production aussi.
Exemple — Confier une migration de dépendances complète à un agent, sous revue.
Assistant de code agentique
Outil qui exécute des tâches de développement de bout en bout dans un dépôt : lecture, modification multi-fichiers, tests, commit.
Exemple — Claude Code, Cursor Agent, Codex.
Développement piloté par la spécification
Méthode où l’on rédige une spécification exécutable détaillée que l’agent suit, plutôt que d’enchaîner des prompts. Réponse directe aux dérives du vibe coding.
Exemple — Un document de specs versionné qui sert de contrat à l’agent.
AGENTS.md
Fichier de consignes placé à la racine d’un dépôt : conventions, commandes de test, interdits. Lu automatiquement par les assistants de code agentiques.
Exemple — Imposer le linter maison et interdire toute écriture en base de production.
SWE-bench
Benchmark de résolution de tickets réels issus de dépôts open source. Référence commune pour comparer les modèles sur le développement logiciel.
Exemple — Comparer deux modèles sur le taux de tickets résolus sans intervention.
Bac à sable d’exécution (Sandbox)
Environnement isolé où le code généré s’exécute sans accès au système hôte ni au réseau. Prérequis de sécurité avant toute exécution automatique.
Exemple — Conteneur éphémère sans droits d’écriture hors du répertoire de travail.
13. Infrastructure, déploiement et coûts
API
Interface d’accès aux modèles par requêtes HTTP. Mode d’intégration majoritaire en entreprise, facturé à l’usage.
Exemple — Appeler un modèle depuis un ERP pour enrichir une fiche fournisseur.
Model as a Service (MaaS)
Consommation d’un modèle hébergé par un tiers, sans infrastructure propre. Coût variable, dépendance au fournisseur et à sa politique de versions.
Exemple — Payer à la requête plutôt que d’acheter des GPU.
Edge AI
Exécution du modèle sur l’appareil ou sur site plutôt que dans le cloud. Latence réduite, données non transmises, capacités plus limitées.
Exemple — Reconnaissance vocale embarquée sans connexion.
GPU
Processeur graphique optimisé pour le calcul parallèle, socle matériel de l’entraînement et de l’inférence.
Exemple — NVIDIA H100, H200, B200.
TPU
Puce conçue par Google pour l’apprentissage automatique, utilisée notamment pour entraîner ses propres modèles.
Exemple — Entraînement des modèles Gemini.
Compute
Puissance de calcul mobilisée pour entraîner ou exécuter un modèle. Devenu un poste budgétaire suivi comme une matière première.
Exemple — Des dizaines de milliers d’heures GPU pour une campagne d’entraînement.
FLOPS
Opérations en virgule flottante par seconde. Unité de mesure du calcul, utilisée aussi comme seuil réglementaire pour qualifier un modèle à risque systémique.
Exemple — Le seuil de 10^25 FLOPS déclenche des obligations renforcées dans l’AI Act.
Quantification
Réduction de la précision numérique des poids, de 16 bits à 8 ou 4 bits. Divise la mémoire nécessaire, au prix d’une perte de qualité mesurable mais souvent acceptable.
Exemple — Faire tourner un modèle 70B sur une seule carte grand public.
Élagage (Pruning)
Suppression des connexions les moins utiles d’un réseau pour l’alléger.
Exemple — Retirer une partie des paramètres en conservant l’essentiel des performances.
Coût au million de tokens
Unité de facturation standard des API, distincte en entrée et en sortie. Les écarts entre modèles vont de un à cinquante à niveau de qualité proche.
Exemple — Comparer un modèle à 2 $/6 $ et un modèle frontière à 15 $/75 $.
FinOps IA
Pilotage économique de la consommation d’IA : suivi par cas d’usage, quotas, cache, routage vers le modèle le moins cher acceptable.
Exemple — Diviser la facture par trois en routant 80 % du trafic vers un modèle intermédiaire.
Latence et TTFT
Temps de réponse global, et temps jusqu’au premier token (Time To First Token). Deux mesures distinctes : un modèle lent à démarrer paraît plus lent qu’un modèle lent à finir.
Exemple — 600 ms de TTFT pour une interface conversationnelle acceptable.
Traitement par lots (Batch)
Envoi groupé de requêtes non urgentes, traité en différé et facturé moins cher.
Exemple — Classer 50 000 verbatims pendant la nuit à tarif réduit.
Résidence des données
Localisation géographique du traitement et du stockage. Point de blocage récurrent en comité de sécurité, distinct de la question du chiffrement.
Exemple — Exiger un traitement en région UE pour des données RH.
LLMOps
Ensemble des pratiques d’exploitation d’applications à base de modèles : versionnement des prompts, tests de non-régression, surveillance des coûts et de la qualité.
Exemple — Rejouer une batterie de 200 cas avant chaque changement de version de modèle.
14. Évaluation et mesure
Eval
Jeu de tests conçu pour mesurer un modèle sur une tâche précise, avec un barème reproductible. Sans eval maison, un changement de version se constate au support client.
Exemple — Cinquante cas métier annotés, rejoués à chaque montée de version.
Benchmark
Test standardisé et public permettant de comparer des modèles. Utile pour dégrossir, insuffisant pour trancher un choix métier.
Exemple — MMLU, GPQA, SWE-bench, FrontierMath.
LLM-as-a-judge
Évaluation des sorties d’un modèle par un autre modèle, selon une grille écrite. Passe à l’échelle là où l’annotation humaine bloque, avec un biais de complaisance à surveiller.
Exemple — Noter 2 000 réponses sur cinq critères en une heure.
Perplexité
Mesure de la capacité d’un modèle à prédire un texte. Plus elle est basse, mieux le modèle anticipe. Peu corrélée à l’utilité perçue.
Exemple — Indicateur de suivi pendant l’entraînement.
BLEU
Métrique de similarité entre un texte généré et une traduction de référence.
Exemple — Évaluation automatique d’un moteur de traduction.
ROUGE
Famille de métriques comparant un résumé automatique à des résumés de référence.
Exemple — ROUGE-L mesure la plus longue sous-séquence commune.
Pass@k
Probabilité qu’au moins une réponse sur k tentatives soit correcte. Métrique de référence en génération de code.
Exemple — Pass@1 de 70 % sur un jeu d’exercices.
Contamination de benchmark
Présence des questions du test dans les données d’entraînement, qui gonfle artificiellement le score. Raison principale de se méfier des classements publics.
Exemple — Un modèle qui réussit un examen parce qu’il l’a lu pendant l’entraînement.
Jeu de référence (Golden dataset)
Ensemble de cas avec réponse attendue validée par un expert métier. Actif le plus durable d’un projet IA : il survit aux changements de modèle.
Exemple — Cent devis avec leur qualification correcte, validés par le directeur commercial.
Taux d’hallucination
Part de réponses contenant au moins une affirmation fausse présentée comme vraie. Varie fortement selon le domaine et la présence ou non d’un ancrage documentaire.
Exemple — Mesuré sur un échantillon de questions à réponse vérifiable.
Observabilité
Traçage des prompts, des appels d’outils, des coûts et des erreurs en production. Sans elle, un incident agentique reste inexplicable après coup.
Exemple — Rejouer la trace complète d’une session qui a produit une réponse aberrante.
15. Limites, sécurité et robustesse
Hallucination
Production d’une information fausse énoncée avec la même assurance qu’une information exacte. Propriété structurelle des modèles génératifs, réduite par l’ancrage documentaire, jamais annulée.
Exemple — Une référence bibliographique parfaitement formatée et totalement inventée.
Biais
Écart systématique hérité des données d’entraînement, reproduit dans les sorties.
Exemple — Associations de genre stéréotypées dans la description de métiers.
Boîte noire
Système dont on observe les entrées et les sorties sans pouvoir tracer le raisonnement interne. Contrainte directe pour les usages soumis à obligation de motivation.
Exemple — Expliquer un refus de dossier produit par un modèle.
Robustesse
Stabilité des performances face à des entrées bruitées, mal formatées ou hors distribution.
Exemple — Traiter correctement un PDF scanné de travers avec des fautes de frappe.
Dérive du modèle (Model Drift)
Dégradation progressive de la pertinence quand le monde évolue et que le modèle reste figé, ou quand le fournisseur met à jour sa version sans préavis.
Exemple — Un classifieur de tickets qui décroche après une refonte de l’offre.
Sycophantie
Tendance du modèle à valider l’avis de son interlocuteur plutôt qu’à le corriger. Effet de bord de l’entraînement sur préférences humaines, dangereux en usage décisionnel.
Exemple — Un modèle qui abandonne une réponse correcte parce que l’utilisateur la conteste.
Jailbreaking
Contournement délibéré des garde-fous d’un modèle par une formulation détournée.
Exemple — Faire passer une demande interdite pour un exercice de fiction.
Injection de prompt
Insertion d’instructions malveillantes dans une entrée traitée par le modèle, qui les exécute comme si elles venaient de l’utilisateur légitime.
Exemple — Un commentaire caché dans un document qui redirige le comportement de l’assistant.
Injection indirecte
Variante où la charge est déposée dans une source que l’agent ira lire de lui-même : page web, email, ticket, fichier partagé. Risque numéro un des agents connectés, sans parade complète à ce jour.
Exemple — Une page web piégée qui ordonne à l’agent d’envoyer le contenu de la boîte mail.
Exfiltration de données
Sortie non autorisée d’informations internes via un agent disposant à la fois d’un accès aux données et d’un canal de communication externe.
Exemple — Un agent qui poste dans un webhook externe le contenu d’un dossier confidentiel.
Garde-fous (Guardrails)
Contrôles appliqués en amont ou en aval du modèle : filtrage des entrées, validation du format de sortie, listes d’actions interdites, plafonds.
Exemple — Bloquer tout appel d’outil visant un domaine hors liste blanche.
Red teaming
Test offensif mené par une équipe qui cherche délibérément à faire échouer les protections d’un système.
Exemple — Deux semaines d’attaques documentées avant mise en production.
Exemples adverses
Entrées conçues pour tromper un modèle par des perturbations imperceptibles à l’œil humain.
Exemple — Une image modifiée de quelques pixels qui inverse une classification.
Empoisonnement de données
Corruption volontaire d’un corpus d’entraînement ou d’une base documentaire pour orienter le comportement du modèle.
Exemple — Injecter de fausses procédures dans la base interrogée par un assistant interne.
Shadow AI
Usage d’outils d’IA grand public par les salariés hors de tout cadre validé. Constaté dans la majorité des organisations avant même l’ouverture du premier projet officiel.
Exemple — Un compte personnel utilisé pour traiter des données clients.
16. Gouvernance, conformité et éthique
AI Act
Règlement européen 2024/1689 sur l’intelligence artificielle, entré en vigueur le 1er août 2024 et appliqué par étapes. Il classe les usages en quatre niveaux de risque. Sanctions jusqu’à 35 M€ ou 7 % du chiffre d’affaires mondial.
Exemple — Premier cadre juridique contraignant au monde dédié à l’IA.
Calendrier d’application
2 février 2025 : interdictions et obligation de littératie IA. 2 août 2025 : régime des modèles à usage général et sanctions. 2 août 2026 : obligations de transparence. Le Digital Omnibus (règlement 2026/1744, en vigueur depuis le 27 juillet 2026) reporte le haut risque de l’annexe III au 2 décembre 2027.
Exemple — Le report ne dispense d’aucune obligation déjà applicable.
GPAI (modèle d’IA à usage général)
Catégorie de l’AI Act visant les modèles polyvalents comme les LLM. Obligations de documentation technique, de résumé des données d’entraînement et de respect du droit d’auteur, renforcées au-delà d’un seuil de calcul.
Exemple — Un éditeur de modèle doit publier une synthèse de ses sources d’entraînement.
Système à haut risque
Usage relevant de l’annexe III — recrutement, crédit, éducation, biométrie, justice — soumis à documentation, supervision humaine et traçabilité. Application repoussée au 2 décembre 2027 pour les systèmes autonomes.
Exemple — Un outil de tri de CV entre dans cette catégorie.
Littératie IA (AI literacy)
Obligation, en vigueur depuis le 2 février 2025, de garantir un niveau suffisant de maîtrise de l’IA chez les personnes qui l’utilisent au nom de l’organisation. Elle s’applique quelle que soit la taille de l’entreprise.
Exemple — Formation documentée des équipes qui utilisent un assistant au quotidien.
Obligation de transparence (article 50)
Depuis le 2 août 2026 : informer l’utilisateur qu’il interagit avec une IA, et signaler les contenus générés ou manipulés, deepfakes compris.
Exemple — Mention explicite sur un chatbot de service client.
Marquage des contenus générés
Signalement lisible par machine des contenus produits par IA. La période de transition pour les contenus déjà mis sur le marché court jusqu’au 2 décembre 2026.
Exemple — Métadonnées intégrées à un visuel généré pour une campagne.
C2PA (Content Credentials)
Standard technique de provenance des contenus : il attache à un fichier un historique signé de sa création et de ses modifications.
Exemple — Un visuel dont on peut vérifier qu’il a été généré puis retouché.
Tatouage numérique (Watermarking)
Signature invisible insérée dans un contenu généré pour permettre sa détection ultérieure. Fragile en pratique : recadrage, recompression et paraphrase l’effacent souvent.
Exemple — Marquage statistique dans un texte généré.
Détection de contenu IA
Outils estimant la probabilité qu’un contenu ait été généré. Taux de faux positifs élevé sur les textes courts ou non anglophones : à ne pas utiliser seul comme preuve.
Exemple — Analyse d’une copie d’examen ou d’un livrable rédactionnel.
Alignement
Travail visant à faire correspondre le comportement du modèle aux intentions et aux valeurs de ceux qui l’emploient.
Exemple — Éviter qu’un système optimise un indicateur au détriment de son objectif réel.
Explicabilité
Capacité à restituer les raisons d’une décision dans des termes compréhensibles par une personne concernée.
Exemple — Motiver un refus auprès d’un candidat ou d’un demandeur.
Interprétabilité
Compréhension des mécanismes internes d’un modèle, au niveau des circuits et des représentations. Domaine de recherche distinct de l’explicabilité, encore loin d’un usage opérationnel.
Exemple — Identifier les composants internes responsables d’un comportement.
Équité (Fairness)
Exigence que le système ne produise pas de traitement défavorable systématique envers un groupe.
Exemple — Vérifier qu’un outil de présélection ne pénalise pas un profil de parcours.
Souveraineté numérique
Maîtrise de la localisation, de l’accès et de la dépendance technologique. Point d’arbitrage entre modèles américains, hébergement européen et modèles à poids ouverts sur infrastructure propre.
Exemple — Choisir un déploiement en cloud européen pour des données sensibles.
Empreinte environnementale
Consommation d’électricité, d’eau et de matériaux liée à l’entraînement et à l’inférence. L’inférence à grande échelle pèse désormais davantage que l’entraînement.
Exemple — Suivre la consommation par requête pour un service à fort volume.
17. Visibilité et adoption
GEO (Generative Engine Optimization)
Optimisation d’un contenu pour être repris et cité par les moteurs génératifs. Elle privilégie les blocs courts, autonomes, sourcés et clairement titrés.
Exemple — Structurer une page en questions-réponses citables plutôt qu’en argumentaire linéaire.
AEO (Answer Engine Optimization)
Variante orientée réponse directe : viser la position de réponse dans une interface conversationnelle plutôt que le clic vers le site.
Exemple — Répondre à la question en une phrase, avant de développer.
llms.txt
Fichier placé à la racine d’un site pour indiquer aux modèles les contenus de référence et les conditions d’usage. Proposition de standard, adoption encore partielle.
Exemple — Lister les pages piliers d’un site pour les agents de recherche.
ROI de l’IA
Mesure du retour d’un déploiement, à rapporter au temps gagné, à la qualité obtenue et au coût complet — licences, intégration, formation, supervision. La moitié des pilotes n’atteint jamais la production.
Exemple — Trois jours gagnés par mois sur un processus de facturation, coût de licence compris.
Questions fréquentes sur l’IA générative
Qu’est-ce que l’IA générative ?
L’intelligence artificielle générative désigne les systèmes qui produisent du contenu original — texte, image, son, vidéo, code — à partir de régularités apprises sur de grands volumes de données. Elle se distingue de l’IA classique, qui classe ou prédit une valeur à partir de données existantes.
Quelle différence entre un LLM et un agent IA ?
Un LLM produit une réponse à une demande. Un agent poursuit un objectif en enchaînant seul plusieurs étapes : il planifie, appelle des outils, lit les résultats et corrige sa trajectoire. La différence tient à l’autonomie sur la séquence d’actions, pas à la qualité du texte produit.
Qu’est-ce que le protocole MCP ?
Le Model Context Protocol est un protocole ouvert publié par Anthropic fin 2024 pour standardiser la connexion des modèles aux outils et aux sources de données. Confié à l’Agentic AI Foundation de la Linux Foundation en décembre 2025, il s’est imposé comme standard de fait sur la couche outils. Il évite de recoder une intégration sur mesure pour chaque assistant.
Qu’est-ce qu’un modèle de raisonnement ?
Un modèle de raisonnement produit une chaîne de réflexion interne avant sa réponse et consacre davantage de calcul aux problèmes difficiles. Le gain est net en mathématiques, en code et en planification. La contrepartie porte sur la latence et sur le coût, tous deux en hausse par rapport à un modèle classique.
Que change l’AI Act pour une entreprise en 2026 ?
Trois obligations sont déjà applicables. La littératie IA depuis le 2 février 2025 : garantir un niveau suffisant de maîtrise chez les personnes qui utilisent l’IA au nom de l’organisation. Le régime des modèles à usage général depuis le 2 août 2025. Les obligations de transparence depuis le 2 août 2026 : informer qu’on interagit avec une IA et signaler les contenus générés. Le régime haut risque de l’annexe III est reporté au 2 décembre 2027 par le Digital Omnibus.
RAG ou fine-tuning : que choisir ?
Le RAG répond au besoin de connaissances à jour et traçables : il va chercher des documents avant de générer et permet de citer ses sources. Le fine-tuning répond au besoin de format et de style : il apprend au modèle une manière de répondre. Dans la plupart des projets d’entreprise, le RAG suffit et coûte moins cher à maintenir, puisque chaque nouvelle version du modèle de base remet le fine-tuning en jeu.
Comment se calcule le coût d’un usage d’IA générative ?
La facturation s’exprime en dollars par million de tokens, avec un tarif distinct en entrée et en sortie. Les écarts entre modèles vont de un à cinquante pour un niveau de qualité proche. Trois leviers réduisent la facture sans dégrader le résultat : router les requêtes simples vers un modèle intermédiaire, mettre en cache les parties stables du prompt, et passer les traitements non urgents en lots.
Repères et limites
Les informations réglementaires reprennent le règlement (UE) 2024/1689 et le règlement (UE) 2026/1744 dit Digital Omnibus sur l’IA, publié au Journal officiel de l’Union européenne le 24 juillet 2026. Elles ne valent pas conseil juridique : la qualification d’un système relève d’une analyse au cas par cas.
Les noms de modèles cités décrivent l’état du marché à l’été 2026. Les versions changent tous les deux à trois mois, les familles plus lentement. Les définitions ont été écrites pour rester valables au-delà d’une génération de modèles, les exemples non.
Prochaine échéance à surveiller : le 2 décembre 2026, fin de la période de transition pour le marquage des contenus générés déjà mis sur le marché.
Glossaire arrêté au 8 août 2026. Prochaine révision prévue en février 2027.
Aller plus loin
Sur l’optimisation des contenus pour les moteurs génératifs, voir SEO vs GEO : l’optimisation à l’ère de l’IA générative. Sur le traitement automatique du langage naturel, socle de la plupart des termes de la section 3, voir Le NLP au cœur de la transformation digitale. Sur la production éditoriale assistée, voir Écrire avec l’IA.
Pour mettre ce vocabulaire au service d’un projet : Masterclass IA pour la montée en compétence des équipes, Stratégie IA pour le cadrage des cas d’usage, nous contacter pour en parler.
