Les mots de base pour comprendre l'intelligence artificielle (IA) : ce qu'est un modèle de langage, comment il lit un texte, pourquoi il se trompe parfois et comment le relier à vos données. Chaque terme tient en une phrase, avec un exemple concret.
Aussi appelé : AI agent, agent intelligent, agent autonome, assistant autonome
Un agent IA est un programme qui s'appuie sur un modèle de langage pour atteindre un objectif : il comprend une demande, décide des étapes, utilise des outils comme une messagerie ou un agenda, et agit, avec ou sans validation humaine.
En savoir plus sur Agent IAAussi appelé : vector database, base vectorielle, vector store
Une base de données vectorielle stocke des embeddings, les représentations numériques de textes ou d'images, et retrouve très vite ceux qui sont les plus proches d'une requête, c'est-à-dire les contenus de sens voisin.
Exemple : la documentation produit d'une entreprise, découpée en passages et stockée dans une base vectorielle, permet à un assistant de retrouver la bonne fiche à partir d'une question posée en langage courant.
Aussi appelé : banc d'essai, évaluation de modèle, benchmarks
Un benchmark est un test standardisé qui mesure les performances de modèles d'IA sur un même ensemble de tâches, pour les comparer entre eux : connaissances, raisonnement, code, compréhension de documents.
Un bon score à un benchmark public ne garantit pas un bon résultat sur vos tâches. Pour choisir un modèle, rien ne remplace un test sur une dizaine de cas réels de l'entreprise.
Aussi appelé : biais, biais de l'IA, biais des données
Un biais algorithmique est une erreur systématique qui rend les résultats d'un système d'IA injustes ou déséquilibrés, souvent parce que ses données d'entraînement reflètent des déséquilibres ou des préjugés existants.
Exemple : un outil de tri de candidatures entraîné sur les recrutements passés d'une entreprise peut reproduire les déséquilibres de ces recrutements. Tester les résultats par groupe et garder une décision humaine limitent ce risque.
Aussi appelé : copilot, assistant intégré, AI copilot
Un copilote est un assistant d'IA intégré directement dans un logiciel de travail, comme une messagerie, un tableur ou un outil de développement, qui propose, rédige ou résume pendant que la personne garde la main.
Exemple : un assistant intégré au logiciel de messagerie qui résume un long fil d'échanges et propose un brouillon de réponse. À ne pas confondre avec un agent IA, qui agit lui-même. Le mot est aussi le nom de produits commerciaux, comme Microsoft Copilot.
Aussi appelé : apprentissage profond, DL
Le deep learning, ou apprentissage profond, est une forme de machine learning qui utilise des réseaux de neurones à nombreuses couches, capables d'apprendre seuls des représentations complexes à partir de très grands volumes de données.
Exemple : la reconnaissance automatique du texte d'une facture scannée, la transcription d'une réunion ou les grands modèles de langage reposent sur le deep learning.
Aussi appelé : plongement, plongement lexical, vecteur, word embedding, embeddings
Un embedding, ou plongement, est une représentation d'un texte, d'une image ou d'un son sous forme de vecteur, une liste de nombres, construite pour que des contenus de sens proche aient des vecteurs proches.
En savoir plus sur EmbeddingAussi appelé : explainability, IA explicable, XAI, transparence
L'explicabilité est la capacité à rendre compréhensibles les éléments qu'un système d'IA a pris en compte pour produire un résultat, avec des explications adaptées à la personne qui les reçoit.
Exemple : un outil qui note la priorité des leads indique aussi les critères qui ont pesé (taille de l'entreprise, page visitée, demande de démonstration), pour que le commercial puisse juger le score au lieu de le subir.
Aussi appelé : context window, contexte, longueur de contexte, mémoire de travail
La fenêtre de contexte est la quantité maximale de texte, mesurée en tokens, qu'un modèle de langage peut prendre en compte en une fois : la consigne, la conversation, les documents fournis et sa propre réponse.
En savoir plus sur Fenêtre de contexteAussi appelé : affinage, ajustement fin, réentraînement, fine tuning
Le fine-tuning, ou affinage, consiste à poursuivre l'entraînement d'un modèle d'IA déjà pré-entraîné sur un jeu de données spécifique, pour l'adapter durablement à un domaine, une tâche ou un style d'écriture.
En savoir plus sur Fine-tuning (affinage)Aussi appelé : tool use, utilisation d'outils, appel de fonction, appel d'outils, tool calling
Le function calling, ou utilisation d'outils, permet à un modèle de langage de demander l'exécution d'une fonction définie par l'application, comme consulter un fichier clients ou un agenda, puis d'utiliser le résultat dans sa réponse.
Le modèle n'exécute rien lui-même : il renvoie une demande structurée (quel outil, avec quels paramètres), que l'application exécute avant de lui renvoyer le résultat. C'est la brique qui transforme un assistant en agent IA.
Aussi appelé : confabulation, hallucinations, erreur factuelle
Une hallucination est une réponse fausse ou inventée qu'une IA générative présente avec assurance comme un fait : un chiffre, une citation, une source ou un événement qui n'existe pas.
En savoir plus sur HallucinationAussi appelé : agentic AI, IA agentive, systèmes agentiques
L'IA agentique désigne des systèmes d'IA qui poursuivent un objectif en plusieurs étapes, choisissent leurs outils et agissent dans d'autres logiciels, avec un niveau d'autonomie réglable, au lieu de seulement répondre à une question.
En savoir plus sur IA agentiqueAussi appelé : GenAI, IA gen, generative AI
L'IA générative est une famille d'intelligence artificielle qui produit un contenu nouveau, texte, image, son ou code, à partir d'une consigne, le plus souvent écrite en langage courant, grâce à ce qu'elle a appris de grands volumes de données.
En savoir plus sur IA générativeAussi appelé : souveraineté de l'IA, IA de confiance, IA européenne
L'IA souveraine désigne des modèles et des services d'intelligence artificielle dont une organisation ou un pays garde la maîtrise : choix du fournisseur, lieu d'hébergement des données et droit applicable.
Exemple : choisir un modèle d'un éditeur européen, ou un modèle ouvert hébergé en France, pour traiter des données clients sensibles. La notion n'a pas de définition juridique unique : il faut regarder concrètement où sont traitées les données et quel droit s'applique au fournisseur.
Aussi appelé : inference, exécution du modèle
L'inférence est le moment où un modèle d'IA déjà entraîné est utilisé pour produire un résultat à partir d'une nouvelle donnée : répondre à une question, classer un document ou prédire une valeur.
Exemple : chaque fois qu'un collaborateur pose une question à un assistant d'IA, le modèle fait une inférence. L'entraînement a lieu une fois, en amont, l'inférence à chaque utilisation.
Aussi appelé : IA, AI, artificial intelligence
L'intelligence artificielle (IA) désigne les systèmes informatiques capables de réaliser des tâches associées à l'intelligence humaine, comme comprendre un texte, reconnaître une image, prévoir un résultat ou proposer une décision, à partir de données.
En savoir plus sur Intelligence artificielle (IA)Aussi appelé : grand modèle de langage, large language model, modèle de langage, LLMs
Un LLM, ou grand modèle de langage, est un modèle d'intelligence artificielle entraîné sur d'immenses volumes de textes pour prédire la suite la plus probable d'un texte, ce qui lui permet de rédiger, résumer, traduire, répondre ou raisonner.
En savoir plus sur LLM (grand modèle de langage)Aussi appelé : ML, apprentissage automatique, apprentissage machine
Le machine learning, ou apprentissage automatique, est une branche de l'intelligence artificielle qui permet à un programme d'apprendre à partir d'exemples, plutôt que de suivre des règles écrites à la main, pour classer, prévoir ou recommander.
En savoir plus sur Machine learning (apprentissage automatique)Aussi appelé : Model Context Protocol, serveur MCP, connecteur MCP
Le MCP, ou Model Context Protocol, est un standard ouvert qui définit une façon commune de connecter les applications d'IA, comme Claude ou ChatGPT, à des sources de données, des outils et des logiciels externes.
En savoir plus sur MCP (Model Context Protocol)Aussi appelé : foundation model, modèle d'IA à usage général, GPAI
Un modèle de fondation est un grand modèle d'IA entraîné sur des données très vastes et variées, aux capacités générales, que l'on adapte ensuite à de nombreuses tâches différentes, comme rédiger, résumer, traduire ou analyser.
Exemple : les modèles derrière ChatGPT, Claude ou Mistral sont des modèles de fondation. Le règlement européen sur l'IA parle de « modèles d'IA à usage général ».
Aussi appelé : open source, poids ouverts, modèle ouvert, open-weight, IA open source
Un modèle open weights publie ses paramètres, qu'on peut télécharger et faire tourner sur ses propres serveurs ; un modèle open source publie aussi son code et des informations sur ses données d'entraînement, sous licence libre.
La définition de l'IA open source de l'Open Source Initiative (version 1.0) exige trois éléments : des informations suffisantes sur les données d'entraînement, le code complet et les paramètres du modèle. Beaucoup de modèles dits « ouverts » ne publient que leurs poids. Exemple d'usage : héberger un modèle ouvert en interne pour traiter des documents qui ne doivent pas sortir de l'entreprise.
Aussi appelé : multimodalité, modèle multimodal
Un modèle d'IA multimodal sait traiter ou produire plusieurs types de contenus, par exemple du texte, des images, du son ou de la vidéo, dans une même demande.
Exemple : photographier un bon de livraison et demander à l'assistant d'en extraire les références et les quantités dans un tableau.
Aussi appelé : poids, weights, paramètres
Les paramètres sont les valeurs numériques internes qu'un modèle d'IA ajuste pendant son entraînement, comme les poids des connexions d'un réseau de neurones ; ils stockent ce que le modèle a appris.
Le nombre de paramètres donne une idée de la taille d'un modèle : les grands modèles de langage en comptent généralement plusieurs milliards. Plus de paramètres ne garantit pas de meilleures réponses pour une tâche donnée.
Aussi appelé : invite, requête, consigne, instruction, prompts
Un prompt est la consigne écrite en langage courant que l'on donne à une IA générative pour obtenir une réponse : une question, une tâche à accomplir, avec le contexte, le format attendu et parfois des exemples.
En savoir plus sur PromptAussi appelé : ingénierie de prompt, ingénierie des invites, prompt design, prompting
Le prompt engineering, ou ingénierie de prompt, est la méthode qui consiste à concevoir, tester et améliorer les consignes données à une IA générative pour obtenir des réponses fiables, précises et réutilisables.
En savoir plus sur Prompt engineeringAussi appelé : retrieval augmented generation, génération augmentée par récupération, génération à enrichissement contextuel
Le RAG, ou génération augmentée par récupération, fournit à un modèle de langage les extraits utiles des documents de l'entreprise au moment de la question, pour qu'il réponde à partir de ces sources plutôt que de sa seule mémoire.
En savoir plus sur RAG (génération augmentée par récupération)Aussi appelé : chain of thought, chaîne de pensée, CoT, modèle de raisonnement, réflexion étendue
Le raisonnement, ou chaîne de pensée (chain of thought), consiste à faire détailler par un modèle de langage les étapes intermédiaires de sa réflexion avant sa réponse finale, ce qui améliore ses résultats sur les problèmes à plusieurs étapes.
La technique a été décrite par des chercheurs de Google en 2022. Plusieurs modèles récents raisonnent ainsi d'eux-mêmes avant de répondre : ils sont plus lents, mais plus fiables sur les calculs, l'analyse et la planification.
Aussi appelé : réseau de neurones artificiels, neural network, RNA
Un réseau de neurones artificiels est un ensemble de petites unités de calcul reliées en couches, dont les connexions sont ajustées pendant l'entraînement pour transformer une donnée d'entrée, un texte ou une image, en résultat.
Le nom vient d'une analogie lointaine avec le cerveau. En pratique, il s'agit de calculs mathématiques : chaque connexion porte un poids, et l'entraînement règle ces poids.
Aussi appelé : IA fantôme, IA de l'ombre, shadow IA, BYOAI
La shadow AI, ou IA fantôme, désigne l'usage d'outils d'intelligence artificielle par des collaborateurs sans l'accord ni le contrôle de leur entreprise, par exemple un assistant grand public utilisé avec des données internes.
En savoir plus sur Shadow AI (IA fantôme)Aussi appelé : temperature, créativité du modèle
La température est un réglage d'un modèle de langage qui dose la part de hasard dans ses réponses : basse, il choisit les formulations les plus probables ; haute, il varie davantage et devient plus créatif.
Exemple : une température basse pour extraire des données d'une facture, plus haute pour trouver des idées de titres. Même à température 0, les réponses ne sont pas toujours identiques d'un appel à l'autre.
Aussi appelé : jeton, tokens, tokenisation
Un token est la plus petite unité de texte qu'un modèle de langage lit et produit, un mot, un morceau de mot ou un signe, et c'est en tokens que se comptent les limites et les tarifs des modèles.
En savoir plus sur Token| Type d'IA | Ce qu'elle fait | Exemple en entreprise | Limites |
|---|---|---|---|
| IA classique (prédictive) | Classe, prédit ou détecte à partir de données, pour une tâche précise apprise à l'avance. | Noter les leads entrants, prévoir les ventes, trier les tickets par catégorie. | Ne sait faire que la tâche apprise. Demande des données historiques propres. |
| IA générative | Produit un contenu nouveau (texte, image, code, son) à partir d'une consigne, le plus souvent écrite en langage courant. | Rédiger un premier jet de devis, résumer une réunion, reformuler une offre. | Peut inventer des faits (hallucination). Le résultat se relit avant d'être utilisé. |
| IA agentique | Enchaîne plusieurs étapes vers un objectif, choisit ses outils et agit dans d'autres logiciels, avec un niveau d'autonomie réglable. | Lire une demande client, chercher la réponse dans la base produit, répondre ou passer la main à un humain. | Plus difficile à tester et à contrôler. Exige des garde-fous et une validation humaine sur les actions sensibles. |
Diagnostic offert, sans engagement, avec Mehdi ou Loïc. Réponse confirmée sous 24 h ouvrées.
