Le vocabulaire de l'IA, sans jargon

IA hypothétique capable d'égaler ou de dépasser l'humain sur la quasi-totalité des tâches intellectuelles, et non sur un domaine précis. Les IA actuelles, même très performantes, restent des systèmes aux capacités inégales : brillantes sur certaines tâches, faibles sur d'autres. La date d'arrivée de l'AGI, et sa définition exacte, font débat parmi les experts.

Application conversationnelle généraliste construite sur un grand modèle de langage, conçue pour aider dans des tâches variées : rédiger, résumer, analyser, coder, chercher. Les assistants récents peuvent aussi consulter le web, lire vos fichiers et se connecter à vos outils de travail pour agir en votre nom.

Programme avec lequel on dialogue par messages écrits ou vocaux. Les chatbots d'ancienne génération suivaient des scénarios rigides ; ceux d'aujourd'hui, propulsés par de grands modèles de langage, comprennent des demandes formulées librement et tiennent une vraie conversation.

L'ensemble des textes, images ou autres contenus à partir desquels un modèle d'IA apprend. Leur volume, leur qualité et leur diversité déterminent en grande partie ce que le modèle sait, ses angles morts et ses biais éventuels.

Réponse d'une IA générative qui semble plausible mais est fausse ou inventée. Le modèle ne « ment » pas : il produit le texte le plus probable, même quand il ne dispose pas de la bonne information.

Famille d'IA capables de créer du contenu nouveau (texte, images, code, audio, vidéo) plutôt que de simplement classer ou analyser des données existantes. Ces systèmes apprennent les régularités d'énormes volumes d'exemples, puis produisent des contenus originaux qui suivent ces mêmes régularités.

Ensemble de techniques qui permettent à des logiciels d'accomplir des tâches associées à l'intelligence humaine : comprendre du langage, reconnaître des images, prendre des décisions, apprendre à partir d'exemples. Le terme couvre aussi bien les systèmes spécialisés (tri de mails, détection de fraude) que les IA génératives capables de produire du texte ou des images.

Le « cerveau » d'un système d'IA : un programme entraîné sur de grandes quantités de données, qui encode ce qu'il a appris sous forme de milliards de paramètres numériques. Un même fournisseur propose généralement plusieurs modèles, du plus rapide et économique au plus puissant.

Se dit d'un modèle capable de traiter, et souvent de produire, plusieurs types de contenus : texte, images, audio, vidéo, documents. Vous pouvez ainsi montrer une capture d'écran, un graphique ou un enregistrement à l'IA au lieu de tout décrire par écrit.

L'instruction que vous donnez à une IA générative : question, consigne, texte à retravailler, avec éventuellement du contexte et des exemples. C'est l'interface principale entre vous et le modèle : la qualité de la réponse dépend largement de la qualité du prompt.

Technique consistant à faire raisonner le modèle étape par étape avant de conclure, plutôt que de lui demander une réponse directe. Les modèles de raisonnement récents appliquent ce principe nativement : ils « réfléchissent » en interne avant de répondre, ce qui améliore nettement les résultats sur les problèmes complexes.

La date au-delà de laquelle un modèle n'a plus rien appris : ses données d'entraînement s'arrêtent là. Sans accès à des sources externes, il ignore tout événement postérieur, mais peut quand même répondre avec assurance, en extrapolant. La recherche web ou la connexion à vos données comblent ce manque au moment de la requête.

La quantité maximale de texte (mesurée en tokens) qu'un modèle peut prendre en compte à la fois : votre conversation, les documents fournis et sa réponse en cours. Les modèles récents acceptent l'équivalent de plusieurs livres, mais la limite existe toujours, et les informations noyées au milieu d'un très long contexte sont parfois moins bien exploitées.

Technique de prompt qui consiste à montrer au modèle quelques exemples du résultat attendu (deux, trois, cinq…) avant de lui soumettre le cas réel. Le modèle imite le format, le ton et la logique des exemples, sans aucun réentraînement. À l'inverse, une demande sans exemple est dite « zero-shot ».

La phase où un modèle déjà entraîné est utilisé pour produire des réponses, par opposition à l'entraînement, où il apprend. Chaque question posée à un assistant déclenche une inférence, qui consomme de la puissance de calcul et se facture généralement au volume de tokens traités.

Modèle d'IA entraîné sur d'immenses corpus de textes pour prédire la suite la plus probable d'une séquence de mots. Cette mécanique simple en apparence lui permet de rédiger, traduire, résumer, raisonner et coder. Les LLM sont la technologie au cœur des assistants IA et de la plupart des IA génératives de texte.

Se dit d'un modèle dont les paramètres (les « poids ») sont téléchargeables : on peut l'exécuter sur ses propres serveurs, l'adapter et le déployer sans dépendre de l'API d'un fournisseur. À distinguer de l'open source complet : les données et le code d'entraînement ne sont pas toujours publiés, et la licence peut restreindre certains usages commerciaux.

Les valeurs numériques internes, des milliards pour les grands modèles, ajustées pendant l'entraînement et qui encodent tout ce que le modèle a appris. Leur nombre donne un ordre de grandeur de la capacité d'un modèle, mais ce n'est plus un indicateur suffisant : architecture, données et méthode d'entraînement comptent autant.

L'art de concevoir des instructions qui obtiennent de façon fiable le résultat voulu d'un modèle d'IA : préciser le rôle, le contexte, le format attendu, donner des exemples, découper les tâches complexes. Moins une discipline magique qu'un ensemble de bonnes pratiques qui s'apprennent vite.

Instruction de cadrage, invisible pour l'utilisateur final, qui définit le comportement global d'une IA : son rôle, son ton, ses règles, ses interdits. Elle est fournie par le concepteur de l'application avant toute conversation et prime en principe sur les messages des utilisateurs.

Réglage qui contrôle la part de hasard dans les réponses d'un modèle. Basse, elle rend les sorties plus prévisibles et répétables ; élevée, elle favorise la variété et la créativité, au prix d'une moindre constance. Ce paramètre se règle surtout via l'API, rarement dans les interfaces grand public.

L'unité de base dans laquelle un modèle de langage découpe le texte : un mot court, un morceau de mot ou un signe de ponctuation. En français, comptez grossièrement un token pour trois quarts de mot. C'est aussi l'unité de facturation des API d'IA, en entrée comme en sortie.

Interface qui permet à un logiciel d'utiliser un service d'IA directement, sans passer par l'interface de chat. Vos outils envoient une requête (texte, consignes, documents) et reçoivent la réponse du modèle, facturée en général à l'usage.

Capacité d'un modèle à demander l'exécution d'une action précise dans vos outils (chercher dans un agenda, créer un ticket, interroger une base) plutôt que de seulement répondre en texte. Le modèle choisit la bonne « fonction » et fournit les paramètres ; votre logiciel l'exécute et lui renvoie le résultat.

Base de données conçue pour stocker des embeddings et retrouver en quelques millisecondes les contenus les plus proches par le sens d'une question donnée. C'est le moteur de recherche qui alimente la plupart des systèmes RAG.

Test standardisé qui mesure les performances d'un modèle sur une série d'épreuves (raisonnement, code, culture générale…) pour comparer les modèles entre eux. Les scores sont utiles mais imparfaits : certains modèles sont optimisés pour les tests plus que pour l'usage réel.

Code secret qui identifie votre compte auprès d'un service d'IA et autorise vos applications à l'utiliser. Toute consommation faite avec cette clé est facturée à son propriétaire.

Représentation d'un texte (ou d'une image) sous forme d'une longue liste de nombres qui capture son sens. Deux contenus proches par le sens ont des embeddings proches, même s'ils n'emploient aucun mot en commun.

Réentraînement partiel d'un modèle existant sur vos propres exemples pour qu'il adopte un style, un format ou un savoir-faire spécifique. On ne repart pas de zéro : on spécialise un modèle généraliste, ce qui reste coûteux et technique mais bien plus accessible qu'un entraînement complet.

Ensemble des contrôles placés autour d'une IA pour limiter ce qu'elle peut dire ou faire : filtrage des sujets interdits, vérification des réponses, plafonds de dépenses, validation humaine avant les actions sensibles.

Attaque qui consiste à glisser des instructions malveillantes dans un contenu que l'IA va lire (email, page web, document), pour détourner son comportement. Le modèle peut alors suivre les consignes de l'attaquant au lieu des vôtres.

Temps d'attente entre l'envoi d'une requête à l'IA et la réception de sa réponse. Elle dépend de la taille du modèle, de la longueur de la réponse et de la charge du service ; les modèles de raisonnement, qui « réfléchissent » avant de répondre, sont souvent plus lents.

Technique qui consiste à faire chercher à l'IA les informations pertinentes dans vos documents (contrats, wikis, bases de connaissances) avant de rédiger sa réponse. Le modèle s'appuie ainsi sur vos données réelles plutôt que sur sa seule mémoire d'entraînement.

Réponse du modèle produite dans un format strict et prévisible (souvent du JSON avec des champs imposés) au lieu d'un texte libre. La plupart des fournisseurs garantissent désormais que la sortie respecte exactement le schéma demandé.

Agent IA spécialisé dans le développement logiciel : il lit une base de code, écrit et modifie des fichiers, lance les tests et itère jusqu'à ce que ça fonctionne. Il travaille dans le terminal ou l'éditeur du développeur, souvent sur des tâches entières plutôt que sur des bouts de code.

Système d'IA qui poursuit un objectif en enchaînant lui-même plusieurs étapes : il planifie, utilise des outils (recherche, fichiers, logiciels), observe le résultat et corrige le tir jusqu'à finir la tâche. À la différence d'un chatbot, vous lui confiez une mission, pas une question.

Enchaînement automatique d'étapes d'un processus métier, déclenché par un événement (email reçu, formulaire soumis, heure fixe). L'IA s'y intègre comme une étape parmi d'autres : trier, résumer, rédiger, extraire, là où il fallait auparavant un humain à chaque maillon.

Tests systématiques qui mesurent la qualité d'un système d'IA sur des cas représentatifs de votre usage : exactitude, ton, respect des consignes, taux d'erreur. Contrairement à un test logiciel classique, la réponse n'est pas unique : on note des sorties variables selon des critères définis.

Conception d'un système d'IA où un humain valide, corrige ou tranche à des étapes clés au lieu de laisser la machine agir seule de bout en bout. Le point de contrôle se place là où l'erreur coûterait cher : envoi, paiement, publication, décision sur une personne.

Standard ouvert qui permet de brancher des sources de données et des outils (Drive, CRM, bases internes…) sur n'importe quel assistant ou agent compatible, sans développer une intégration sur mesure pour chacun. On le décrit souvent comme le « port USB-C » de l'IA.

Mécanismes qui permettent à un agent IA de retenir des informations au-delà d'une seule conversation : préférences de l'utilisateur, décisions passées, état d'un projet. Concrètement, l'agent écrit ces éléments dans un stockage (fichiers, base de données) et les recharge quand c'est pertinent.

Architecture où plusieurs agents IA collaborent sur une même tâche, chacun avec un rôle : l'un recherche, l'autre rédige, un troisième vérifie. Un agent « chef d'orchestre » répartit souvent le travail et assemble les résultats.

Approche qui permet de construire des applications ou des automatisations sans écrire de code, via des interfaces visuelles (blocs, connecteurs, glisser-déposer). Avec l'IA, la frontière s'estompe : on décrit ce qu'on veut en langage naturel et l'outil génère l'application.

Capacité à voir ce que fait réellement votre système d'IA en production : chaque requête, les outils appelés, les réponses produites, les coûts, les erreurs. Cela passe par la collecte de traces détaillées que l'on peut ensuite filtrer, analyser et alerter.

Coordination des différentes briques d'un système d'IA (modèles, outils, agents, appels à des services externes) pour qu'elles s'enchaînent dans le bon ordre, avec gestion des erreurs et des reprises. C'est la couche « chef de chantier » entre le modèle et le processus métier.

Capacité d'un modèle d'IA à déclencher des actions extérieures pendant une conversation : chercher sur le web, interroger une base de données, exécuter du code, envoyer un message. Le modèle décide quel outil appeler, avec quels paramètres, puis exploite le résultat pour continuer.

Façon de créer un logiciel en décrivant ce qu'on veut en langage naturel et en laissant l'IA écrire le code, qu'on ne lit pas forcément : on juge le résultat à l'usage et on redemande jusqu'à satisfaction. Le terme, popularisé par Andrej Karpathy, désigne autant une pratique de prototypage qu'un raccourci risqué.

Domaine de recherche et d'ingénierie qui vise à faire en sorte qu'une IA poursuive réellement les objectifs et les valeurs de ses utilisateurs et de la société, plutôt qu'une version déformée de la consigne. Le problème type : un système qui optimise ce qu'on mesure (clics, score) au détriment de ce qu'on voulait vraiment (satisfaction, qualité).

Mécanisme par lequel un fournisseur d'IA mémorise la partie fixe d'une requête (instructions, documents de référence) pour ne pas la retraiter à chaque appel. Les appels suivants qui commencent par le même contenu sont alors nettement moins chers et plus rapides.

Dégradation progressive des performances d'un système d'IA au fil du temps, sans que son code ait changé. Les causes typiques : le monde évolue (nouveaux produits, nouveau vocabulaire, nouveaux comportements clients) alors que le modèle reste figé, ou le fournisseur met à jour le modèle sous-jacent et son comportement change subtilement.

Technique qui entraîne un petit modèle à imiter les réponses d'un grand modèle, dit « professeur ». Le petit modèle obtenu est moins coûteux et plus rapide, tout en conservant une bonne partie des capacités du grand, surtout sur les tâches ciblées.

Données générées artificiellement, souvent par une IA, plutôt que collectées dans le monde réel, et utilisées pour entraîner ou tester des systèmes. Elles permettent de combler le manque de données réelles, de simuler des cas rares ou de travailler sans exposer d'informations personnelles.

Ensemble des règles, processus et responsabilités qui encadrent l'usage de l'IA : lois et règlements (comme l'AI Act européen), mais aussi politiques internes d'entreprise : quels outils sont autorisés, quelles données peuvent y transiter, qui valide les usages à risque et qui répond en cas de problème.

Technique qui consiste à utiliser un modèle de langage pour évaluer les réponses d'un autre modèle (ou les siennes), selon des critères définis : exactitude, ton, respect des consignes. Elle permet de noter automatiquement des milliers de réponses là où une relecture humaine serait trop lente ou trop coûteuse.

Régularités empiriques montrant que les performances d'un modèle s'améliorent de façon prévisible quand on augmente sa taille, ses données d'entraînement et sa puissance de calcul. Elles guident les investissements massifs du secteur, et s'étendent désormais au calcul dépensé au moment de la réponse (le temps de « réflexion » des modèles de raisonnement).

Architecture de modèle divisée en sous-réseaux spécialisés, les « experts », dont seule une petite partie s'active pour chaque requête. Le modèle peut ainsi être très grand, donc très capable, tout en ne mobilisant qu'une fraction de sa puissance de calcul à chaque réponse.

Modèle entraîné à « réfléchir » avant de répondre : il produit d'abord un raisonnement interne (exploration de pistes, vérifications, corrections), puis formule sa réponse. Il est plus lent et plus coûteux qu'un modèle classique, mais nettement plus fiable sur les problèmes complexes : maths, code, analyse, planification.

Technique de compression qui réduit la précision des nombres internes d'un modèle (ses paramètres) pour qu'il occupe moins de mémoire et calcule plus vite. Bien appliquée, elle divise la taille du modèle par deux à quatre avec une perte de qualité souvent imperceptible.

Pratique consistant à attaquer volontairement un système d'IA avant sa mise en service pour découvrir ses failles : le pousser à divulguer des données, à produire des contenus interdits ou à contourner ses règles. Les tests sont menés par des équipes dédiées, humaines ou assistées par d'autres IA, et leurs trouvailles servent à renforcer le système.

Étape d'entraînement où des évaluateurs humains comparent des réponses du modèle et indiquent celles qu'ils préfèrent ; le modèle est ensuite ajusté pour produire davantage de réponses de ce type. C'est en grande partie ce qui transforme un modèle brut, qui complète du texte, en assistant utile, poli et capable de refuser des demandes problématiques.