Glossaire de l'IA pour décideurs : les termes essentiels expliqués simplement

Comprendre l’IA pour décider n’exige pas de savoir coder, mais de maîtriser un vocabulaire précis. Trop de projets dérapent parce que le dirigeant et le prestataire ne donnent pas le même sens aux mots « agent », « RAG » ou « fine-tuning ». Ce glossaire définit les 35 termes essentiels en une à trois phrases, regroupés par thème, pour vous permettre de poser les bonnes questions et d’arbitrer en connaissance de cause.

Chaque définition est volontairement autonome : vous pouvez lire un seul terme sans avoir lu les autres. Pour les notions qui méritent un approfondissement, des liens renvoient vers nos articles dédiés.

Les fondamentaux

Ces termes constituent le socle. Si vous ne deviez en retenir que cinq, ce seraient ceux-ci.

Intelligence artificielle (IA)

Programme informatique capable d’accomplir des tâches qui demandaient jusqu’ici une intelligence humaine : comprendre du texte, reconnaître une image, prédire un résultat. En entreprise aujourd’hui, le terme désigne presque toujours l’IA générative et les modèles de langage, pas la robotique ou la science-fiction.

IA générative

Catégorie d’IA qui produit du contenu nouveau plutôt que de simplement classer ou prédire : un texte, une image, un résumé, du code. C’est la famille à laquelle appartiennent ChatGPT, Claude ou Gemini. C’est elle qui a déclenché la vague d’adoption en entreprise depuis 2023.

LLM (grand modèle de langage)

Type d’IA générative spécialisé dans le texte, entraîné sur d’immenses volumes de documents pour comprendre et produire du langage. C’est le moteur derrière les assistants conversationnels. Quand un prestataire parle de « modèle », il s’agit presque toujours d’un LLM comme GPT, Claude ou Mistral.

Prompt

Instruction ou question que vous donnez à un modèle d’IA. La qualité du prompt détermine largement la qualité de la réponse. En entreprise, on construit souvent des prompts standardisés et testés pour garantir des résultats fiables et reproductibles.

Token

Unité de découpage du texte utilisée par les modèles : un mot vaut environ 1,3 token en français. C’est l’unité de facturation des modèles d’IA et la mesure de leur capacité de traitement. Comprendre le token, c’est comprendre comment se calcule le coût d’un usage IA.

Inférence

Moment où le modèle, déjà entraîné, produit une réponse à votre demande. C’est ce qui se passe à chaque utilisation. Le coût d’inférence (par token) est la dépense récurrente d’un projet IA, à distinguer du coût initial d’entraînement ou d’intégration.

Hallucination

Réponse inventée par un modèle, présentée avec assurance mais factuellement fausse. C’est le risque numéro un de l’IA générative. On le réduit fortement en connectant le modèle à des sources vérifiées (voir RAG) et en encadrant les usages, mais on ne l’élimine jamais totalement.

Les techniques d’adaptation

Ces termes décrivent comment on adapte un modèle générique à votre métier et à vos données. Le choix entre eux a un impact direct sur le budget et le délai.

Prompt engineering

Art de formuler les instructions données au modèle pour obtenir des réponses fiables, sans rien modifier au modèle lui-même. C’est l’approche la moins coûteuse et souvent la première à tester. Pour beaucoup d’usages, un bon prompt suffit avant d’envisager des techniques plus lourdes.

RAG (Retrieval-Augmented Generation)

Technique qui connecte un modèle à vos documents (procédures, contrats, base de connaissances) pour qu’il réponde sur la base de vos données réelles, sans les inventer. C’est la solution la plus utilisée en entreprise pour les FAQ internes, le support et la recherche documentaire. Nous détaillons le choix entre approches dans notre comparatif RAG, fine-tuning et prompt engineering.

Fine-tuning

Réentraînement partiel d’un modèle existant sur vos propres exemples, pour ajuster son style, son ton ou son comportement. Plus coûteux et plus long que le RAG, il n’est justifié que pour des besoins très spécifiques de format ou de voix de marque. La plupart des projets s’en passent.

Embedding

Représentation numérique d’un texte sous forme de liste de chiffres, qui capture son sens. Deux textes proches en signification ont des embeddings proches. C’est le mécanisme qui permet à une IA de retrouver le bon document parmi des milliers, et la brique de base du RAG.

Contexte (fenêtre de contexte)

Quantité d’information qu’un modèle peut prendre en compte en une seule fois, mesurée en tokens. Plus la fenêtre est large, plus le modèle peut « lire » de documents avant de répondre. Une fenêtre limitée explique pourquoi un modèle « oublie » le début d’une longue conversation.

Modèle pré-entraîné

Modèle déjà formé sur de vastes données générales, prêt à l’emploi, que l’on adapte ensuite à un usage précis. Partir d’un modèle pré-entraîné évite le coût colossal d’un entraînement de zéro, hors de portée de la quasi-totalité des entreprises.

Agents et orchestration

C’est le sujet le plus en vogue en 2026, et le plus mal défini. Voici les distinctions qui comptent.

Agent IA

Système d’IA capable non seulement de répondre, mais d’agir : enchaîner des étapes, utiliser des outils, prendre des décisions pour accomplir une tâche de bout en bout. Un agent peut par exemple traiter une demande client, vérifier une base, rédiger une réponse et la déclencher. Voir nos 7 cas d’usage concrets d’agents IA en entreprise.

Copilote

Assistant IA qui épaule un humain dans son travail sans agir seul : il suggère, rédige, résume, mais l’humain garde la main et valide. À la différence d’un agent autonome, le copilote reste sous supervision permanente. C’est l’approche la plus prudente pour démarrer.

Multi-agents

Architecture où plusieurs agents spécialisés collaborent, chacun avec un rôle précis (un agent recherche, un autre rédige, un troisième vérifie). Cela permet de traiter des tâches complexes, mais augmente la complexité et le risque d’erreurs en cascade. À réserver à des cas matures.

Orchestration

Coordination des différentes étapes, outils et modèles d’un système IA pour qu’ils fonctionnent ensemble de façon fiable. C’est l’équivalent d’un chef d’orchestre. Une bonne orchestration est ce qui distingue un prototype de démonstration d’un système réellement déployable en production.

MCP (Model Context Protocol)

Standard ouvert qui permet de connecter un modèle d’IA à vos outils et données (CRM, base interne, messagerie) de façon normalisée. C’est l’équivalent d’une prise universelle entre l’IA et votre système d’information. Son adoption simplifie et sécurise les intégrations.

Workflow IA

Enchaînement automatisé d’étapes faisant intervenir une ou plusieurs IA pour traiter un processus métier complet. Contrairement à un agent libre, un workflow suit un chemin défini à l’avance, ce qui le rend plus prévisible et plus facile à auditer. C’est souvent le bon point de départ.

Données et infrastructure

L’IA ne vaut que ce que valent vos données et leur hébergement. Ces termes touchent au coût, à la souveraineté et à la sécurité.

Base de données vectorielle

Base spécialisée dans le stockage des embeddings, qui permet de retrouver très vite les documents les plus proches d’une question. C’est l’infrastructure qui fait tourner le RAG. Le choix de l’outil influe sur le coût et la performance, comme l’explique notre comparatif des bases vectorielles 2026.

API

Porte d’entrée technique qui permet à vos logiciels d’appeler un modèle d’IA hébergé ailleurs (OpenAI, Anthropic, Mistral). Vous payez à l’usage, sans gérer l’infrastructure. C’est le mode de consommation le plus courant et le plus rapide à mettre en œuvre.

Modèle open source

Modèle dont le code et les poids sont librement accessibles, que vous pouvez héberger vous-même. Il offre plus de contrôle et de souveraineté des données, au prix d’une infrastructure à gérer. Les modèles ouverts (Mistral, Llama) ont fortement réduit l’écart de qualité avec les modèles propriétaires.

Modèle propriétaire

Modèle accessible uniquement via le service de son éditeur (GPT d’OpenAI, Claude d’Anthropic), sans accès au code. Souvent les plus performants, ils impliquent une dépendance au fournisseur et un transfert de données vers ses serveurs, point d’attention pour les données sensibles.

Cloud vs on-premise

Le cloud héberge votre IA sur les serveurs d’un fournisseur (rapide, peu d’investissement initial). L’on-premise l’héberge sur vos propres serveurs (plus de contrôle et de souveraineté, plus de coûts et de compétences requises). Le choix dépend de la sensibilité de vos données et de votre exigence de souveraineté.

Latence

Temps de réponse d’un modèle entre la question et la réponse. Une latence élevée dégrade l’expérience, surtout pour un usage client en temps réel. Elle dépend du modèle, de sa taille et de l’infrastructure, et constitue un critère concret de choix technique.

Fenêtre de coût (coût par usage)

Le coût d’un système IA en production se calcule essentiellement au token traité, multiplié par le volume d’usages. Estimer ce coût récurrent avant de lancer évite les mauvaises surprises : un usage massif sur un modèle premium peut vite peser sur le budget mensuel.

Gouvernance et risques

Ces termes relèvent directement de votre responsabilité de dirigeant : conformité, sécurité, contrôle.

AI Act

Règlement européen qui encadre l’usage de l’IA selon son niveau de risque, avec des obligations croissantes pour les usages sensibles. Son application est progressive jusqu’en 2027. Tout projet IA en Europe doit en tenir compte dès sa conception. Voir notre analyse de l’impact concret de l’AI Act en 2026.

Biais

Tendance d’un modèle à produire des résultats systématiquement déformés, hérités de ses données d’entraînement (discrimination, stéréotypes). Le biais est un risque juridique et réputationnel réel, en particulier pour le recrutement, le crédit ou l’assurance. Il s’audite et se corrige, mais doit être surveillé.

Shadow AI

Usage d’outils d’IA par vos employés sans validation ni encadrement de la direction (comptes personnels, extensions non approuvées). C’est le risque IA le plus répandu et le plus invisible : il expose vos données confidentielles à des services tiers sans aucune traçabilité. Une charte d’usage est la première parade.

Gouvernance de l’IA

Ensemble des règles, rôles et contrôles qui encadrent l’usage de l’IA dans l’entreprise : qui peut l’utiliser, pour quoi, avec quelles données, sous quelle supervision. Une gouvernance claire transforme une initiative subie en démarche maîtrisée et conforme.

Human in the loop

Principe consistant à maintenir une validation humaine sur les décisions sensibles d’une IA, plutôt que de tout automatiser. C’est à la fois une exigence réglementaire pour certains usages et une bonne pratique de gestion du risque, surtout en phase de démarrage.

MLOps

Ensemble des pratiques et outils pour déployer, surveiller et maintenir des modèles d’IA en production dans la durée. C’est ce qui garantit qu’un système reste fiable après son lancement, et non seulement le jour de la démonstration. Un projet IA sans MLOps se dégrade avec le temps.

Données d’entraînement

Ensemble des textes, images ou exemples ayant servi à former un modèle. Leur qualité et leur provenance déterminent les performances et les biais du modèle, ainsi que d’éventuelles questions de droits d’auteur. Pour vos données internes, la question de leur usage et de leur protection est centrale.

Explicabilité

Capacité à comprendre et justifier pourquoi une IA a produit un résultat donné. Plus un usage est sensible (santé, finance, RH), plus l’explicabilité devient une exigence légale et éthique. Un système « boîte noire » est difficile à défendre en cas de contrôle ou de litige.

Comment utiliser ce glossaire dans vos décisions

Ce vocabulaire n’est pas une fin en soi : il sert à arbitrer. Trois réflexes valent mieux que la connaissance de tous les termes.

D’abord, quand un prestataire emploie un mot comme « agent » ou « fine-tuning », demandez-lui de le traduire en termes de coût, de délai et de risque. Un bon partenaire le fait sans difficulté. Ensuite, méfiez-vous des projets qui empilent les techniques avancées (multi-agents, fine-tuning) sans avoir d’abord testé les approches simples (prompt, RAG) : la complexité inutile est le premier facteur d’échec. Enfin, traitez la gouvernance, le shadow AI et l’AI Act comme des sujets de direction, pas de technique : ce sont eux qui engagent votre responsabilité.

Comprendre ces 35 termes vous place en position de décider, pas de subir. Vous n’avez pas besoin d’en savoir plus que votre prestataire sur la technique, mais assez pour reconnaître une promesse réaliste d’un discours marketing.

Vous préparez un projet IA et voulez clarifier le bon niveau d’ambition, de budget et de risque ? Notre diagnostic IA part de votre métier, pas de la technologie. → Parlons de votre projet