Lexique IA. Les mots pour décider.

Une IA qui produit du contenu (texte, image, son, vidéo, code) au lieu de se limiter à classer ou prédire. C'est elle qui a mis l'IA entre toutes les mains depuis 2022. En entreprise, elle rédige, résume, reformule et prépare le travail ; elle ne décide pas à votre place.

« Large Language Model », grand modèle de langage. Le moteur derrière ChatGPT, Claude ou Gemini : un système entraîné sur d'immenses volumes de texte pour prédire la suite la plus probable d'une phrase. Sa force : la langue. Sa limite : il ne « sait » rien, il calcule.

L'instruction que vous donnez à une IA. La qualité de la réponse dépend directement de ce que vous mettez dedans : contexte, rôle, contraintes, exemples, format attendu. Un bon prompt s'écrit comme un bon brief.

L'unité de découpage du texte pour un modèle : un mot court, un morceau de mot, une ponctuation. Les modèles comptent et facturent en tokens : 1 000 tokens font environ 750 mots de français. C'est aussi la mesure de leur mémoire de travail.

La quantité d'information qu'un modèle peut garder « en tête » dans un même échange : votre question, vos documents, l'historique. Au-delà, il oublie. Les fenêtres récentes avalent des livres entiers, ce qui change ce qu'on peut leur confier.

Quand une IA affirme avec aplomb quelque chose de faux : chiffre inventé, source qui n'existe pas, détail plausible mais fabriqué. Ce n'est pas une panne, c'est sa nature statistique. La parade : sourcer, vérifier, et ne jamais publier sans relecture humaine.

Le moment où le modèle travaille pour vous : il reçoit votre demande et produit sa réponse. À distinguer de l'entraînement, qui a eu lieu bien avant. C'est l'inférence qui se facture à l'usage.

La phase où un modèle apprend, en digérant d'immenses corpus de données. Elle coûte des millions et n'arrive que rarement. Votre usage quotidien n'entraîne pas le modèle, sauf si vos données servent explicitement à ça : voir Souveraineté des données.

Spécialiser un modèle existant sur vos données ou votre style : vos contrats, votre ton, vos procédures. Rarement nécessaire en PME : un bon prompt et une bonne base de connaissances suffisent dans la plupart des cas, pour une fraction du coût.

Les milliards de réglages internes qui font qu'un modèle « sait » écrire. Plus de paramètres, plus de finesse. Et plus de coût. La course au gigantisme ralentit : les petits modèles bien entraînés font le travail dans la plupart des usages métier.

Un modèle qui comprend et produit plusieurs formats : texte, image, audio, vidéo. Vous montrez une photo de chantier, il rédige le constat. Vous donnez un PDF scanné, il en sort le tableau.

Ouvert : téléchargeable, hébergeable chez vous, adaptable (Llama, Mistral). Propriétaire : accessible uniquement via son éditeur (GPT, Claude, Gemini). Le choix engage vos coûts, votre confidentialité et votre dépendance.

Le curseur de créativité d'un modèle. Basse : réponses stables et prudentes, pour l'extraction et le juridique. Haute : réponses variées et inventives, pour la créa. La plupart des outils la règlent pour vous.

Les tests standardisés qui comparent les modèles entre eux. Utile pour suivre le marché, piégeux pour décider : le premier du classement n'est pas forcément le bon pour votre usage, votre budget et vos contraintes.

Une IA intégrée à un outil de travail, qui assiste sans remplacer : suggérer une réponse, préparer un compte rendu, prioriser une boîte mail. Le premier étage de l'IA en entreprise, celui qui se déploie en semaines, pas en mois.

Une IA qui ne se contente pas de répondre : elle enchaîne des actions pour atteindre un objectif (chercher, comparer, remplir, relancer) avec des points de contrôle humains. Puissant, à condition de borner ce qu'elle a le droit de faire.

Un processus métier existant dont certaines étapes sont confiées à l'IA : le devis se pré-remplit, le compte rendu se rédige, la relance part au bon moment. On ne remplace pas le processus, on enlève les frictions.

« Retrieval-Augmented Generation » : au lieu de répondre de mémoire, le modèle commence par chercher dans vos documents, puis rédige en citant ses sources. La technique derrière la plupart des assistants d'entreprise fiables.

Le corpus organisé que vous donnez à lire à l'IA : procédures, offres, historiques, réponses types. Sa qualité fait celle des réponses : une IA branchée sur un savoir mal rangé industrialise la confusion.

Confier à la machine ce qui suit des règles : transferts, notifications, saisies, rapports. Avec des outils comme n8n, Make ou Zapier, l'IA s'y ajoute pour traiter aussi ce qui demande de la lecture et un jugement léger.

La prise électrique des logiciels : elle permet à deux outils de se parler sans intervention humaine. Brancher un modèle en API, c'est mettre l'IA dans vos outils, plutôt que d'ouvrir une fenêtre de chat à côté.

Construire des outils et des automatisations sans écrire de code, par assemblage visuel. La porte d'entrée des équipes métier vers l'IA appliquée, et souvent le meilleur rapport valeur-effort pour une PME.

Savoir où vont vos données, qui peut les lire, et si elles servent à entraîner les modèles d'autrui. Se règle par le choix des offres (les versions entreprise), les contrats et parfois l'hébergement. La question à poser avant de déployer, pas après.

Le règlement européen sur l'IA, appliqué par paliers depuis 2025. Il classe les usages par niveau de risque et impose des obligations croissantes : transparence, documentation, contrôle humain. Vous êtes concerné dès que vous déployez de l'IA, pas seulement si vous en vendez.

La protection des données s'applique intégralement à l'IA : base légale, minimisation, droits des personnes. Le réflexe : aucune donnée personnelle ou sensible dans un outil grand public non encadré.

Un modèle reproduit les régularités de ses données d'entraînement, y compris les mauvaises. Sur le recrutement, le crédit ou l'évaluation : contrôle humain obligatoire, et mesure régulière des écarts.

Le document qui fixe les règles du jeu dans l'entreprise : outils autorisés, données interdites, relecture obligatoire, cas sensibles. Deux pages suffisent. Sans elle, chacun improvise : voir Shadow AI.

L'usage d'outils d'IA par les équipes sans cadre ni validation : comptes personnels, données clients copiées dans un chat public. Ça part d'une bonne intention, aller plus vite, et ça se règle par la formation et une charte, pas par l'interdiction.

Choisir le plus petit outil qui fait le travail : un bon prompt avant un fine-tuning, un petit modèle avant un géant, une automatisation simple avant un agent. Moins cher, plus sobre, plus facile à maintenir. Et le plus souvent suffisant.

Pouvoir dire qui a produit quoi, avec quel outil, à partir de quelles sources. Indispensable pour publier, contractualiser et auditer. Elle se construit dès le départ (journaux, versions, mentions), jamais après coup.

La traduction d'un texte, d'une image ou d'un son en une liste de nombres qui capture son sens. Deux contenus proches par le sens ont des embeddings proches : c'est ainsi qu'une machine « voit » qu'une facture impayée et une relance client parlent de la même chose. Le socle de la recherche sémantique et du RAG.

La base de données qui range les embeddings et retrouve en quelques millisecondes les contenus les plus proches d'une question. Indispensable à grande échelle, souvent superflue en dessous : pour quelques centaines de documents, une bonne recherche classique fait le travail.

« Model Context Protocol », le standard ouvert qui branche un modèle sur vos outils et vos données : CRM, agenda, base documentaire. Au lieu d'un connecteur bricolé par outil, une prise universelle. C'est lui qui transforme une fenêtre de chat en collègue outillé.

L'instruction invisible qui cadre le modèle avant votre première phrase : son rôle, son ton, ses interdits, son périmètre. C'est là que se joue la fiabilité d'un assistant d'entreprise : un livrable à part entière, pas un détail technique.

La capacité d'un modèle à se servir d'outils externes : chercher sur le web, interroger une base, envoyer un e-mail, lancer un calcul. Le modèle décide quand appeler l'outil ; votre système décide ce qu'il a le droit de faire. La brique de base des agents.

L'attaque de référence contre les IA : glisser des instructions malveillantes dans un contenu que le modèle va lire (une page web, un e-mail, un PDF) pour détourner son comportement. La parade : borner ce que l'IA peut faire seule, et traiter tout contenu externe comme non fiable.

Un modèle qui réfléchit avant de répondre : il déroule un raisonnement interne, explore des pistes, se corrige, puis livre sa conclusion. Plus lent et plus cher, mais nettement meilleur sur les problèmes complexes : analyse, code, planification. On ne le sort pas pour reformuler un e-mail.

Entraîner un petit modèle à imiter un grand : l'élève apprend les réponses du maître, pour une fraction du coût à l'usage. C'est pour ça que les modèles rapides et bon marché d'aujourd'hui valent les géants d'il y a dix-huit mois.

Compresser un modèle en réduisant la précision de ses paramètres, pour le faire tourner sur du matériel plus modeste, parfois un simple ordinateur portable. C'est elle qui rend possible l'IA en local, sans cloud, pour les données qui ne doivent pas sortir.

« Reinforcement Learning from Human Feedback » : la phase où des humains notent les réponses du modèle pour lui apprendre à être utile, honnête et prudent. C'est elle qui sépare un modèle brut d'un assistant fréquentable. Elle explique aussi certains de ses réflexes trop consensuels.