Glossaire IA · Pour l’entreprise
Vingt notions expliquées sans jargon inutile, avec ce qu’elles changent concrètement dans un projet métier.
Index A–Z
20 notionsAgents
Système qui utilise un modèle d’IA, du contexte et des outils pour poursuivre un objectif et enchaîner plusieurs étapes. Son autonomie dépend des règles, des accès et des validations qui lui sont donnés.
Un agent peut rechercher un dossier, préparer une synthèse puis proposer une action, sans pour autant décider seul sur les cas sensibles.
Intégration
Application Programming Interface
Interface documentée qui permet à deux logiciels d’échanger des données ou de déclencher des actions selon des règles précises.
Une API peut permettre à un workflow de lire une fiche CRM, créer une tâche ou déposer un document sans ressaisie manuelle.
Intégration
Enchaînement programmé d’étapes, de règles et de contrôles qui exécute un processus avec moins d’interventions manuelles.
L’IA devient utile dans une automatisation lorsqu’une étape demande de lire, classer, résumer ou interpréter un contenu non structuré.
Données
Système de stockage conçu pour retrouver des éléments proches à partir de leurs représentations numériques, plutôt que seulement avec des mots-clés exacts.
Elle peut aider un assistant interne à retrouver les passages de documents qui ressemblent le plus à une question.
Agents
Assistant intégré à une activité professionnelle qui prépare, suggère ou vérifie un travail tout en laissant la décision finale à une personne.
Un copilote commercial peut préparer un rendez-vous, signaler les informations manquantes et proposer une relance à valider.
Données
Informations organisées dans des champs et formats réguliers, comme les colonnes d’un CRM, d’un tableur ou d’une base de données.
Des champs cohérents rendent les contrôles, les synchronisations et les indicateurs plus fiables qu’un ensemble de notes libres.
Données
Représentation vectorielle
Représentation numérique d’un texte, d’une image ou d’un autre contenu, conçue pour comparer leur proximité de sens.
Les embeddings servent notamment à retrouver des documents proches d’une question même lorsque les mêmes mots ne sont pas utilisés.
Contrôle
Eval
Ensemble de cas de test et de critères utilisés pour mesurer la qualité, la fiabilité et les limites d’un système IA.
Une évaluation utile reprend des situations réelles, des exceptions et des réponses attendues avant chaque mise à jour importante.
Modèles
Ajustement fin
Entraînement complémentaire d’un modèle existant à partir d’exemples choisis afin d’influencer sa manière de répondre à une tâche précise.
Il n’est pas toujours nécessaire : de bonnes instructions, un contexte fiable ou une recherche documentaire suffisent souvent pour un premier usage.
Modèles
Quantité d’informations qu’un modèle peut prendre en compte au même moment, notamment les instructions, messages, documents et résultats d’outils.
Ajouter tous les documents disponibles n’améliore pas automatiquement la réponse : le contexte doit rester pertinent, à jour et bien hiérarchisé.
Contrôle
Règle technique ou organisationnelle qui limite une action, contrôle une sortie ou interrompt le système lorsqu’une condition n’est pas respectée.
Un garde-fou peut interdire un envoi automatique, masquer une donnée, imposer un format ou demander une validation humaine.
Contrôle
Confabulation
Contenu faux, incohérent ou non fondé présenté par un système d’IA comme s’il était fiable. Le terme technique « confabulation » est aussi utilisé.
Des sources accessibles, des tests, des limites de réponse et une validation adaptée réduisent le risque sans le supprimer entièrement.
Contrôle
Validation humaine
Organisation dans laquelle une personne intervient à une étape définie pour vérifier, corriger, autoriser ou reprendre le travail du système.
La validation doit porter sur les décisions à conséquence réelle, pas devenir une relecture systématique qui annule tout le gain de temps.
Modèles
Large Language Model
Modèle entraîné sur de grandes quantités de texte pour traiter et produire du langage : rédaction, extraction, classification, synthèse ou dialogue.
Un LLM n’est pas une base de connaissances garantie. Sa réponse dépend du modèle, des instructions, du contexte et des contrôles autour de lui.
Intégration
Model Context Protocol
Standard ouvert permettant à une application d’IA de découvrir et d’utiliser des ressources, des instructions et des outils exposés par des systèmes externes.
MCP peut standardiser certaines connexions, mais les droits, les données disponibles et les actions autorisées doivent toujours être définis séparément.
Modèles
Instruction
Texte ou ensemble d’éléments transmis à un modèle pour préciser la tâche, le contexte, les contraintes et la forme de la réponse attendue.
Dans un système métier, le prompt ne suffit pas : il doit être accompagné des bonnes données, d’outils, de tests et de règles d’usage.
Données
Retrieval-Augmented Generation
Architecture qui recherche des informations dans des sources externes puis les fournit au modèle pour préparer une réponse contextualisée.
Un RAG peut répondre à partir de procédures internes si les documents sont à jour, accessibles et accompagnés de références vérifiables.
Données
Recherche qui rapproche une requête et des contenus selon leur sens probable, et pas uniquement selon la présence des mêmes mots.
Elle aide à retrouver une procédure formulée différemment de la question posée, puis à présenter les passages les plus pertinents.
Modèles
Unité de texte traitée par un modèle. Un mot peut être composé d’un ou plusieurs tokens selon la langue et la façon dont le modèle découpe le contenu.
Le nombre de tokens influence la quantité de contexte disponible, le temps de traitement et souvent le coût d’un appel à un modèle.
Intégration
Flux de travail
Suite explicite d’étapes, de responsabilités et de règles qui transforme un déclencheur en résultat attendu.
Un workflow robuste décrit aussi les erreurs, les délais, les exceptions et la personne responsable lorsqu’une étape ne peut pas avancer.
Passer des mots au projet
Une notion à replacer dans votre contexte ?