IA en 2026 : le lexique essentiel pour comprendre les termes clés de l’intelligence artificielle

Un assistant qui rédige une publication, recherche une information dans tes documents et prépare une mise à jour de ton CRM ne mobilise pas une seule technologie. Derrière cette apparente simplicité se trouvent des modèles de langage, des connexions logicielles, des mécanismes de recherche et des règles de sécurité. Comprendre ces termes change concrètement la manière de choisir un outil, de construire une automatisation et d’évaluer son intérêt pour ton activité.

En 2026, le vocabulaire de l’intelligence artificielle accompagne une évolution majeure : les outils ne produisent plus seulement du contenu, ils peuvent aussi exécuter des actions. Cette capacité dépend toutefois des accès accordés, des fonctionnalités disponibles et du niveau de supervision prévu. Un agent connecté n’est ni un salarié numérique infaillible ni une solution universelle.

Pour rendre ce lexique concret, prenons Atelier Nova, une petite entreprise fictive qui commercialise des formations et accompagne des indépendants. Son équipe souhaite accélérer la création de contenus, retrouver ses informations commerciales et mieux suivre ses prospects. Chaque notion sera reliée à ces besoins : distinguer ce qui génère une réponse, ce qui apporte des données et ce qui autorise une action permet d’investir au bon endroit.

En bref

• LLM, tokens et contexte expliquent comment un assistant traite tes demandes et pourquoi ses réponses doivent être vérifiées.
• MCP, connecteurs et RAG servent à relier les modèles à des outils ou à des informations utiles.
• Agents, skills et computer use permettent d’exécuter des tâches, avec des permissions et des contrôles adaptés.
• Artefacts, fine-tuning et orchestration transforment une réponse en livrable ou en processus exploitable.
• RGPD, AI Act et audits encadrent les usages pour protéger les personnes, les données et l’entreprise.

Lexique IA : comprendre les modèles de langage, les tokens et les hallucinations

Algorithme, apprentissage automatique et réseau de neurones

Un algorithme est une suite d’instructions permettant de résoudre un problème. Une règle qui classe les prospects selon leur budget relève déjà de cette logique, sans être nécessairement de l’intelligence artificielle. L’apprentissage automatique, ou machine learning, ajoute une autre possibilité : tirer des régularités d’exemples plutôt que programmer chaque règle manuellement.

Chez Atelier Nova, un système pourrait apprendre à repérer les demandes commerciales prioritaires à partir de dossiers précédemment qualifiés. La pertinence du résultat dépendrait alors de la qualité des exemples, de leur représentativité et de la définition du résultat recherché. Des données historiques mal classées peuvent transmettre de mauvaises habitudes au logiciel.

Un réseau de neurones artificiels est une famille de modèles composée d’unités de calcul organisées en couches. Ses paramètres, souvent appelés poids, modulent les transformations appliquées aux informations. L’inspiration biologique existe, mais ces systèmes ne reproduisent pas fidèlement le fonctionnement du cerveau humain.

L’apprentissage profond, ou deep learning, utilise des réseaux comportant plusieurs couches de traitement. Il intervient notamment dans la reconnaissance d’images, la transcription audio et les grands modèles de langage. Ce terme décrit une approche technique, pas un degré de conscience ou une capacité générale à tout comprendre.

LLM, prompt et tokens : comment une réponse se construit

Un LLM, pour large language model, est un grand modèle entraîné sur d’importants volumes de données linguistiques. Pendant la génération, il produit successivement des éléments de texte selon le contexte disponible. Cette mécanique peut soutenir des capacités utiles de rédaction, de traduction ou d’analyse, sans garantir l’exactitude de chaque affirmation.

Le prompt désigne les instructions et informations fournies au système. « Écris un e-mail commercial » laisse beaucoup de choix ouverts. « Prépare un message de relance de 120 mots pour un prospect ayant demandé le programme, sans réduction et avec une proposition de rendez-vous » précise le résultat attendu.

La tokenisation découpe le contenu en unités appelées tokens. Un token peut correspondre à un mot, une partie de mot ou un signe de ponctuation ; il ne faut donc pas assimiler automatiquement leur nombre au nombre de mots. Ces unités servent notamment à mesurer les limites d’entrée et de sortie ainsi que la facturation de nombreuses API.

La fenêtre de contexte représente la quantité d’informations que le modèle peut prendre en compte pour une génération. Elle comprend, selon l’outil, les instructions, des échanges précédents, des documents et les résultats d’appels logiciels. Une grande capacité ne garantit toutefois pas que chaque détail sera exploité avec la même fiabilité.

Pour Atelier Nova, mieux vaut transmettre une fiche d’offre claire et quelques exemples pertinents qu’un dossier désordonné de plusieurs centaines de pages. La mémoire proposée par certaines applications constitue une fonctionnalité supplémentaire : elle ne doit pas être confondue avec ce contexte temporaire.

Entraînement, inférence et hallucination : distinguer les limites

L’entraînement ajuste les paramètres du modèle à partir de données. L’inférence correspond à son utilisation pour produire un résultat. Dans une application courante, envoyer un document à un assistant ne signifie donc pas automatiquement que celui-ci réentraîne ses paramètres avec ce document.

Une hallucination est une information erronée ou non étayée présentée comme crédible. Un assistant peut inventer un chiffre de marché, une citation ou une référence juridique. Ce risque découle notamment de la génération probabiliste et des limites des informations disponibles ; il ne constitue pas une créativité souhaitable dans une réponse factuelle.

La régurgitation désigne plutôt la reproduction de passages issus des données d’apprentissage ou des éléments fournis. Elle soulève des questions de confidentialité et de propriété intellectuelle. Atelier Nova vérifie donc les sources des affirmations et contrôle l’originalité des formulations avant publication.

Une réponse fluide doit être traitée comme un résultat à évaluer, pas comme une preuve. Pour améliorer sa fiabilité, l’étape suivante consiste à lui fournir les bonnes ressources, au bon moment.

MCP, connecteurs et RAG : relier l’intelligence artificielle à tes outils métiers

MCP : un protocole ouvert pour connecter les ressources

Le Model Context Protocol, ou MCP, est un protocole ouvert présenté par Anthropic en 2024. Il standardise certains échanges entre une application utilisant un modèle et des ressources externes. Son intérêt est de réduire la multiplication d’intégrations spécifiques pour chaque combinaison d’assistant et de service.

Dans cette architecture, un serveur expose des ressources, des outils ou des modèles d’instructions à un client compatible. Un service peut, par exemple, proposer une fonction de recherche documentaire ou une opération de consultation dans une base. L’assistant exploite ensuite ces capacités dans les limites définies par l’application et ses permissions.

Pour Atelier Nova, cela pourrait permettre de retrouver une fiche client puis de consulter les formations auxquelles cette personne est inscrite. Mais le protocole ne crée pas ces accès par magie : il faut un serveur adapté, une authentification correcte et des autorisations explicites. La compatibilité doit aussi être vérifiée dans les produits réellement utilisés.

MCP n’est donc ni une garantie de sécurité ni une interopérabilité totale. Il fournit un cadre commun de communication. Le choix des ressources exposées, leur maintenance et la protection des échanges restent des responsabilités opérationnelles.

API, connecteur et plugin : trois notions voisines, pas identiques

Une API est une interface permettant à des logiciels d’échanger des données ou de déclencher des opérations. Elle définit des règles de communication : quelles demandes sont possibles, sous quelle forme et avec quelles autorisations. Une API de messagerie peut ainsi permettre de rechercher un message ou de préparer un brouillon.

Un connecteur est une intégration qui facilite l’accès à un service, souvent grâce à une API. Il évite à l’utilisateur de construire toute la liaison technique. Cependant, ses possibilités varient : certains donnent seulement accès à la lecture, tandis que d’autres autorisent la création ou la modification d’informations.

Le mot plugin désigne généralement une extension ajoutant des fonctionnalités à une application. Sa signification précise dépend de l’éditeur et du produit. Dans les discussions commerciales, ces termes sont parfois employés de façon interchangeable ; la bonne question reste : quelles opérations cette intégration permet-elle réellement ?

Atelier Nova peut autoriser un assistant à lire un agenda et à proposer des créneaux, sans lui donner le droit d’annuler les rendez-vous. Cette séparation évite de confondre commodité et liberté d’action. Une connexion utile doit répondre à un besoin précis, avec le minimum de permissions nécessaires.

RAG et embeddings : retrouver les informations avant de répondre

Le RAG, pour retrieval-augmented generation, associe recherche d’informations et génération de texte. Le système récupère des passages pertinents dans des sources accessibles, puis les transmet au modèle pour préparer sa réponse. Les paramètres de ce dernier ne sont pas nécessairement modifiés.

Chez Atelier Nova, cette approche peut servir à répondre aux questions sur les conditions d’inscription, les programmes ou les modalités de paiement. Lorsque l’équipe actualise ses documents, les réponses peuvent exploiter ces nouvelles informations si la chaîne de recherche est correctement mise à jour. C’est souvent plus adapté qu’un réentraînement pour un catalogue qui évolue régulièrement.

Les embeddings sont des représentations numériques de contenus. Ils permettent notamment de rechercher des passages présentant une proximité sémantique avec une question. Une recherche hybride peut les combiner avec une recherche par mots-clés pour mieux traiter les références exactes, les noms de produits ou les codes.

Cette technique ne supprime pas les erreurs. Un passage obsolète, une recherche peu pertinente ou une mauvaise interprétation peut produire une réponse incorrecte. Il faut conserver les droits d’accès aux documents, afficher les sources utiles et tester les questions difficiles.

Une bonne connexion apporte la bonne information sans ouvrir davantage d’accès que nécessaire. Cette discipline devient encore plus importante lorsque l’assistant commence à agir.

IA agentique : comprendre les agents, les skills et le computer use

Agent IA et workflow : quel niveau d’autonomie choisir ?

Un agent IA est un système qui utilise un modèle pour poursuivre un objectif en sélectionnant des actions et des outils. Il peut examiner un résultat intermédiaire, choisir une nouvelle étape et continuer son travail. Son autonomie dépend toutefois de l’architecture, des permissions accordées et des limites imposées.

Un workflow classique suit plutôt un enchaînement défini à l’avance : réception d’un formulaire, création d’une fiche, envoi d’une notification. Les deux approches peuvent être combinées. Une procédure stable bénéficie souvent d’une automatisation déterministe, tandis qu’une demande variable peut justifier davantage de souplesse.

Atelier Nova reçoit, par exemple, des demandes de formation rédigées librement. Un agent peut identifier le besoin, rechercher les offres compatibles et préparer une réponse adaptée. Le paiement, la modification d’un contrat ou une remise commerciale restent soumis à une validation humaine.

Pourquoi ne pas tout déléguer ? Parce qu’une interprétation erronée peut se propager aux étapes suivantes. Le niveau d’autonomie doit suivre le niveau de risque, et non l’effet spectaculaire d’une démonstration. Une action réversible sur un brouillon n’a pas les mêmes conséquences qu’un envoi à plusieurs milliers de contacts.

Skills : des compétences réutilisables, à examiner avant adoption

Une skill est, selon les plateformes, un ensemble réutilisable d’instructions, de ressources et parfois de scripts permettant d’effectuer une tâche spécialisée. Elle peut préciser comment analyser un fichier, produire un livrable ou appliquer une méthode de travail. Le terme ne correspond pas encore à un format unique partagé par tous les outils.

Pour la communication d’Atelier Nova, une compétence pourrait regrouper la charte éditoriale, les critères d’une publication LinkedIn et une checklist de vérification. Une autre pourrait guider l’analyse des campagnes publicitaires. L’intérêt est de rendre les pratiques cohérentes sans recopier les mêmes consignes à chaque demande.

Installer une ressource externe nécessite néanmoins un contrôle. Quels fichiers consulte-t-elle ? Exécute-t-elle du code ? Envoie-t-elle des données vers un service tiers ? Une bibliothèque de compétences n’est pas automatiquement fiable parce qu’elle est populaire ou présentée comme prête à l’emploi.

Une spécialisation utile conserve aussi une place pour le jugement humain. Pour explorer cette complémentarité, les pistes consacrées à la créativité entrepreneuriale avec l’IA permettent de relier assistance technique et différenciation. Un outil peut accélérer la production sans décider à ta place de ce qui rend ta marque reconnaissable.

Browser use et computer use : agir dans les interfaces

Le browser use désigne la capacité d’interagir avec un navigateur : ouvrir des pages, rechercher des éléments ou remplir des champs. Le computer use élargit cette logique à d’autres interfaces informatiques. Selon les systèmes, les interactions s’appuient sur des captures d’écran, des éléments structurés de la page ou une combinaison de méthodes.

Ces capacités sont utiles lorsqu’un service ne propose pas d’intégration adaptée. Atelier Nova pourrait, par exemple, préparer le transfert d’informations d’un document vers un portail administratif. Mais une interface qui change, une fenêtre imprévue ou un champ ambigu peut perturber l’exécution.

Lorsqu’une API fiable existe, elle peut être préférable pour les opérations répétitives : ses entrées et ses résultats sont généralement plus structurés. La navigation visuelle apporte de la flexibilité, mais pas une précision automatique. Des tests sur un environnement sans conséquences réelles permettent de repérer les points de rupture.

Pour cadrer une première mission, définis quatre éléments avant l’exécution :

• L’objectif observable : préparer dix fiches correctement renseignées.
• Le périmètre autorisé : consulter les documents et créer des brouillons uniquement.
• Les conditions d’arrêt : donnée manquante, erreur répétée ou demande inattendue.
• La validation requise : contrôle humain avant toute modification définitive.

La planification et l’auto-correction peuvent améliorer l’exécution, mais elles ne garantissent pas la réussite. Un agent performant est d’abord un agent dont les actions restent contrôlables et vérifiables.

Artefacts, GPU et fine-tuning : transformer les réponses en outils exploitables

Artefacts IA : produire un livrable plutôt qu’un simple échange

Dans certaines applications, un artefact est un objet produit par l’assistant et présenté dans un espace distinct du fil de discussion. Il peut s’agir de code, d’un document, d’un graphique ou d’un prototype interactif. Le nom et les fonctions exactes dépendent du logiciel utilisé.

Cette présentation facilite les modifications successives. Au lieu de récupérer plusieurs versions dispersées dans une conversation, tu travailles sur un livrable identifiable. Atelier Nova peut ainsi préparer une maquette de page de vente, ajuster ses blocs et comparer différentes formulations.

Un prototype visuellement convaincant n’est toutefois pas une application prête à être publiée. Les formulaires, la sécurité, l’accessibilité, la gestion des données et l’affichage sur mobile doivent être contrôlés. La rapidité de création déplace une partie de l’effort vers les tests ; elle ne les rend pas inutiles.

Pour cadrer cette étape, les pratiques de tests automatisés avec Claude et Playwright constituent une piste pertinente. L’objectif est de vérifier des comportements attendus, comme l’ouverture d’une page ou le fonctionnement d’un parcours, plutôt que de se fier uniquement à une capture d’écran réussie.

GPU, cloud et modèles locaux : comprendre les ressources nécessaires

Un GPU est un processeur adapté à de nombreux calculs parallèles. Il joue un rôle important dans l’entraînement et l’exécution de nombreux réseaux de neurones. Les besoins matériels varient cependant fortement selon la taille du modèle, sa précision numérique et le volume de demandes.

Le cloud computing donne accès à des ressources informatiques hébergées à distance. Pour une petite entreprise, cette approche évite d’acheter et d’administrer une infrastructure spécialisée. Elle implique en échange une dépendance au fournisseur, des conditions contractuelles et des coûts liés à l’usage.

Certains modèles peuvent aussi fonctionner localement sur un ordinateur adapté. Cette option peut répondre à des besoins de confidentialité ou de fonctionnement hors connexion, mais demande de vérifier les performances et la maintenance. Local ne signifie pas automatiquement plus sécurisé : les fichiers, les comptes et les logiciels doivent toujours être protégés.

Atelier Nova n’a pas besoin du même système pour reformuler un titre et analyser un dossier complexe. Employer une solution légère pour une tâche simple peut réduire la latence, c’est-à-dire le délai avant le résultat, ainsi que les coûts. Les traitements groupés et la réutilisation de résultats déjà calculés peuvent également améliorer l’efficacité.

Le bon indicateur n’est pas seulement le prix d’une requête. Il faut intégrer le temps de vérification, les reprises et les erreurs. Une génération peu coûteuse qui exige vingt minutes de correction peut être moins rentable qu’un traitement mieux adapté.

Fine-tuning, orchestration et évaluation : personnaliser sans surinvestir

Le fine-tuning consiste à poursuivre l’entraînement d’un modèle sur un ensemble ciblé de données. Il peut améliorer le respect d’un format, la réalisation d’une tâche ou certaines caractéristiques de style. Il peut aussi modifier des connaissances, mais ce n’est généralement pas le moyen le plus simple de maintenir une base documentaire à jour.

Avant d’y recourir, Atelier Nova peut tester une consigne structurée, quelques exemples et une recherche documentaire adaptée. Ces solutions sont souvent plus faciles à mettre en place et à corriger. Un ajustement spécialisé devient intéressant lorsque le besoin est répétitif, mesurable et suffisamment documenté.

L’orchestration coordonne les composants d’un processus : modèles, recherches, logiciels classiques, règles de validation et interventions humaines. Elle ne nécessite pas obligatoirement plusieurs modèles. Un seul moteur peut être associé à une base documentaire et à des contrôles déterministes.

Pour préparer une campagne, le processus pourrait rechercher les informations produit, générer plusieurs propositions puis vérifier les mentions obligatoires. L’équipe choisirait ensuite la version finale. La cohérence de marque vient autant de ces règles et des exemples fournis que de la puissance du moteur.

La meilleure infrastructure est celle qui produit un résultat fiable à un coût maîtrisé. La personnalisation technique ne dispense jamais d’organiser la responsabilité et la protection des données.

Éthique et gouvernance IA : maîtriser le RGPD, l’AI Act et la fiabilité

Biais, explicabilité et RGPD : protéger les personnes

Un biais algorithmique est une tendance systématique susceptible de produire des résultats déséquilibrés ou défavorables à certains groupes. Il peut provenir des données, de la conception du système ou de son contexte d’utilisation. Un résultat moyen satisfaisant peut masquer des erreurs importantes pour une catégorie de personnes.

Si Atelier Nova utilise un outil pour hiérarchiser des candidatures à une formation, elle doit examiner les critères employés et leurs effets. Des habitudes historiques de sélection ne deviennent pas légitimes parce qu’un logiciel les reproduit. La question pertinente est : la décision reste-t-elle justifiable pour chaque personne concernée ?

L’explicabilité vise à rendre compréhensibles les facteurs ou mécanismes qui contribuent à un résultat. Une explication rédigée par un assistant n’est pas nécessairement une description fidèle de son fonctionnement interne. Pour les usages sensibles, la traçabilité des sources, des critères et des décisions est donc essentielle.

Le RGPD s’applique aux traitements de données personnelles, y compris lorsqu’ils mobilisent une IA. Il impose notamment de déterminer une base légale, une finalité et des mesures de protection adaptées. Les principes de minimisation et de durée de conservation restent pleinement pertinents.

Avant de transmettre un fichier de prospects, Atelier Nova vérifie les conditions du fournisseur : utilisation éventuelle des données, conservation, sous-traitants et transferts internationaux. Elle limite aussi les informations envoyées. Remplacer un nom par un identifiant peut réduire l’exposition, sans constituer nécessairement une anonymisation véritable.

AI Act et supervision humaine : qualifier les usages

L’AI Act est le règlement européen consacré à l’intelligence artificielle. Il prévoit un cadre fondé notamment sur les risques et distingue différentes obligations selon les systèmes, les usages et le rôle de l’organisation. Fournir une technologie et l’utiliser dans son activité ne correspondent pas toujours aux mêmes responsabilités.

En 2026, son application reste progressive, avec des échéances différentes selon les dispositions. Une entreprise doit donc identifier les règles pertinentes pour son cas et leur calendrier, plutôt que supposer qu’une date unique couvre tout. La conformité ne se résume pas non plus à choisir un prestataire présenté comme européen.

Un outil de rédaction commerciale et un système participant à une décision de recrutement n’ont pas les mêmes implications. Certaines situations exigent des obligations renforcées ; d’autres relèvent notamment de règles de transparence. Il faut qualifier l’usage concret, pas seulement le nom du produit.

La supervision humaine doit être opérationnelle. Une personne chargée de valider un résultat a besoin de temps, d’informations et de la possibilité réelle de le refuser. Ajouter un bouton de confirmation sans contrôle effectif ne suffit pas à maîtriser le risque.

Dans la relation client, Atelier Nova réserve les réclamations sensibles et les engagements commerciaux à son équipe. Cette organisation rejoint les enjeux abordés autour de l’humanisation de la relation client assistée par l’IA : automatiser les tâches utiles sans dégrader l’attention portée aux personnes.

Audit, RLHF et sobriété : mesurer avant de généraliser

Un audit IA examine la performance, la robustesse, la sécurité et les conditions d’utilisation d’un système. Il doit intégrer des cas ordinaires, mais aussi des situations difficiles. Une démonstration réussie sur trois exemples ne permet pas d’évaluer un déploiement réel.

L’injection de prompt est un risque important pour les assistants connectés. Un document ou une page peut contenir des instructions malveillantes visant à détourner leur comportement. Les contenus externes doivent être traités comme des données non fiables, avec des permissions limitées et des contrôles indépendants.

Le RLHF désigne l’apprentissage par renforcement à partir de retours humains. Cette méthode intervient dans l’entraînement de certains modèles pour favoriser des comportements jugés souhaitables. Elle n’équivaut pas à une validation juridique, ne garantit pas l’absence de biais et ne remplace pas les tests de ton application.

La souveraineté numérique concerne notamment la maîtrise des dépendances, des contrats, de l’hébergement et de la possibilité de changer de fournisseur. La nationalité de l’éditeur ne répond pas à toutes ces questions. Quant à la sobriété, elle consiste à choisir des ressources proportionnées et à éviter les traitements inutiles.

Pour son pilote, Atelier Nova suit le temps réellement gagné, le taux de corrections, les incidents et le coût par tâche validée. La fiabilité se construit avec des mesures, des limites d’accès et un responsable identifié pour chaque usage.

Quelle différence entre un chatbot et un agent IA ?

Un chatbot produit principalement des réponses dans une conversation. Un agent peut aussi sélectionner des outils et exécuter plusieurs étapes pour atteindre un objectif. Son autonomie dépend des permissions, de l’architecture et des validations prévues.

Faut-il utiliser MCP pour automatiser son entreprise ?

Non. Des connecteurs classiques, des API ou une plateforme d’automatisation peuvent suffire. MCP devient intéressant lorsque les applications compatibles doivent accéder à plusieurs ressources selon un protocole commun. Le choix dépend du besoin et des outils disponibles.

Le RAG empêche-t-il les hallucinations ?

Le RAG peut améliorer la pertinence en fournissant des informations issues de sources sélectionnées. Il ne supprime pas les erreurs de recherche ou d’interprétation. Il faut contrôler l’actualité des documents, les passages récupérés et les affirmations importantes.

Comment débuter avec l’IA sans exposer ses données clients ?

Choisis une tâche limitée et utilise d’abord des données fictives ou réellement anonymisées. Vérifie les conditions de conservation et d’utilisation du fournisseur, limite les permissions et conserve une validation humaine avant toute action externe.