Lexique · IA · 125 termes définis

Les mots de l'intelligence.

Le vocabulaire de l'IA sans le brouillard : ce que recouvrent vraiment les termes qu'on vous vend en réunion — définis par quelqu'un qui s'en sert tous les jours, du modèle à la production.

Agent IA: Un programme qui poursuit un objectif en enchaînant des actions : lire un email, interroger un outil, écrire une réponse, vérifier le résultat. La différence avec un chatbot : l'agent agit sur les systèmes, il ne se contente pas de répondre.
AGI (intelligence artificielle générale): L'hypothétique IA capable d'égaler l'humain sur l'ensemble des tâches cognitives. Objet de débats d'experts et d'annonces marketing — pour un projet concret, la question utile n'est pas « quand l'AGI ? » mais « que fait ce modèle-ci, aujourd'hui, sur ma tâche ? ».
AI Act: Le règlement européen sur l'IA (2024) : obligations graduées selon le risque, transparence des contenus générés, interdictions ciblées (notation sociale, manipulation). Pour une entreprise : cartographier ses usages et documenter — comme le RGPD en son temps.
Alignement: L'ensemble des techniques qui font qu'un modèle vise ce qu'on attend de lui : utile, honnête, inoffensif. Du RLHF aux règles de comportement — un champ de recherche entier, et la raison pour laquelle deux modèles aux capacités proches se comportent très différemment.
Ancrage factuel (grounding): Contraindre le modèle à répondre depuis des sources fournies — et à les citer. C'est la parade structurelle aux hallucinations : pas de source, pas d'affirmation. Une interface honnête montre ses références.
Annotation (labeling): Le travail d'étiqueter les données : classer, transcrire, juger des réponses. Longtemps invisible, il est au cœur de la qualité des modèles — et pose ses propres questions de conditions de travail et de consentement.
Anthropomorphisme: Prêter à la machine des intentions, des émotions, une conscience. Naturel — le langage nous y pousse — mais piégeux pour décider : un modèle ne « ment » pas, il produit du plausible. Concevoir des interfaces qui n'entretiennent pas la confusion fait partie du métier.
API (de modèle): L'accès programmatique aux modèles : votre application envoie un prompt, reçoit une réponse, paie au token. C'est ainsi que l'IA s'intègre aux produits — le chatbot de ce site passe par l'API d'Anthropic, côté serveur, clé jamais exposée.
Appel d'outils (function calling): La capacité d'un modèle à invoquer des fonctions externes — chercher, calculer, écrire dans un CRM — en produisant des appels structurés que votre code exécute. Le mécanisme qui transforme un générateur de texte en agent qui agit.
Apprentissage non supervisé: Trouver des structures dans des données sans étiquettes : regroupements, anomalies, dimensions cachées. Le pré-entraînement des grands modèles de langage en est un cousin : prédire le mot suivant n'exige aucune annotation humaine.
Apprentissage par renforcement: Apprendre par essai-erreur guidé par une récompense : l'agent tente, mesure, ajuste. Derrière les IA de jeu (échecs, Go) — et, via le RLHF, derrière le comportement des assistants actuels.
Apprentissage supervisé: Apprendre à partir d'exemples étiquetés : cette image est un chat, cet email est un spam. La qualité du modèle plafonne à la qualité des étiquettes — d'où le poids de l'annotation.
Attention (mécanisme d'): Le cœur du transformer : chaque token « regarde » tous les autres et pondère leur influence. C'est ce qui permet de relier un pronom à son sujet dix lignes plus haut — et ce qui coûte cher sur les longs contextes.
Auto-hébergement (souveraineté): Faire tourner les modèles sur sa propre infrastructure, avec des poids ouverts : confidentialité maximale, dépendances minimales — et la charge d'opérer. Pertinent pour les données sensibles, le secteur public, ou les volumes qui rendent l'API coûteuse.

Bac à sable (sandbox): Environnement isolé où un agent peut agir sans risque : exécuter du code, manipuler des fichiers, tester — sans toucher à la production. Toute autonomie sérieuse commence dans un bac à sable.
Base vectorielle: Base de données optimisée pour chercher par similarité entre embeddings : « trouve les passages proches de cette question ». La brique de stockage derrière le RAG et la recherche sémantique.
Benchmark (IA): Batterie de tests standardisés pour comparer les modèles (raisonnement, code, culture…). Utile pour dégrossir, insuffisant pour choisir : rien ne remplace une évaluation sur vos tâches réelles, avec vos données.
Biais (des modèles): Les distorsions héritées des données d'entraînement : stéréotypes, sous-représentations, angles morts culturels. Ils ne se corrigent pas par une phrase dans le prompt — ils s'évaluent, se mesurent et se compensent par la méthode.

Capacités émergentes: Des aptitudes qui apparaissent avec l'échelle sans avoir été visées : traduire, coder, raisonner par étapes. Contestées méthodologiquement, mais l'expérience demeure : les grands modèles font des choses que les petits ne font pas.
Chaîne de raisonnement (chain-of-thought): Demander au modèle de dérouler ses étapes avant de conclure améliore nettement les tâches complexes. Les modèles dits « de raisonnement » industrialisent ce réflexe : ils réfléchissent longtemps avant de répondre — et se facturent en conséquence.
Charte IA (d'entreprise): Le document qui fixe les règles d'usage de l'IA dans l'organisation : outils approuvés, données autorisées, validation humaine, mention des contenus générés. L'équivalent de la charte graphique pour la production assistée — je la considère comme un livrable de marque.
Chatbot: Interface conversationnelle sur un site ou une messagerie. La génération LLM a changé la donne — plus de scénarios rigides — mais pas la discipline : périmètre clair, ton de marque, escalade humaine, et journalisation pour apprendre des vraies questions.
Chunking (RAG): Découper les documents en passages avant de les indexer : trop court, on perd le contexte ; trop long, on noie la recherche. Le découpage — par sections, par sens — pèse énormément sur la qualité des réponses d'un RAG.
Clonage de voix: Reproduire une voix à partir de quelques minutes d'enregistrement (ElevenLabs…). Puissant pour une voix de marque multilingue — inacceptable sans contrat de consentement explicite : qui a le droit de sonner comme vous, et pour quoi faire ?
Contrôle d'ordinateur (computer use): La capacité d'un agent à utiliser un ordinateur comme un humain : voir l'écran, cliquer, taper, naviguer. Puissant pour automatiser les outils sans API — exigeant en garde-fous, précisément parce que tout devient possible.
Copilote: Assistant IA intégré à un outil de travail (code, écriture, tableur) : il propose, l'humain dispose. Le copilote augmente un métier existant ; l'agent exécute un processus — la frontière entre les deux est le niveau de supervision.
Corpus d'entraînement: L'ensemble des données sur lesquelles un modèle apprend. Sa composition détermine les capacités, les biais et les angles morts du résultat — et sa provenance nourrit le débat sur le droit d'auteur et le consentement.

Deep learning (apprentissage profond): Le machine learning à base de réseaux de neurones à nombreuses couches. C'est lui qui a débloqué la vision, la parole puis le langage — au prix d'une exigence : beaucoup de données, beaucoup de calcul.
Deepfake: Contenu synthétique qui fait passer une personne pour dire ou faire ce qu'elle n'a jamais dit ni fait. La réponse se construit sur trois fronts : détection, tatouage des contenus générés, et — surtout — traçabilité de la provenance.
Dépendance fournisseur (lock-in): Construire si près d'un fournisseur de modèles qu'en changer devient impossible : prompts sur-adaptés, formats propriétaires, données captives. Parades : abstraire l'appel aux modèles, tester en multi-fournisseurs, garder ses evals portables.
Descente de gradient: L'algorithme qui ajuste les paramètres d'un réseau pas à pas, dans la direction qui réduit l'erreur. Répété des milliards de fois, il transforme des poids aléatoires en modèle compétent.
Détection de contenu IA: Les outils qui prétendent reconnaître un texte ou une image générés : fiabilité limitée, faux positifs réels. La traçabilité par provenance (tatouage, C2PA) est une voie plus sérieuse que la divination a posteriori.
Distillation: Entraîner un petit modèle à imiter un grand : on garde une bonne part de la qualité pour une fraction du coût et de la latence. C'est souvent ainsi que naissent les modèles « mini » et « flash ».
Données structurées (schema.org): Balisage JSON-LD qui décrit vos contenus dans le vocabulaire des machines : article, personne, service, FAQ, avis. Les moteurs de recherche en font des résultats enrichis ; les moteurs de réponse IA, des citations exactes.
Données synthétiques: Données générées artificiellement pour entraîner ou tester des systèmes : utiles quand les vraies données sont rares, sensibles ou déséquilibrées. À manier avec rigueur — un modèle nourri de ses propres sorties dérive.
Droit d'auteur et IA: Deux questions distinctes : l'entraînement sur des œuvres protégées (opt-out européen, procès en cours) et le statut des sorties générées. En pratique de studio : tracer ses sources, préférer les modèles aux données licenciées, et garder l'humain auteur des choix.

Embedding: Représentation d'un texte (ou d'une image) en vecteur de nombres, telle que les contenus proches par le sens soient proches dans l'espace. C'est le moteur de la recherche sémantique — et, par extension, ce que les modèles « croient savoir » d'une marque.
Empoisonnement de données: Glisser des contenus piégés dans ce qu'un modèle apprend ou consulte, pour biaiser ses réponses. Version offensive de l'enjeu embedding : ce que les modèles savent de vous se cultive — ou se sabote.
Évaluations (evals): Tests automatisés qui mesurent un système d'IA sur des cas réels : exactitude, ton, refus justifiés, régressions. On ne pilote pas un produit IA au ressenti — les evals sont ses tests unitaires.

Fenêtre de contexte: La quantité de texte (en tokens) qu'un modèle peut considérer d'un coup : la conversation, les documents fournis, ses propres réponses. Au-delà, il oublie — d'où les stratégies de résumé, de RAG et de mémoire externe.
Few-shot / zero-shot: Zero-shot : demander sans exemple. Few-shot : glisser deux ou trois exemples de ce qu'on attend dans le prompt. Quelques exemples bien choisis améliorent souvent plus le résultat qu'un long paragraphe d'explications.
Fine-tuning: Spécialiser un modèle pré-entraîné sur vos données ou votre style. Souvent superflu : un bon prompt et du RAG suffisent à la plupart des besoins — le fine-tuning se justifie pour un ton, un format ou un domaine très contraints.
Fine-tuning vs RAG: Le choix récurrent : le RAG apporte vos faits au moment de la question (frais, traçables, révocables) ; le fine-tuning inculque un ton ou un format. Pour la connaissance d'entreprise, commencez toujours par le RAG — les faits changent plus vite que les styles.
Fonction de perte: La mesure de l'écart entre ce que le modèle produit et ce qu'on attendait — le score que l'entraînement cherche à minimiser. Choisir la bonne perte, c'est définir ce que « bien » veut dire pour la machine.

GAN: Generative Adversarial Networks : deux réseaux en duel — l'un génère, l'autre juge — qui se perfectionnent mutuellement. Pionniers de la génération d'images réalistes, largement supplantés depuis par la diffusion.
Garde-fous (guardrails): Les contrôles qui bornent un système d'IA en production : validation des entrées et sorties, filtres, plafonds de dépense, actions interdites, escalade vers un humain. Un agent sans garde-fous n'est pas autonome — il est incontrôlé.
Généralisation: La capacité d'un modèle à bien se comporter sur des cas jamais vus — la seule qui compte. Tout l'art de l'entraînement consiste à l'obtenir sans surapprentissage.
Génération d'images: Produire des visuels depuis un texte (Midjourney, GPT Image, Firefly…). En production de marque, le prompt devient un brief de direction artistique : palette, lumière, interdits — mes fiches placeholders en gardent la trace pour chaque image du site.
Génération musicale: Composer des morceaux complets depuis un texte (Suno, Udio) : style, tempo, voix. Pour les marques : jingles, identités sonores, maquettes — arrangées ensuite à la main pour tenir la durée.
Génération vidéo: Des modèles (Sora, Veo, Runway, Kling) qui produisent des plans vidéo depuis un texte ou une image. L'usage professionnel est hybride : générer les plans impossibles à tourner, monter à la main, étalonner — le jugement de monteur reste entier.
GEO (Generative Engine Optimization): L'équivalent du SEO pour les moteurs de réponse à base d'IA : structurer ses contenus (données structurées, llms.txt, entités nommées, réponses factuelles) pour que ChatGPT, Claude ou Perplexity citent votre marque correctement. L'enjeu n'est plus d'être classé, mais d'être repris — et bien repris.
GPU: Le processeur graphique, devenu l'outil de calcul de l'IA : des milliers de cœurs parallèles, parfaits pour l'algèbre des réseaux de neurones. Sa rareté et son prix structurent toute l'économie du secteur.
Graphe de connaissances: Représenter les faits en entités reliées (Kevin — a travaillé pour — l'Apec) plutôt qu'en texte libre. Combiné au RAG, il apporte ce que les passages seuls perdent : les relations, les dates, la cohérence.

Hallucination: Réponse fausse produite avec assurance par un modèle : fait inventé, source fictive, API imaginaire. Se limite par le RAG, la vérification croisée et des interfaces qui affichent les sources — jamais par la confiance seule.
Hivers de l'IA: Les périodes (années 70, fin des années 80) où les promesses déçues ont gelé financements et recherche. Un rappel utile à l'heure des annonces : les capacités progressent, les cycles d'enthousiasme aussi.
Human-in-the-loop: Garder un humain dans la boucle aux moments qui comptent : valider avant envoi, arbitrer les cas ambigus, reprendre la main. Ce n'est pas un aveu de faiblesse de l'IA — c'est une décision de conception sur la responsabilité.

IA générative: Famille de modèles qui produisent du contenu — texte, image, vidéo, musique, voix — plutôt que de classer l'existant. Elle a divisé les coûts de production par dix ; elle n'a pas touché au coût du jugement.
IA symbolique: L'approche historique par règles et logique explicites (systèmes experts) : lisible, contrôlable, mais fragile hors de son domaine. L'approche statistique l'a supplantée — les systèmes réels combinent souvent les deux.
Impact énergétique de l'IA: L'entraînement coûte cher une fois ; l'inférence coûte peu très souvent — c'est elle qui domine à l'échelle. Réflexes utiles : choisir le plus petit modèle qui fait le travail, mettre en cache, et compter l'IA dans son éco-conception.
Inférence: Le moment où un modèle entraîné produit une réponse (par opposition à l'entraînement). C'est l'inférence qu'on paie à l'usage — sa latence conditionne l'expérience, seuil de Doherty compris.
Inférence locale (on-device): Exécuter le modèle sur l'appareil — téléphone, ordinateur, serveur maison — plutôt que dans le cloud : confidentialité, latence minimale, hors-ligne. Rendue possible par les petits modèles et la quantification.
Injection de prompt: Attaque qui glisse des instructions malveillantes dans le contenu qu'un assistant lit (page web, email, document) pour détourner son comportement. La défense : traiter tout contenu externe comme des données, jamais comme des ordres — et des garde-fous.
Intelligence artificielle: Le champ qui vise à faire accomplir par des machines des tâches réputées demander l'intelligence : comprendre, raisonner, percevoir, créer. Le terme date de 1956 — ce qui a changé récemment, c'est l'échelle : des modèles généralistes utilisables par tous, en langage naturel.
Interprétabilité: Comprendre pourquoi un modèle répond ce qu'il répond — champ de recherche entier (la « boîte noire »). En attendant ses progrès, la transparence opérationnelle se joue ailleurs : traces, sources citées, evals publiées.

Jailbreak: Contourner les règles d'un assistant par la formulation : jeux de rôle, encodages, scénarios hypothétiques. La défense progresse, l'attaque aussi — d'où le red teaming permanent et les garde-fous côté application.
Jeu de données (dataset): L'ensemble structuré d'exemples qui sert à entraîner ou évaluer un modèle. Sa composition est une décision de conception à part entière : ce qui n'y figure pas n'existera pas pour le modèle.

Latence: Le délai entre la demande et la réponse. En IA conversationnelle, on distingue le temps du premier token (ressenti d'attente) et le débit de génération. Le seuil de Doherty s'applique : sous 400 ms de première réaction, le dialogue reste fluide.
LLM (grand modèle de langage): Modèle d'IA entraîné sur d'immenses corpus de texte pour prédire la suite d'une séquence — et, ce faisant, rédiger, résumer, traduire, coder. Claude, GPT ou Gemini en sont ; leurs limites (hallucinations, fenêtre de contexte) se gèrent par la méthode.
llms.txt: Fichier texte à la racine d'un site qui se présente aux modèles d'IA : qui vous êtes, ce que vous faites, où trouver quoi. L'équivalent GEO du robots.txt — ce site en sert un, édité depuis l'admin.
Lois d'échelle (scaling laws): L'observation empirique que les performances progressent de façon prévisible avec plus de données, de paramètres et de calcul. Elles ont guidé la course aux grands modèles — et leurs limites alimentent le débat sur la suite.
LoRA: Low-Rank Adaptation : spécialiser un modèle en n'entraînant qu'une petite couche additionnelle, au lieu de tous ses poids. Le fine-tuning du pauvre — au sens noble : rapide, réversible, empilable.

Machine learning (apprentissage automatique): Faire apprendre un comportement à partir d'exemples plutôt que le programmer règle par règle. Le modèle ajuste ses paramètres sur des données d'entraînement, puis généralise — bien ou mal — à des cas jamais vus.
MCP (Model Context Protocol): Protocole ouvert qui standardise la connexion entre assistants IA et outils externes (fichiers, bases, API) : un serveur MCP expose des capacités, tout client compatible peut s'en servir. L'USB-C de l'outillage des agents.
Mémoire (des agents): Ce qu'un agent retient entre les sessions : préférences, décisions passées, contexte du projet — stocké hors du modèle (fichiers, base) et réinjecté au besoin. Sans mémoire, chaque conversation repart de zéro.
Mixture of Experts (MoE): Architecture où le modèle n'active qu'une fraction de ses paramètres par requête — des « experts » choisis à la volée. Le moyen d'avoir de très grands modèles sans en payer tout le coût à chaque inférence.
Modèle de diffusion: L'architecture dominante de la génération d'images et de vidéo : partir d'un bruit aléatoire et le débruiter pas à pas vers une image cohérente, guidé par la demande. Midjourney, Stable Diffusion et consorts en descendent.
Modèle de fondation: Grand modèle généraliste (texte, image, multimodal) servant de socle à des usages spécialisés par prompt, RAG ou fine-tuning. On ne le reconstruit pas : on construit dessus.
Modèle de raisonnement: Génération de modèles entraînés à prendre du temps de calcul avant de répondre : planification, vérification, retour en arrière. Plus lents et plus chers à l'inférence, ils excellent sur les mathématiques, le code et l'analyse multi-étapes.
Modèle de repli (fallback): Prévoir un second modèle quand le premier échoue, sature ou dépasse le budget : la disponibilité d'un produit IA se construit comme celle d'un site — avec des plans B.
Modèles ouverts (open weights): Modèles dont les poids sont téléchargeables et exécutables chez soi (Llama, Mistral…). Ils permettent l'auto-hébergement, la confidentialité et la personnalisation — au prix de l'infrastructure et de l'opération.
Modération de contenu: Filtrer entrées et sorties d'un système IA : contenus illicites, données personnelles, hors-sujets. Une couche applicative distincte du modèle — les API dédiées existent, et votre marque reste responsable de ce qu'elle publie.
Multimodal: Un modèle qui comprend et produit plusieurs médias — texte, image, audio, vidéo — dans une même conversation. C'est ce qui permet d'envoyer une maquette et de recevoir du code, ou une photo de chantier et d'obtenir un rapport.

Niveaux d'autonomie: De l'assistant qui suggère à l'agent qui agit seul, en passant par l'exécution sous validation : chaque cran se décide par enjeu et réversibilité. Règle simple : l'autonomie se mérite par les evals, elle ne se décrète pas.
NLP (traitement du langage naturel): Le domaine qui fait comprendre et produire le langage humain par les machines : traduction, résumé, extraction, dialogue. Les LLM en ont unifié les tâches — un même modèle fait aujourd'hui ce qui demandait dix systèmes.

Observabilité (traces): Journaliser ce que fait un système IA : prompts, réponses, outils appelés, coûts, latences. Sans traces, pas de débogage, pas d'evals, pas d'amélioration — l'équivalent des analytics pour vos agents.
OCR: La reconnaissance optique de caractères : transformer un document scanné ou une photo en texte exploitable. Les modèles multimodaux l'ont absorbée et dépassée — ils lisent aussi la structure : tableaux, champs, tampons.
Orchestration d'agents: Faire coopérer plusieurs agents spécialisés sur un processus : l'un lit, l'autre vérifie, un troisième exécute — avec des règles de passage de relais et des points de contrôle humains. C'est le cœur de mes automatisations (Openclaw, Claude Routine, Hermes).

Paramètres (poids): Les milliards de valeurs numériques ajustées pendant l'entraînement, qui encodent ce que le modèle « sait ». Plus de paramètres ne signifie pas toujours mieux : l'architecture, les données et le post-entraînement pèsent autant.
Petit modèle de langage (SLM): Modèle compact (quelques milliards de paramètres) : moins cultivé, mais rapide, peu coûteux et exécutable en local. Le bon choix pour les tâches cadrées — classer, extraire, router — où le grand modèle serait du gaspillage.
Post-entraînement: Tout ce qui transforme un modèle brut en assistant : instruction tuning, RLHF, règles de comportement, spécialisations. À capacités égales, c'est le post-entraînement qui fait la personnalité — et la sûreté.
Pré-entraînement: La première phase, massive : le modèle apprend la langue, les faits et les régularités du monde en prédisant la suite de milliards de textes. C'est là que naissent les capacités générales — et les coûts spectaculaires.
Prompt: L'instruction donnée à un modèle d'IA : contexte, tâche, contraintes, format de sortie. La qualité de la réponse dépend d'abord de la qualité de la demande — un bon prompt ressemble à un bon brief.
Prompt caching: Mettre en cache les préfixes de prompt répétés (instructions système, documents) pour ne pas les refacturer ni les retraiter à chaque appel. Sur un agent qui tourne toute la journée, la différence se compte en multiples.
Prompt engineering: La discipline d'écrire des instructions efficaces pour les modèles : rôles, exemples, étapes de raisonnement, formats de sortie contraints. De moins en moins d'astuces, de plus en plus de spécification claire — le métier de brief, encore.
Prompt système: Les instructions permanentes données à un assistant avant toute conversation : rôle, ton, règles, limites. C'est le contrat de comportement — sur ce site, le persona du chatbot en est un, édité depuis l'admin.

Quantification: Réduire la précision numérique des poids (de 16 bits à 8, 4…) pour diviser mémoire et coût d'inférence, avec une perte de qualité souvent marginale. C'est elle qui fait tenir de bons modèles sur un ordinateur portable.

RAG (retrieval-augmented generation): Architecture qui donne au modèle accès à vos documents : la question déclenche une recherche dans une base (souvent vectorielle), et les passages trouvés sont fournis au modèle pour qu'il réponde avec vos faits plutôt qu'avec sa mémoire. Le standard pour les assistants d'entreprise.
Recherche hybride: Combiner recherche par mots-clés et recherche sémantique : la première excelle sur les termes exacts (références, noms propres), la seconde sur le sens. Les meilleurs systèmes utilisent les deux et fusionnent les résultats.
Recherche sémantique: Chercher par le sens plutôt que par les mots exacts : « congé parental » retrouve aussi « absence pour naissance ». Embeddings + base vectorielle — et vos documents deviennent interrogeables en langage naturel.
Red teaming: Attaquer volontairement son propre système — jailbreaks, injections, cas limites — avant que d'autres ne le fassent. Se pratique en continu, pas une fois avant le lancement.
Reranking: Reclasser finement les passages remontés par la recherche avant de les donner au modèle : un second tri, plus coûteux mais plus juste. Le composant le plus rentable de bien des pipelines RAG.
Réseau de neurones: Modèle de calcul en couches de fonctions simples, dont les connexions s'ajustent pendant l'entraînement. Rien de biologique malgré le nom — mais une capacité redoutable à approximer des fonctions très complexes, comme « la suite probable d'un texte ».
RGPD et IA: Les données personnelles n'entrent pas dans un prompt sans base légale : minimisation, anonymisation, contrats de traitement avec les fournisseurs de modèles, et information des personnes. Le réflexe simple : ne confier au modèle que ce qu'on confierait à un sous-traitant.
RLHF: Reinforcement Learning from Human Feedback : affiner un modèle à partir de préférences humaines (quelle réponse est la meilleure ?). C'est l'étape qui a transformé les modèles bruts en assistants utilisables.
Routage de modèles: Diriger chaque requête vers le modèle adapté : le petit pour trier, le grand pour rédiger, le spécialisé pour coder. L'économie et la qualité d'un système IA se jouent souvent dans ce triage.
RPA vs agents: La RPA (robotic process automation) rejoue des clics enregistrés : rapide à casser dès qu'un écran change. Les agents comprennent l'intention et s'adaptent — plus robustes, mais à encadrer par des evals et des garde-fous. Les deux cohabitent souvent.

Shadow AI: L'usage d'outils IA par les équipes hors de tout cadre : données clients collées dans des chatbots publics, comptes personnels, prompts non tracés. La réponse n'est pas l'interdiction — c'est une charte, des outils approuvés et de la formation.
Slop: Le contenu généré en masse, sans direction ni relecture, qui envahit le web : textes interchangeables, images criardes, pages écrites pour les machines. L'antidote n'est pas d'éviter l'IA — c'est le goût, la direction et la signature. Ce site est écrit avec l'IA, et chaque ligne est décidée.
Streaming: Afficher la réponse au fil de sa génération plutôt qu'après coup. Ce n'est pas cosmétique : la latence perçue s'effondre, et l'utilisateur peut interrompre tôt une réponse mal partie. Le chatbot de ce site répond en streaming.
Sur-refus: Quand un assistant, par excès de prudence, refuse des demandes légitimes. L'alignement est un équilibre : un modèle inutilisable n'est pas « sûr » — il est juste inutilisable. Se mesure dans les evals au même titre que les dérapages.
Surapprentissage (overfitting): Quand un modèle apprend ses exemples par cœur au lieu d'en tirer une règle : parfait sur l'entraînement, mauvais sur le réel. L'équivalent produit existe : optimiser une interface pour le cas de démo, pas pour l'usage.
Synthèse et reconnaissance vocales (TTS / STT): Deux briques symétriques : le text-to-speech lit un texte à voix haute, le speech-to-text transcrit la parole. Ensemble, elles ouvrent les interfaces vocales — comme le triage médical dicté de Clinic Triage.

Tarification au token: Les API de modèles se facturent aux tokens entrants et sortants — les sortants coûtant plus cher. Concevoir un produit IA, c'est aussi concevoir sa consommation : contextes sobres, caches, lots, routage.
Tatouage numérique (watermarking): Marquer les contenus générés par IA, visiblement ou dans leurs données (C2PA, SynthID), pour en tracer la provenance. Encore fragile, mais appelé à devenir un standard — l'AI Act européen pousse dans ce sens.
Température: Réglage de la part de hasard dans la génération : basse, le modèle choisit les suites les plus probables (réponses stables) ; haute, il explore (réponses créatives — et plus risquées). Un réglage de production se choisit par usage, pas par goût.
Test de Turing: Le critère historique (1950) : une machine « pense » si sa conversation est indiscernable de celle d'un humain. Franchi en pratique par les modèles actuels — ce qui prouve surtout que le test mesurait l'imitation, pas la pensée.
Token: L'unité de découpage du texte pour un modèle (souvent un morceau de mot — environ quatre caractères en moyenne). Les coûts, les limites de contexte et la vitesse se comptent en tokens.
Tokenisation: Le découpage du texte en unités (tokens) que le modèle manipule : mots, morceaux de mots, caractères. Elle explique des bizarreries concrètes — compter les lettres d'un mot est difficile quand on ne voit que des morceaux.
Top-p / top-k (décodage): Les réglages qui bornent le choix du prochain token : top-k limite aux k plus probables, top-p à l'ensemble qui cumule p de probabilité. Avec la température, ils font l'équilibre entre stabilité et créativité.
Traitement par lots (batch): Envoyer les requêtes non urgentes en lot, traitées en différé à tarif réduit. Le bon réflexe pour tout ce qui n'a pas besoin d'une réponse immédiate : enrichissement de données, résumés nocturnes, rapports.
Transformer: L'architecture de réseau de neurones (2017) derrière les modèles actuels : son mécanisme d'attention met chaque mot en relation avec tous les autres. « Attention is all you need » — l'article fondateur porte bien son nom.

Vibe coding: Construire un logiciel en dialoguant avec une IA de code : on décrit, on regarde, on corrige — l'aller-retour remplace la spécification. Sous contraintes réelles, la rigueur ne disparaît pas : elle se déplace au moment où l'idée devient une expérience. Le jugement reste le métier.
Vision par ordinateur: Faire « voir » les machines : reconnaître, localiser, décrire, mesurer dans des images et vidéos. Les modèles multimodaux l'ont banalisée — envoyer une photo est devenu une façon de poser une question.

Workflow agentique: Un processus découpé en étapes confiées à des modèles — avec branchements, vérifications et reprises — par opposition à l'agent libre qui décide seul de tout. En production, le workflow cadré bat presque toujours l'agent totalement autonome.
Wrapper: Application qui n'est qu'une surcouche fine au-dessus d'un modèle tiers. Péjoratif quand la valeur est nulle ; respectable quand la surcouche EST la valeur : interface, contexte métier, garde-fous, distribution. La question n'est pas « wrapper ou pas » — c'est « qu'ajoutez-vous ? ».

Les mots posés, place aux actes : agents, automatisations, vidéo et musique IA.

Voir les services IA →