L'IA s'est invitée partout, et avec elle une avalanche de termes obscurs : LLM, token, RAG, fine-tuning… Pas de panique. Ce lexique t'explique les termes essentiels, simplement, sans prérequis technique. Garde-le sous la main.
Les fondamentaux
Intelligence artificielle (IA) — Le terme générique qui désigne tout système informatique capable d'accomplir des tâches qui demandent normalement de l'intelligence humaine : comprendre un texte, reconnaître une image, prendre une décision.
IA générative — La famille d'IA capable de créer du contenu : texte, image, son, vidéo ou code. ChatGPT, Claude ou Midjourney en font partie. C'est elle qui a déclenché la vague actuelle.
Machine Learning (apprentissage automatique) — La technique de base de l'IA moderne : au lieu de programmer des règles à la main, on fait apprendre la machine à partir d'exemples. Montre-lui 10 000 photos de chats, elle finit par reconnaître un chat.
Deep Learning (apprentissage profond) — Une branche du machine learning qui utilise des réseaux de neurones à plusieurs couches. C'est ce qui permet à l'IA de traiter des choses complexes comme le langage ou les images.
Réseau de neurones — Un modèle mathématique vaguement inspiré du cerveau : des millions de petites unités de calcul connectées entre elles, qui s'ajustent pendant l'apprentissage.
Modèle — Le résultat de l'entraînement : un gros fichier de paramètres qui encapsule tout ce que l'IA a appris. GPT-5, Claude ou Gemini sont des modèles.
Entraînement — La phase d'apprentissage : on fait ingérer au modèle d'énormes quantités de données pour qu'il ajuste ses paramètres. Ça coûte très cher et c'est fait une fois, en amont.
Inférence — La phase d'utilisation : chaque fois que tu poses une question à une IA, elle « infère » une réponse à partir de ce qu'elle a appris. C'est ce qui se passe à chacune de tes requêtes.
Les modèles de langage
LLM (Large Language Model) — Un grand modèle de langage : une IA entraînée sur des milliards de textes pour prédire le mot suivant. C'est le moteur derrière ChatGPT, Claude, Gemini et consorts.
Token — L'unité de découpage du texte pour un LLM : un mot, un bout de mot ou un signe de ponctuation. « Anticonstitutionnellement » fait plusieurs tokens, « le » en fait un seul. Les tarifs des IA se calculent souvent en tokens.
Paramètres — Les milliards de petits réglages internes d'un modèle, ajustés pendant l'entraînement. Plus il y en a, plus le modèle est (en général) capable — et coûteux à faire tourner.
Fenêtre de contexte — La quantité de texte qu'un modèle peut « garder en tête » dans une conversation. Au-delà, il oublie le début. Elle se mesure en tokens.
Hallucination — Quand une IA invente une réponse fausse avec un aplomb parfait : une source qui n'existe pas, une date erronée. C'est un défaut structurel des LLM : ils prédisent du texte plausible, pas du texte vrai.
Multimodal — Se dit d'un modèle qui comprend (ou produit) plusieurs types de contenus : texte, image, audio, vidéo. Tu peux lui envoyer une photo et lui poser des questions dessus.
Raisonnement (reasoning) — Capacité récente des modèles à « réfléchir » étape par étape avant de répondre, au lieu de répondre du tac au tac. Utile pour les maths, la logique, le code.
Dialoguer avec l'IA
Prompt — L'instruction que tu donnes à l'IA. La qualité de la réponse dépend énormément de la qualité du prompt.
Prompt engineering — L'art de formuler des prompts efficaces : donner du contexte, des exemples, un format de sortie attendu. Une vraie compétence professionnelle.
Température — Un réglage qui contrôle la créativité du modèle : basse, les réponses sont prévisibles et factuelles ; haute, elles sont plus originales… et plus risquées.
Fine-tuning — Ré-entraîner légèrement un modèle existant sur des données spécifiques pour le spécialiser : ton vocabulaire métier, ton style, ton domaine.
Embedding — La transformation d'un texte en une liste de nombres qui capture son sens. Deux phrases proches en sens ont des embeddings proches. C'est la base de la recherche sémantique et du RAG.
RAG (Retrieval-Augmented Generation) — Technique qui connecte un LLM à tes propres documents : avant de répondre, l'IA va chercher les passages pertinents dans ta base, puis rédige sa réponse à partir d'eux. Ça réduit les hallucinations et permet d'utiliser des données récentes ou privées.
L'IA qui agit
Agent (ou IA agentique) — Une IA qui ne se contente pas de répondre : elle agit. Elle planifie des étapes, utilise des outils (navigateur, fichiers, API), vérifie ses résultats et enchaîne jusqu'à atteindre l'objectif.
API (Application Programming Interface) — La porte d'entrée technique qui permet à un logiciel d'utiliser une IA à distance. C'est par les API que les entreprises intègrent ChatGPT ou Claude dans leurs propres produits.
MCP (Model Context Protocol) — Un protocole standard, lancé fin 2024 par Anthropic, qui permet de brancher une IA sur des outils et données externes (agenda, CRM, base de données) de façon uniforme. La « prise universelle » de l'IA.
Vibe coding — Programmer en décrivant ce qu'on veut en langage naturel et en laissant l'IA écrire le code. Popularisé en 2025, le terme désigne une pratique devenue courante chez les développeurs… et les non-développeurs.
Les grands débats
Open source vs propriétaire — Un modèle open source (Llama, Mistral) peut être téléchargé, inspecté et hébergé chez soi. Un modèle propriétaire (GPT, Claude, Gemini) n'est accessible que via les services de son éditeur.
Biais — Les préjugés présents dans les données d'entraînement se retrouvent dans les réponses du modèle. Un enjeu majeur dès que l'IA participe à des décisions (recrutement, crédit, justice).
AGI (Artificial General Intelligence) — L'intelligence artificielle « générale » : une IA hypothétique aussi polyvalente qu'un humain dans tous les domaines. Elle n'existe pas (encore) — c'est l'horizon, fantasmé ou redouté, du secteur.
En pratique
Pas besoin de tout retenir. Pour suivre 90 % des conversations sur l'IA, cinq termes suffisent : LLM (le moteur), prompt (ce que tu lui demandes), token (l'unité de mesure), hallucination (sa principale faiblesse) et agent (la direction que prend le secteur). Le reste viendra naturellement avec la pratique.
Et le meilleur moyen d'ancrer ce vocabulaire reste d'utiliser un assistant IA au quotidien : chaque terme de ce lexique prend vie dès qu'on manipule l'outil.
En résumé
Le jargon de l'IA est moins intimidant qu'il n'y paraît : la plupart des termes désignent des idées simples habillées d'anglicismes. Comprendre ce vocabulaire, c'est se donner les moyens de trier le vrai du marketing dans un secteur qui en produit beaucoup. Ce lexique évoluera — l'IA invente de nouveaux mots plus vite que n'importe quel autre domaine — mais les fondamentaux ci-dessus resteront la base de toute conversation sérieuse sur le sujet.
