Les infographies LinkedIn s'arrêtent à 25 définitions. Ce lexique en couvre 50, dont deux catégories qu'elles oublient toujours : la sécurité IA et la conformité AI Act. Et chaque terme se termine par ce qui compte : la décision à prendre et le piège à éviter.
Comprendre ce qui tourne vraiment.
6 termesModèle de langage entraîné sur des masses de texte (Claude, GPT, Gemini, Mistral…).
Le choix du modèle est réversible, l'architecture autour ne l'est pas — investissez dans l'abstraction, pas le fournisseur.
Croire qu'un LLM « sait » : il prédit du texte plausible.
Unité de base du texte traitée par le modèle (≈ 0,75 mot en français).
Votre unité de facturation ET votre limite technique — chiffrez vos volumes avant de signer.
Le français consomme ~20 % de tokens de plus que l'anglais à contenu égal.
Instruction donnée au modèle.
Un prompt système versionné et testé est un actif d'entreprise, pas un bricolage individuel.
Les prompts critiques qui traînent dans des docs non gouvernés.
Quantité maximale d'information traitée en une fois (200k+ tokens aujourd'hui).
Elle décide ce que vous analysez sans RAG : un contrat entier, oui ; votre base documentaire, non.
La qualité se dégrade avant la limite affichée (« lost in the middle »).
Phase où le modèle génère une réponse, par opposition à l'entraînement.
C'est là que vivent vos coûts récurrents et votre latence — pas dans l'entraînement.
Sous-estimer le coût d'inférence à l'échelle (× 1 000 utilisateurs).
Réponse plausible mais fausse, générée avec assurance.
Aucune sortie LLM non vérifiée dans un processus engageant (juridique, client, financier) sans humain ou source.
Les hallucinations sont plus convaincantes que les vraies erreurs humaines.
Adapter l'IA à vos usages, au bon coût.
9 termesSpécialiser un modèle existant sur vos données.
90 % des cas d'usage n'en ont pas besoin : commencez par prompt + RAG, fine-tunez en dernier recours.
Le coût de maintenance à chaque nouvelle version du modèle de base.
Retrieval-Augmented Generation : le modèle cherche dans vos documents avant de répondre.
La voie standard pour brancher l'IA sur votre savoir sans l'exposer à l'entraînement.
Un RAG sur des documents obsolètes industrialise vos erreurs.
Représentation numérique du sens d'un texte ou d'une image.
La brique invisible de tout RAG : c'est ce qui rend vos données cherchables par le sens.
Changer de modèle d'embedding = tout re-vectoriser.
Modèle qui comprend et génère texte, image, audio, vidéo.
Ouvre les cas d'usage terrain : photos de chantier, factures scannées, enregistrements.
Les images sont un vecteur d'attaque (instructions cachées dans un visuel).
Modèle qui « réfléchit » en plusieurs étapes avant de répondre.
Plus fiable sur le complexe, mais plus lent et plus cher : réservez-le aux problèmes qui le méritent.
L'utiliser pour du support niveau 1 : une Ferrari pour aller à la boulangerie.
Petit modèle spécialisé (1–10 Md de paramètres), exécutable sur du matériel modeste.
Sur une tâche répétitive et cadrée, un SLM bien choisi bat un géant en coût, latence et confidentialité.
Lui demander de la polyvalence.
Modèle dont les poids sont téléchargeables et exécutables sur votre infrastructure.
Souveraineté maximale : vos données ne quittent jamais votre SI.
« Open-weight » ≠ « open-source » — lisez la licence (Llama, Kimi : restrictions).
Transférer les capacités d'un grand modèle vers un plus petit.
C'est ainsi qu'on vous vend du « presque aussi bon, 10× moins cher » — comparez sur VOS cas.
La distillation de modèles concurrents pose des questions contractuelles.
Compresser un modèle (précision réduite) pour tourner sur moins de mémoire.
C'est elle qui décide si un modèle local tourne sur un serveur à 5 k€ ou exige un GPU à 40 k€.
Sous Q4, la qualité chute sensiblement.
Le seul avantage que personne ne peut copier.
5 termesVos données internes (clients, contrats, produits) — votre seul avantage IA non copiable.
Le modèle est une commodité, vos données non : l'effort budgétaire va là.
Les envoyer à un fournisseur dont le contrat autorise l'entraînement.
Base de données optimisée pour la recherche par similarité de sens.
pgvector sur votre PostgreSQL suffit dans la majorité des cas — pas besoin d'un fournisseur de plus.
Un RAG qui sert les documents RH à tout le monde : une fuite interne.
Fiabilité, fraîcheur et structure des données injectées dans l'IA.
Garbage in, garbage out à l'échelle industrielle : auditez avant de brancher.
L'IA rend les mauvaises données crédibles.
Règles d'accès, de classification et de conformité appliquées aux données utilisées par l'IA.
L'IA hérite — ou piétine — votre RBAC existant : vérifiez la propagation des droits.
Les connecteurs IA qui court-circuitent vos politiques DLP.
Remplacer les identifiants directs avant traitement par l'IA.
Le sas obligatoire avant d'envoyer des données personnelles à un LLM externe (RGPD).
La ré-identification par recoupement : pseudonymisé ≠ anonyme.
Quand l'IA cesse de répondre et commence à agir.
7 termesIA qui enchaîne décisions et actions pour atteindre un objectif, sans validation à chaque étape.
Le passage de « l'IA répond » à « l'IA fait » : vos processus d'habilitation doivent suivre.
Donner à un agent les droits de l'humain qui le lance.
Capacité du modèle à appeler des outils externes (API, base de données, navigateur).
Chaque outil connecté est une surface d'attaque et un périmètre de dégâts à cadrer.
L'outil « envoyer un e-mail » branché sans garde-fou.
Model Context Protocol : standard ouvert pour connecter l'IA à vos outils et données — l'« USB-C de l'IA ».
Misez sur le standard plutôt que sur des connecteurs propriétaires.
Un serveur MCP tiers non audité : un inconnu avec les clés de votre SI.
Plusieurs agents IA qui collaborent : un planifie, un exécute, un vérifie.
Puissant sur les tâches complexes — mais la traçabilité devient votre problème n°1.
Les erreurs se propagent en cascade entre agents.
Couche qui séquence, supervise et reprend les workflows IA.
C'est elle qui transforme une démo en processus de production fiable.
L'orchestration « dans le prompt » : invisible, intestable, inauditable.
Un humain valide les actions critiques de l'IA.
Définissez par écrit les actions qui exigent validation : paiement, envoi externe, suppression.
La fatigue de validation : l'humain qui clique OK sans lire ne protège plus rien.
Dérive progressive du comportement d'un agent par rapport à sa mission initiale.
Un agent qui marche en démo peut dériver en production : la supervision continue n'est pas optionnelle.
Personne ne s'en aperçoit avant l'incident.
La catégorie que les infographies oublient.
7 termesUsage d'outils IA par les collaborateurs, hors de tout cadre validé par la DSI.
C'est déjà dans vos murs : la question n'est pas d'interdire mais de canaliser — offre interne + charte.
L'interdiction pure pousse vers les comptes personnels, invisibles.
Instructions malveillantes cachées dans un contenu que l'IA va lire : e-mail, page web, PDF.
La vulnérabilité n°1 des systèmes agentiques — non résolue à ce jour, seulement mitigée.
Croire qu'un bon prompt système protège.
Contourner les garde-fous d'un modèle pour lui faire produire du contenu interdit.
Votre chatbot public SERA jailbreaké : prévoyez la réponse médiatique, pas seulement technique.
Les garde-fous du fournisseur ne couvrent pas vos règles métier.
Fuite de données via l'IA : réponses, logs fournisseur, outils connectés, liens piégés.
Cartographiez où partent vos données à chaque appel IA — télémétrie comprise.
L'agent qui « résume » un document confidentiel vers un canal public.
Règles techniques qui encadrent entrées et sorties de l'IA : filtres, validations, périmètres.
À définir côté entreprise, en couche au-dessus du modèle — jamais délégué au seul fournisseur.
Des guardrails testés une fois, jamais rejoués à chaque changement de modèle.
Attaquer volontairement vos propres systèmes IA pour trouver les failles avant les autres.
Obligatoire avant toute mise en production exposée — et exigé par l'AI Act pour certains systèmes.
Le red teaming « one shot » : chaque mise à jour de modèle rouvre le chantier.
Corruption d'un modèle ou de ses données d'entraînement (supply chain IA).
Traitez les modèles téléchargés comme des dépendances logicielles : source, checksum, registre validé.
Le modèle « gratuit » récupéré sur un hub sans vérification.
Ce qui devient obligatoire, et quand.
6 termesRèglement européen sur l'IA, application progressive 2025–2027.
Les obligations GPAI courent déjà, le haut risque arrive en août 2026 : l'inventaire de vos systèmes est l'étape zéro.
Penser que ça ne concerne que les éditeurs — les déployeurs ont leurs obligations propres.
Catégorie AI Act (annexe III) : RH, crédit, éducation, infrastructures critiques…
Votre tri de CV dopé à l'IA est probablement dedans : qualifiez avant qu'on vous qualifie.
Le fournisseur qui jure que « c'est lui le responsable » — le déployeur reste redevable.
Modèles d'IA à usage général (les grands LLM), régime spécifique dans l'AI Act.
Vos fournisseurs ont des obligations de transparence : exigez leur documentation.
Fine-tuner un GPAI peut faire de vous un fournisseur au sens du règlement.
Analyse d'impact sur la protection des données, exigée par le RGPD pour les traitements à risque.
Quasi systématique dès que l'IA traite des données personnelles à l'échelle — à faire AVANT le déploiement.
L'AIPD rédigée après coup, pour la forme.
Obligation d'informer qu'on interagit avec une IA et de marquer les contenus générés.
Chatbots, deepfakes, contenus synthétiques : vos mentions et CGU doivent être à jour en 2026.
Le chatbot qui se fait passer pour « Julie du service client ».
Obligation de former les collaborateurs qui utilisent des systèmes IA — en vigueur depuis février 2025.
Une des obligations les moins chères à remplir et les plus visibles en cas de contrôle : commencez par là.
La « formation » qui se résume à un e-mail avec une charte en pièce jointe.
Piloter la valeur, pas la hype.
6 termesTests systématiques pour mesurer qualité et fiabilité d'un système IA.
Pas d'IA en production sans evals : c'est votre recette avant mise en prod, version IA.
Évaluer sur dix exemples choisis par celui qui a construit le système.
Développer en décrivant en langage naturel ce qu'on veut construire.
Prototypage 10× plus rapide — mais le code généré entre dans votre SI avec vos exigences de sécurité.
Du code non relu qui passe en production parce que « ça marche ».
Concevoir produits, processus et organisation autour de l'IA dès le départ.
La vraie question n'est pas « où ajouter de l'IA » mais « que ferait un concurrent qui part de zéro avec ».
Saupoudrer de l'IA sur des processus cassés.
Transformer des prestations humaines en produits scalables grâce à l'IA.
Le modèle qui menace — ou dope — les métiers du conseil, du juridique, de la compta.
Vendre du logiciel avec une économie de service.
Développer en interne ou acheter une solution IA du marché.
Buy pour le générique ; build uniquement là où vos données propriétaires créent un avantage.
Builder un chatbot RH que quarante éditeurs vendent déjà en mieux.
Mesurer la valeur de l'IA usage par usage, pas globalement.
Trois cas d'usage mesurés valent mieux qu'une « stratégie IA » : temps gagné × volume × coût horaire.
Le pilote éternel qui ne passe jamais à l'échelle, faute de mesure.
Faire tourner en production sans surprise.
4 termesPratiques d'exploitation des systèmes IA : versioning des prompts, déploiement, rollback.
Vos processus DevOps ne couvrent pas l'IA : le non-déterminisme change les règles du jeu.
Le prompt modifié en prod un vendredi, sans trace.
Tracer chaque appel : entrées, sorties, coûts, latence, outils déclenchés.
Sans logs d'appels IA, vous ne pouvez ni déboguer, ni auditer, ni prouver votre conformité.
Des logs qui contiennent eux-mêmes des données personnelles non purgées.
Unité économique de l'IA générative, facturée à l'entrée ET à la sortie.
Un même cas d'usage varie de ×100 selon le modèle : arbitrez par tâche, pas par fournisseur unique.
Les agents multiplient les appels invisibles : le POC à 3 € devient la prod à 3 000 €/mois.
Temps de réponse du système IA.
Au-delà de quelques secondes, l'adoption s'effondre : la latence est une feature produit, pas un détail technique.
Empiler RAG + agent + validation et découvrir 30 secondes de réponse en prod.