Glossaire de l'IA en entreprise
89 termes de l'intelligence artificielle appliquée à l'entreprise, expliqués en quelques phrases : fondamentaux du machine learning, IA générative et LLM, RAG, agents et automatisation, conformité RGPD et AI Act.
Classé par ordre alphabétique, avec une navigation par lettre. Chaque définition tient seule et renvoie, quand c'est utile, vers un article plus détaillé.
Un glossaire pensé pour répondre, pas seulement pour lister
Ce glossaire réunit 89 termes de l'intelligence artificielle appliquée à l'entreprise, du machine learning classique à l'IA générative, en passant par le RAG, les agents et la conformité réglementaire. Chaque définition tient en quelques phrases et se lit indépendamment des autres : c'est la même exigence de clarté que nous appliquons dans nos formations et nos projets d'IA sur mesure pour les PME et ETI.
L'objectif n'est pas de couvrir toute la recherche en IA, mais le vocabulaire qu'un dirigeant, un chef de projet ou une équipe métier rencontre réellement en évaluant, en cadrant ou en pilotant un projet d'intelligence artificielle : les briques techniques (LLM, RAG, embedding, fine-tuning), les outils d'agents et d'automatisation (agent IA, MCP, function calling, workflow), et le cadre de mise en œuvre (RGPD, AI Act, souveraineté, ROI, réversibilité).
Nous avons volontairement mêlé les niveaux : des notions très techniques (quantization, LoRA, chunking) côtoient des notions de gouvernance ou de méthode de projet (pilote, industrialisation, cahier des charges), parce que c'est ainsi qu'elles se croisent en pratique. Un projet de RAG mal cadré échoue rarement sur la seule technique : il échoue aussi souvent sur un cahier des charges flou ou une absence de gouvernance claire sur les usages autorisés.
Chaque définition est écrite pour être exacte et vérifiable, pas pour impressionner. Quand un terme correspond à l'un de nos articles plus détaillés, un lien y renvoie pour aller plus loin sur l'architecture, les coûts ou les retours d'expérience concrets. La navigation par lettre, juste en dessous, permet d'aller directement au terme recherché.
Dernière mise à jour : 21 août 2026, par Anas Rabhi, ingénieur IA et fondateur de Tensoria. Ce glossaire est revu au fil des évolutions du secteur, notamment sur les points réglementaires (AI Act, RGPD) qui bougent encore régulièrement en 2026.
A
Agent IAagent conversationnel autonome, IA agentique
Un agent IA est un système qui combine un modèle de langage avec la capacité d'agir de façon autonome : consulter des outils, appeler des API, lire des documents ou déclencher des actions pour atteindre un objectif, sans qu'un humain valide chaque étape intermédiaire. En entreprise, un agent IA orchestre plusieurs tâches (rechercher une information, remplir un formulaire, envoyer un email) selon un objectif donné, alors qu'un chatbot classique se contente de répondre à une question. La différence avec un simple workflow d'automatisation tient à sa capacité à décider dynamiquement des étapes à suivre plutôt que de dérouler une séquence fixe.
AI Actrèglement européen sur l'intelligence artificielle
L'AI Act est le règlement européen qui encadre les systèmes d'intelligence artificielle selon leur niveau de risque, entré en vigueur le 1er août 2024. Il classe les usages en quatre catégories (risque inacceptable, élevé, limité, minimal) et impose des obligations croissantes selon cette classification, notamment de transparence lorsqu'un contenu est généré ou modifié par l'IA. Les obligations de transparence de l'article 50 s'appliquent depuis le 2 août 2026, tandis que le texte Digital Omnibus a reporté certaines échéances jugées trop proches pour les systèmes à haut risque. Pour une PME qui utilise un simple assistant IA, l'essentiel est de savoir dans quelle catégorie de risque se situe son usage.
Ancragegrounding
L'ancrage consiste à appuyer les réponses d'un modèle d'IA sur des sources vérifiables (documents internes, base de données, résultats de recherche) plutôt que sur sa seule mémoire statistique. C'est le principe derrière le RAG : au lieu de laisser le modèle générer une réponse à partir de ce qu'il a appris à l'entraînement, on lui fournit le contexte exact au moment de la question. Un modèle bien ancré cite ses sources et réduit fortement le risque d'hallucination, un point clé pour les usages métier où l'exactitude compte plus que la fluidité.
Anonymisationpseudonymisation
L'anonymisation est le traitement qui rend impossible, de façon irréversible, l'identification d'une personne à partir d'un jeu de données. Elle se distingue de la pseudonymisation, où la ré-identification reste possible avec une clé séparée, ce qui explique pourquoi le RGPD continue de s'appliquer aux données pseudonymisées mais plus aux données réellement anonymisées. En entreprise, anonymiser ou pseudonymiser les données avant de les envoyer à un modèle d'IA externe est une pratique recommandée pour les données sensibles (santé, RH, contrats), avec des outils spécialisés comme Presidio pour l'automatiser.
APIinterface de programmation applicative
Une API (interface de programmation applicative) est le point d'entrée normalisé par lequel deux logiciels échangent des données ou des instructions, sans que l'un ait besoin de connaître le fonctionnement interne de l'autre. La plupart des modèles d'IA génératifs (GPT, Claude, Mistral) sont accessibles via une API : l'entreprise envoie une requête avec un prompt et reçoit une réponse, généralement facturée au token consommé. Une intégration IA en entreprise (assistant interne, agent, automatisation) repose presque toujours sur l'appel à une ou plusieurs API, du modèle lui-même et des outils métier qu'il doit consulter.
Assistant IAassistant conversationnel interne
Un assistant IA est une interface conversationnelle connectée aux données ou aux outils d'une entreprise, conçue pour répondre aux questions des salariés ou automatiser une tâche récurrente. Contrairement à un chatbot public comme ChatGPT, un assistant IA interne s'appuie généralement sur du RAG pour puiser dans la documentation propre à l'entreprise (procédures, contrats, base de connaissances) et répondre avec les informations réelles de la structure. Sa valeur dépend directement de la qualité et de la fraîcheur des documents sur lesquels il s'appuie.
AutomatisationRPA, automatisation de processus métier
L'automatisation consiste à faire exécuter par un logiciel une tâche répétitive et bien définie, selon une logique de règles ou de déclencheurs, sans intervention humaine à chaque occurrence. Elle se distingue de l'IA générative en ce qu'elle suit un chemin prévisible plutôt que de générer un contenu ou une décision nouvelle à chaque fois. Dans une entreprise, automatisation et IA se combinent souvent : un workflow d'automatisation, par exemple sous n8n, peut appeler un modèle d'IA à une étape précise pour rédiger un texte ou classer un document, sans que tout le processus repose sur l'IA.
B
Base vectoriellevector database
Une base vectorielle est une base de données conçue pour stocker des embeddings et retrouver, parmi des millions de vecteurs, ceux qui sont les plus proches sémantiquement d'une requête donnée. Elle est au cœur de tout système de RAG : c'est elle qui retrouve les passages de documents pertinents avant de les transmettre au modèle de langage pour générer une réponse. Les bases de données vectorielles les plus utilisées en entreprise incluent Qdrant, Weaviate, Pinecone ou l'extension pgvector pour PostgreSQL, le choix dépendant du volume de documents et des contraintes d'hébergement.
Benchmarkjeu d'évaluation, référentiel de test
Un benchmark est un jeu de données et de critères standardisés utilisé pour comparer objectivement les performances de plusieurs modèles d'IA sur une même tâche. Les benchmarks publics (MMLU, HumanEval, MT-Bench) donnent une indication générale, mais ils mesurent rarement la performance sur un cas d'usage métier précis. Pour une entreprise, la seule évaluation vraiment fiable reste un benchmark interne construit sur ses propres documents et ses propres questions représentatives.
Biaisbiais algorithmique
Un biais est une distorsion systématique dans les réponses ou les décisions d'un modèle d'IA, héritée des données sur lesquelles il a été entraîné ou de la façon dont il a été affiné. Un modèle entraîné majoritairement sur des données historiques peut ainsi reproduire des discriminations existantes, par exemple dans le tri de candidatures ou l'évaluation de dossiers. En entreprise, la vigilance sur les biais est particulièrement critique dans les usages RH ou juridiques, où une décision automatisée biaisée peut avoir des conséquences légales.
C
Cahier des chargesspécifications fonctionnelles
Un cahier des charges est le document qui formalise les besoins, les contraintes et les critères de réussite d'un projet avant son démarrage. Pour un projet d'IA, il précise notamment les données disponibles, le périmètre exact du cas d'usage et les exigences de sécurité, ainsi que la façon dont le résultat sera mesuré. Un cahier des charges IA mal cadré est l'une des causes les plus fréquentes de dérapage de budget et de délai sur ce type de projet.
Cas d'usageuse case
Un cas d'usage est une situation métier précise où l'on envisage d'appliquer l'IA pour un gain mesurable : automatiser une tâche, accélérer une recherche, fiabiliser un contrôle. Partir d'un cas d'usage concret, plutôt que d'un outil ou d'une technologie, est la méthode recommandée pour prioriser un premier projet d'IA en entreprise. Un bon cas d'usage se caractérise par un périmètre limité, des données disponibles et un moyen simple de vérifier si l'IA a effectivement fait gagner du temps ou amélioré la qualité.
Chatbotagent conversationnel simple
Un chatbot est une interface qui répond à des questions ou déclenche des actions simples dans une conversation, généralement sans la capacité d'enchaîner plusieurs étapes de façon autonome. Il se distingue de l'agent IA par son fonctionnement plus linéaire : il répond, éventuellement en s'appuyant sur du RAG, mais ne planifie pas de séquence d'actions complexe pour atteindre un objectif. Beaucoup de projets d'IA en entreprise démarrent par un chatbot avant d'évoluer, si le besoin le justifie, vers un agent plus autonome.
Chunkingdécoupage de documents
Le chunking est l'étape qui consiste à découper un document long en fragments de taille adaptée avant de les transformer en embeddings pour un système de RAG. La taille et la méthode de découpage (par paragraphe, par section, avec ou sans chevauchement) influencent directement la qualité des réponses : des fragments trop courts perdent le contexte, des fragments trop longs diluent la pertinence de la recherche. C'est souvent le réglage le plus sous-estimé, et pourtant le plus déterminant, dans la performance réelle d'un assistant IA documentaire.
Cloudinformatique en nuage
Le cloud désigne l'hébergement de données et de puissance de calcul sur des serveurs distants, exploités par un fournisseur (AWS, Microsoft Azure, Google Cloud, OVHcloud) plutôt que sur les machines de l'entreprise elle-même. La quasi-totalité des modèles d'IA générative fonctionnent aujourd'hui dans le cloud, ce qui pose la question de la localisation des serveurs et de la juridiction applicable aux données envoyées. C'est cette question qui motive le choix d'un hébergement souverain pour les données sensibles.
Contextefenêtre de contexte, context window
La fenêtre de contexte est la quantité maximale de texte, mesurée en tokens, qu'un modèle de langage peut prendre en compte en une seule fois pour générer sa réponse. Une fenêtre de contexte large permet d'injecter un document entier, un historique de conversation long ou plusieurs sources à la fois, mais elle augmente aussi le coût et parfois le temps de réponse. En entreprise, la taille de la fenêtre de contexte détermine si l'on peut coller un document complet dans le prompt ou si une architecture de RAG, qui ne transmet que les passages pertinents, est nécessaire.
Copilotassistant IA intégré à un logiciel
Un copilot est un assistant IA intégré directement dans un logiciel existant (Microsoft 365, un environnement de développement, un CRM) pour assister l'utilisateur sans qu'il ait à changer d'outil. Il combine généralement un modèle de langage et un accès limité aux données de l'application dans laquelle il est intégré. Le compromis avec un copilot standardisé est celui de la personnalisation : il couvre un usage générique, alors qu'un assistant IA sur mesure peut s'appuyer précisément sur les documents et process propres à l'entreprise.
Corpusensemble de documents de référence
Un corpus est l'ensemble des documents utilisés pour entraîner, affiner ou alimenter un modèle d'IA. Dans un projet de RAG, le corpus désigne la documentation interne indexée (procédures, contrats, fiches produits) ; dans un projet de fine-tuning, il désigne les exemples utilisés pour ajuster le modèle. La qualité, la fraîcheur et la couverture du corpus déterminent directement la qualité des réponses obtenues, davantage que le choix du modèle lui-même dans la plupart des cas d'usage métier.
Coût au tokenpricing per token
Le coût au token est le mode de facturation dominant des modèles de langage : chaque requête est facturée en fonction du nombre de tokens envoyés (le prompt) et reçus (la réponse générée), à un tarif qui varie selon le modèle utilisé. Ce mode de facturation rend le coût d'un projet d'IA directement dépendant du volume d'usage et de la longueur des contextes transmis, ce qui explique l'intérêt du chunking et du choix d'un modèle adapté à la tâche plutôt que systématiquement le plus puissant. Un projet de RAG mal optimisé peut ainsi coûter beaucoup plus cher que prévu simplement parce que trop de texte est renvoyé au modèle à chaque requête.
D
Data scientist
Un data scientist est un profil qui conçoit, entraîne et évalue des modèles statistiques ou de machine learning à partir de données, en s'appuyant sur des compétences en mathématiques, en programmation et en compréhension métier. Ce profil intervient surtout sur les projets de machine learning prédictif (prévision de ventes, détection de fraude, maintenance prédictive), alors qu'un projet de RAG ou d'agent IA générative mobilise davantage des compétences d'ingénierie logicielle. Recruter un data scientist en interne n'est justifié que si l'entreprise a un flux continu de projets de cette nature, sous peine de sous-employer la compétence.
Datasetjeu de données
Un dataset est l'ensemble structuré de données utilisé pour entraîner, valider ou tester un modèle d'IA. Sa qualité (exhaustivité, équilibre entre les cas, absence d'erreurs) compte souvent davantage que la sophistication du modèle entraîné dessus, un principe résumé par l'expression garbage in, garbage out. Pour un projet de fine-tuning, préparer un dataset propre et représentatif des cas réels de l'entreprise est généralement l'étape la plus longue du projet.
Deep learningapprentissage profond
Le deep learning est une famille de méthodes de machine learning basées sur des réseaux de neurones à plusieurs couches, capables d'apprendre directement des représentations complexes à partir de données brutes (texte, image, son). C'est cette approche qui a permis les progrès de la reconnaissance d'image, de la traduction automatique et, plus récemment, des grands modèles de langage. En entreprise, le deep learning reste rarement mobilisé directement : on utilise le plus souvent des modèles déjà entraînés (LLM, modèles de vision) plutôt que d'en entraîner un depuis zéro.
Distillationdistillation de modèle
La distillation est une technique qui entraîne un modèle plus petit, l'élève, à reproduire le comportement d'un modèle plus grand et plus coûteux, le professeur, en s'appuyant sur ses réponses plutôt que sur les données brutes d'origine. L'objectif est d'obtenir un modèle plus rapide et moins cher à exploiter, tout en conservant une bonne partie de la qualité du modèle d'origine sur une tâche précise. C'est l'une des techniques utilisées pour produire les SLM déployés en entreprise pour des tâches ciblées.
Données non structurées
Les données non structurées sont des informations qui ne suivent pas un format tabulaire ou un schéma prédéfini : un email, un PDF scanné, une photo de chantier, un enregistrement audio. Elles représentent l'essentiel du volume documentaire d'une entreprise, mais restent difficiles à exploiter sans les transformer au préalable, par exemple via l'OCR, l'extraction ou les embeddings. Structurer ce type de données avec l'IA a rendu beaucoup plus accessible leur exploitation, auparavant réservée à des traitements manuels.
Données structurées
Les données structurées sont des informations organisées selon un format fixe et prévisible : un tableau, une base de données relationnelle, un fichier CSV avec des colonnes définies. Elles sont directement exploitables par des outils de calcul et de machine learning classiques, sans étape d'extraction préalable. Un projet de machine learning prédictif (prévision, scoring, détection d'anomalies) s'appuie presque toujours sur des données structurées, alors qu'un projet de RAG s'attaque en général à des données non structurées.
Driftdérive de modèle
Le drift est la dégradation progressive de la performance d'un modèle d'IA dans le temps, parce que les données réelles évoluent et s'éloignent de celles sur lesquelles il a été entraîné ou évalué. Une prévision de ventes entraînée avant un changement de marché, ou un modèle de maintenance prédictive confronté à une nouvelle génération de machines, peut ainsi perdre en fiabilité sans qu'aucune erreur technique ne soit visible dans l'infrastructure. Surveiller le drift et prévoir un réentraînement périodique fait partie des pratiques de MLOps indispensables une fois un modèle mis en production.
E
Edge AIIA embarquée, on-device
L'edge AI désigne l'exécution d'un modèle d'IA directement sur l'appareil (capteur, poste de travail, machine industrielle) plutôt que sur un serveur distant. Elle répond à des contraintes de latence, de coût réseau ou de confidentialité, en évitant l'envoi de données vers un cloud externe. En entreprise, l'edge AI s'appuie généralement sur des SLM ou des modèles de vision compacts, capables de tourner avec des ressources limitées.
Embeddingplongement vectoriel
Un embedding est une représentation numérique d'un texte, d'une image ou d'un autre contenu sous la forme d'un vecteur, construite de sorte que deux contenus proches sur le plan du sens obtiennent des vecteurs proches mathématiquement. C'est cette propriété qui permet la recherche sémantique : au lieu de chercher des mots identiques, on cherche des vecteurs proches, ce qui retrouve un passage pertinent même s'il n'utilise pas les mêmes termes que la question posée. Les embeddings sont stockés et interrogés dans une base vectorielle, brique centrale de tout système de RAG.
Entraînementtraining
L'entraînement est le processus par lequel un modèle ajuste ses paramètres internes à partir d'un grand volume de données, pour apprendre à prédire ou générer une sortie pertinente. C'est une étape distincte de l'inférence : l'entraînement se fait une fois, en amont, sur des ressources de calcul considérables, tandis que l'inférence se produit à chaque question posée au modèle une fois entraîné. En entreprise, on entraîne rarement un modèle depuis zéro : on part d'un modèle déjà entraîné, un LLM, que l'on adapte par prompt, par RAG ou par fine-tuning.
ExplicabilitéXAI, explainable AI
L'explicabilité est la capacité à rendre compréhensible, pour un humain, la raison pour laquelle un modèle d'IA a produit telle réponse ou telle décision plutôt qu'une autre. Elle est particulièrement recherchée sur les modèles de machine learning prédictif utilisés pour des décisions qui engagent (scoring de crédit, détection de fraude), où l'on veut pouvoir justifier un refus ou une alerte. Les grands modèles de langage restent, à l'inverse, largement des boîtes noires : on peut leur demander d'expliquer leur raisonnement, mais cette explication n'est pas une preuve fidèle du calcul interne réellement effectué.
F
Few-shotapprentissage à quelques exemples
Le few-shot est une technique de prompt qui consiste à fournir au modèle quelques exemples de la tâche attendue directement dans la requête, avant de lui poser la question réelle. Contrairement au fine-tuning, aucun réentraînement du modèle n'est nécessaire : les exemples orientent simplement sa réponse pour cette requête précise. C'est souvent la première technique à essayer pour améliorer la qualité d'un prompt métier, comme la rédaction dans un format précis ou la classification, avant d'envisager un fine-tuning plus coûteux.
Fine-tuningaffinage d'un modèle
Le fine-tuning consiste à poursuivre l'entraînement d'un modèle déjà entraîné, avec un jeu de données propre à une entreprise ou à une tâche précise, pour ajuster son comportement sans repartir de zéro. Il permet d'obtenir un style, un vocabulaire ou une façon de structurer les réponses spécifiques à un métier, ce qu'un simple prompt ne peut pas toujours garantir de façon fiable. En entreprise, le fine-tuning n'est justifié que pour des tâches répétitives à fort volume : pour la plupart des cas d'usage, le RAG ou un prompt bien conçu suffisent, à un coût et une complexité bien moindres.
Function callingappel de fonction
Le function calling est la capacité d'un modèle de langage à déclencher l'exécution d'une fonction ou d'un outil externe (interroger une base de données, envoyer un email, effectuer un calcul), en générant les paramètres nécessaires dans un format structuré. C'est le mécanisme technique qui rend possibles les agents IA : le modèle ne se contente plus de répondre en texte, il peut agir sur des systèmes réels. Le MCP a été conçu pour standardiser la façon dont ces appels de fonction se connectent à des outils variés, sans intégration sur mesure pour chacun.
G
Garde-fouguardrail
Un garde-fou est une règle ou un mécanisme technique qui limite ce qu'un système d'IA peut faire ou dire, pour éviter une réponse dangereuse, hors sujet ou non conforme. Il peut prendre la forme d'un filtre sur les entrées, d'une validation humaine obligatoire avant une action sensible, ou d'une limite explicite dans les instructions données au modèle. En entreprise, un garde-fou typique consiste à interdire à un assistant IA de traiter certaines catégories de données sensibles, ou à exiger une validation humaine avant toute décision qui affecte un client ou un salarié.
Gouvernance IAAI governance
La gouvernance IA est l'ensemble des règles, des rôles et des processus qu'une entreprise met en place pour décider quels usages de l'IA sont autorisés, sous quelles conditions, et qui en est responsable. Elle couvre à la fois la conformité réglementaire (RGPD, AI Act), la sécurité des données et la définition claire de ce qui reste une décision humaine. Une charte d'usage interne, souvent construite lors d'un audit IA ou d'une formation, est l'un des livrables concrets les plus courants d'une démarche de gouvernance IA.
GPUprocesseur graphique
Un GPU (processeur graphique) est un composant capable d'exécuter un très grand nombre de calculs en parallèle, ce qui en fait le matériel de référence pour l'entraînement et l'inférence des modèles de deep learning. La disponibilité et le coût des GPU expliquent en grande partie pourquoi entraîner un LLM depuis zéro reste hors de portée de la plupart des entreprises, et pourquoi la quantization ou l'usage de SLM permettent de faire tourner un modèle sur du matériel plus modeste.
H
Hallucinationconfabulation
Une hallucination est une réponse produite par un modèle d'IA générative qui semble cohérente et plausible, mais qui est factuellement fausse ou inventée. Elle survient parce que le modèle génère le texte statistiquement le plus probable, sans mécanisme intégré de vérification de la véracité de ce qu'il affirme. En entreprise, le RAG et l'ancrage sur des documents vérifiés sont les principales parades pour réduire les hallucinations sur des questions factuelles, sans toutefois les éliminer complètement.
HDShébergement de données de santé
HDS (hébergement de données de santé) est une certification obligatoire en France pour tout hébergeur qui traite des données de santé à caractère personnel sur support numérique, en vigueur depuis 2018. Elle s'appuie sur la norme ISO 27001 avec des exigences complémentaires liées au RGPD et au secteur de la santé, et une version 2.0 du référentiel publiée en 2024 renforce notamment les exigences de souveraineté des données. Tout projet d'IA qui traite des données de santé, y compris un simple assistant IA connecté à un dossier médical, doit vérifier que son hébergeur dispose de cette certification.
Hébergementhébergement souverain, on-premise
L'hébergement désigne le lieu et l'infrastructure sur lesquels tournent un modèle d'IA et les données qu'il traite : cloud public international, cloud souverain localisé en France ou en Europe, ou serveurs on-premise dans les locaux de l'entreprise. Le choix de l'hébergement conditionne la juridiction applicable aux données et le niveau de contrôle réel sur leur confidentialité, un enjeu central pour les données sensibles ou soumises au RGPD. Un outil d'automatisation comme n8n, par exemple, peut être déployé en hébergement souverain pour garder les données de l'entreprise en Europe plutôt que sur une plateforme cloud tierce.
Human in the loopsupervision humaine
Le human in the loop désigne un principe de conception selon lequel une décision préparée ou proposée par l'IA doit être validée par un humain avant de produire un effet réel, notamment lorsqu'elle affecte une personne (candidat, client, salarié). Ce principe est au cœur des usages RH et juridiques : l'IA peut trier, résumer ou classer, mais la décision de rejet ou de sélection finale reste humaine. C'est également une exigence explicite de l'AI Act pour les systèmes classés à haut risque.
Hyperparamètreparamètre de configuration d'entraînement
Un hyperparamètre est un réglage défini avant l'entraînement d'un modèle, par exemple le taux d'apprentissage ou le nombre d'exemples traités à la fois, par opposition aux paramètres internes que le modèle ajuste lui-même pendant l'entraînement. Le choix des hyperparamètres influence directement la qualité finale du modèle et la durée de l'entraînement. Pour une entreprise qui recourt au fine-tuning, ce réglage est généralement pris en charge par le prestataire ou l'outil utilisé, plutôt que configuré manuellement.
I
Industrialisationmise en production
L'industrialisation est le passage d'un prototype d'IA, souvent développé rapidement pour valider une idée, vers une version robuste, sécurisée et maintenable en production. Elle couvre la gestion des erreurs, la montée en charge, l'observabilité, la sécurité des accès et la documentation, autant d'aspects généralement absents d'un prototype construit en quelques jours. C'est l'étape où la majorité des projets d'IA échouent à passer, faute d'avoir anticipé cet écart entre une démonstration convaincante et un outil réellement fiable au quotidien.
Inférence
L'inférence est l'action, pour un modèle déjà entraîné, de produire une réponse à partir d'une nouvelle donnée d'entrée. C'est ce qui se passe à chaque fois qu'un utilisateur envoie un prompt à un modèle de langage : contrairement à l'entraînement, qui est coûteux et ponctuel, l'inférence se produit à chaque requête, et son coût cumulé sur le volume d'usage devient souvent le poste principal du budget d'un projet d'IA en production.
Intelligence artificielleIA
L'intelligence artificielle est l'ensemble des techniques qui permettent à un système informatique de réaliser des tâches associées à l'intelligence humaine : comprendre un texte, reconnaître une image, prendre une décision, générer un contenu. Le terme englobe des approches très différentes, du machine learning classique utilisé pour la prévision ou la détection d'anomalies, jusqu'à l'IA générative capable de produire du texte, du code ou des images. En entreprise, le choix entre ces familles de techniques dépend avant tout du problème à résoudre, pas d'une préférence pour la technologie la plus récente.
Intelligence artificielle générativeIA générative, genAI
L'IA générative désigne les modèles capables de produire un contenu original (texte, image, code, audio) plutôt que de se limiter à classer ou prédire une valeur à partir de données existantes. Les grands modèles de langage comme GPT, Claude ou Mistral en sont l'illustration la plus utilisée en entreprise, pour la rédaction, la synthèse ou l'automatisation de tâches conversationnelles. Elle se distingue du machine learning prédictif, mieux adapté aux tâches de prévision chiffrée ou de détection d'anomalies sur des données structurées.
J
Jailbreakcontournement de garde-fou
Un jailbreak est une technique de prompt conçue pour contourner les garde-fous d'un modèle d'IA et lui faire produire un contenu qu'il refuserait normalement de générer. Ce risque concerne surtout les modèles exposés directement au public (chatbot grand public, assistant sans supervision), moins un assistant interne dont l'accès est restreint aux salariés de l'entreprise. C'est l'une des raisons pour lesquelles un usage professionnel encadré reste plus sûr qu'un accès non supervisé à un modèle grand public sur des données sensibles.
K
Knowledge graphgraphe de connaissances
Un knowledge graph est une représentation des connaissances sous forme d'entités reliées entre elles par des relations explicites, par exemple une entreprise qui emploie une personne ou un contrat qui concerne un client, plutôt que sous forme de texte libre. Il complète parfois un système de RAG classique pour des questions qui demandent de suivre plusieurs relations entre documents, comme retrouver tous les contrats liés à un même fournisseur. Sa mise en place reste plus coûteuse qu'un RAG standard et n'est justifiée que sur des cas d'usage à forte densité de relations entre les données.
L
Latencetemps de réponse
La latence est le temps écoulé entre l'envoi d'une requête à un modèle d'IA et la réception de sa réponse complète. Elle dépend de la taille du modèle, de la longueur du contexte transmis et de l'infrastructure d'inférence utilisée, des techniques comme le speculative decoding ou des serveurs optimisés permettant de la réduire significativement. Une latence élevée dégrade fortement l'expérience d'un assistant IA conversationnel ou d'un agent qui doit enchaîner plusieurs appels au modèle pour une seule tâche.
LLMgrand modèle de langage, large language model
Un LLM (grand modèle de langage, large language model) est un modèle d'IA entraîné sur d'immenses volumes de texte pour prédire la suite probable d'une séquence de mots, ce qui lui permet de générer du texte, de répondre à des questions, de résumer ou de traduire. Les LLM les plus utilisés en entreprise en 2026 incluent les familles GPT (OpenAI), Claude (Anthropic), Gemini (Google) et Mistral, accessibles via API ou, pour certains modèles ouverts, déployables en propre. Leur puissance a un coût : au-delà d'un usage ponctuel, le choix entre un LLM et un SLM plus petit dépend surtout de la complexité réelle de la tâche à automatiser.
LLMOps
Le LLMOps est l'ensemble des pratiques et des outils dédiés à l'exploitation en production de modèles de langage : suivi de la qualité des réponses, détection des hallucinations, gestion des coûts au token et des versions de prompts. Il prolonge les principes du MLOps en les adaptant aux spécificités des LLM, notamment l'absence de métrique unique et objective pour juger de la qualité d'une réponse générée. Sans observabilité LLMOps, une dégradation progressive des réponses d'un assistant IA en production peut passer inaperçue pendant des semaines.
LoRAlow rank adaptation
LoRA (low rank adaptation) est une technique de fine-tuning qui n'ajuste qu'un petit nombre de paramètres additionnels, insérés dans le modèle, au lieu de réentraîner l'ensemble de ses milliards de paramètres d'origine. Elle réduit considérablement le coût de calcul et le volume de données nécessaires pour affiner un modèle sur une tâche métier précise, ce qui la rend accessible à des budgets de PME. QLoRA, une variante qui combine LoRA avec la quantization, pousse encore plus loin cette réduction de coût.
M
Machine learningapprentissage automatique
Le machine learning (apprentissage automatique) est une branche de l'IA dans laquelle un modèle apprend à reconnaître des motifs à partir de données historiques, pour ensuite prédire une valeur ou classer une nouvelle donnée, sans être programmé explicitement pour chaque cas. Il couvre des usages très concrets en entreprise : prévision de ventes, détection de fraude, maintenance prédictive, scoring de risque client. Contrairement à l'IA générative, le machine learning prédictif produit généralement un chiffre, une catégorie ou une alerte, pas un texte ou un contenu original.
MCPModel Context Protocol
Le MCP (Model Context Protocol) est un protocole ouvert créé par Anthropic en novembre 2024 et cédé à l'Agentic AI Foundation, sous l'égide de la Linux Foundation, en décembre 2025, pour standardiser la façon dont un modèle de langage se connecte à des outils et des sources de données externes. Plutôt que de coder une intégration sur mesure pour chaque outil (CRM, base de données, API interne), une entreprise déploie un serveur MCP qui expose ces outils, et n'importe quel modèle compatible peut les invoquer. Il est aujourd'hui adopté nativement par les principaux fournisseurs de modèles, Anthropic, OpenAI, Google DeepMind et Microsoft, ce qui en fait la base technique la plus courante pour construire un agent IA connecté au système d'information d'une entreprise.
MLOps
Le MLOps est l'ensemble des pratiques qui encadrent le cycle de vie complet d'un modèle de machine learning en production : entraînement, déploiement, surveillance du drift, réentraînement périodique et gestion des versions. Il vise à éviter qu'un modèle de prévision ou de détection d'anomalies, correctement validé au moment de sa mise en production, ne se dégrade silencieusement avec le temps sans que personne ne s'en aperçoive. C'est une discipline distincte du LLMOps, davantage centrée sur les modèles prédictifs que sur les modèles de langage génératifs.
Modèlemodèle d'IA
Un modèle est le résultat mathématique d'un entraînement : une fonction capable de transformer une entrée (texte, image, donnée chiffrée) en sortie utile (réponse, classification, prévision), dont les paramètres ont été ajustés sur un grand volume d'exemples. Un modèle de langage comme GPT ou Claude, un modèle de prévision de ventes ou un modèle de détection d'anomalies sont tous des modèles au sens large, mais entraînés pour des tâches très différentes. Le choix du bon modèle pour un cas d'usage donné pèse souvent moins sur le résultat final que la qualité des données qu'on lui fournit.
MultimodalIA multimodale
Un modèle multimodal est capable de traiter et de combiner plusieurs types de contenus, comme le texte, l'image, l'audio ou la vidéo, au sein d'une même requête, plutôt qu'un seul type de donnée à la fois. En entreprise, cette capacité permet par exemple à un système de RAG multimodal d'indexer non seulement du texte mais aussi des PDF scannés, des tableaux ou des photos de chantier, et de répondre à une question qui porte sur l'un ou l'autre de ces formats.
N
NLPtraitement automatique du langage naturel
Le NLP (natural language processing, traitement automatique du langage naturel) est le champ de l'IA dédié à la compréhension et à la génération de texte en langage humain : classification, extraction d'information, traduction, résumé. Les grands modèles de langage ont considérablement élargi ce qu'il est possible de faire en NLP par rapport aux techniques plus anciennes, souvent spécialisées sur une seule tâche. En entreprise, une partie des besoins NLP, comme la classification simple ou l'extraction d'entités, reste néanmoins mieux traitée par des modèles spécialisés et légers que par un LLM généraliste, pour des raisons de coût et de rapidité.
No-code et low-code
Le no-code et le low-code désignent des outils qui permettent de construire une application ou un workflow d'automatisation par assemblage visuel de blocs, avec peu ou pas de code à écrire. Des plateformes comme n8n, Make ou Zapier appliquent ce principe à l'automatisation de processus métier, y compris lorsqu'une étape du workflow fait appel à un modèle d'IA. La limite de ces outils apparaît sur des besoins très spécifiques ou des volumes importants, où une solution sur mesure devient plus robuste et souvent plus économique dans la durée.
O
Observabilitémonitoring
L'observabilité est la capacité à suivre en continu le comportement réel d'un système d'IA en production : temps de réponse, taux d'erreur, dérive de qualité, coût par requête. Sans observabilité, un assistant IA ou un modèle prédictif peut se dégrader progressivement, un phénomène de drift, sans qu'aucune alerte ne prévienne l'équipe qui l'exploite. C'est une brique centrale du MLOps et du LLMOps, souvent négligée lors du lancement d'un projet parce qu'elle ne se voit pas dans une démonstration.
OCRreconnaissance optique de caractères
L'OCR (reconnaissance optique de caractères) est la technologie qui extrait du texte exploitable à partir d'une image ou d'un document scanné, comme une facture papier ou un plan annoté. Elle constitue souvent la première étape obligatoire avant de pouvoir indexer un document dans une base vectorielle ou l'analyser avec un modèle de langage, en particulier pour les documents administratifs encore reçus au format papier ou en PDF non natif. La qualité de l'OCR de factures conditionne directement la fiabilité de tout traitement automatisé en aval, qu'il s'agisse de RAG ou d'extraction de données structurées.
On-premisesur site
On-premise désigne un déploiement hébergé sur les serveurs physiques de l'entreprise elle-même, plutôt que sur une infrastructure cloud gérée par un tiers. Ce choix garantit le contrôle maximal sur la localisation et l'accès aux données, au prix d'une charge d'exploitation et de maintenance plus lourde à assumer en interne. Il concerne surtout les entreprises soumises à des exigences de confidentialité ou de souveraineté fortes, par exemple dans la santé, la défense ou certains secteurs industriels sensibles.
Orchestration
L'orchestration est la coordination de plusieurs étapes, outils ou modèles au sein d'un même processus automatisé, de façon à ce que chacun s'exécute au bon moment et avec les bonnes données en entrée. Dans un agent IA, l'orchestration détermine quel outil appeler, dans quel ordre, et comment enchaîner les résultats intermédiaires jusqu'à la réponse finale. Des frameworks spécialisés existent pour construire cette logique, du plus visuel comme n8n au plus orienté développement comme LangGraph.
Overfittingsurapprentissage
L'overfitting (surapprentissage) survient lorsqu'un modèle apprend si précisément les particularités de son jeu d'entraînement qu'il perd sa capacité à généraliser correctement sur des données nouvelles. Un modèle en situation d'overfitting affiche d'excellents résultats sur les données qu'il connaît déjà, mais se dégrade nettement face à des cas réels légèrement différents. C'est un risque à surveiller de près lors d'un fine-tuning avec un dataset trop petit ou trop peu varié.
P
Piloteprojet pilote
Un pilote est un projet d'IA mené à échelle réduite, sur un périmètre et une durée limités, pour valider qu'un cas d'usage produit une valeur réelle avant de décider d'un déploiement plus large. Il se distingue du prototype par son objectif : mesurer un résultat métier concret, comme du temps gagné ou des erreurs évitées, plutôt que simplement démontrer une faisabilité technique. Un pilote bien construit se termine par une décision claire, continuer, ajuster ou arrêter, appuyée sur des indicateurs définis avant son lancement.
POCproof of concept, preuve de concept
Un POC (proof of concept, preuve de concept) est une démonstration rapide et à faible coût destinée à vérifier qu'une idée d'IA est techniquement réalisable, sans viser un usage réel en production. Il répond à la question de la faisabilité plutôt qu'à celle de la valeur métier, ce qui explique pourquoi de nombreux POC convaincants ne débouchent jamais sur un projet industrialisé faute d'avoir mesuré un gain réel. En entreprise, un POC gagne à être suivi rapidement d'un pilote structuré s'il est concluant, pour éviter de rester bloqué au stade de la démonstration.
Prompt
Un prompt est l'instruction, la question ou le contexte transmis à un modèle d'IA générative pour obtenir une réponse. Sa formulation, son niveau de détail et les exemples qu'il contient influencent directement la qualité de la réponse obtenue, ce qui a donné naissance à des pratiques structurées de rédaction de prompts pour un usage professionnel. Un même modèle peut produire des résultats très différents selon la qualité du prompt qui lui est soumis, avant même d'envisager un fine-tuning.
Prompt engineeringingénierie de prompt
Le prompt engineering est la pratique qui consiste à concevoir méthodiquement des prompts pour obtenir des réponses fiables, cohérentes et reproductibles d'un modèle d'IA, en s'appuyant sur des techniques comme le few-shot, le raisonnement étape par étape ou des instructions de format strictes. En entreprise, un prompt bien construit et documenté peut être réutilisé comme un gabarit par toute une équipe, ce qui en fait souvent la première optimisation à mettre en place avant d'envisager un RAG ou un fine-tuning plus coûteux.
Q
Quantizationquantification
La quantization (quantification) réduit la précision numérique des paramètres d'un modèle, par exemple de 16 bits à 4 bits, pour diminuer son empreinte mémoire et accélérer son exécution, au prix d'une légère perte de qualité. Elle permet de faire tourner un modèle sur un GPU plus modeste, voire sur un poste de travail standard, ce qui est particulièrement utile pour déployer un SLM en local ou en edge AI. Les formats GGUF et INT4 sont parmi les plus utilisés pour ce type de compression.
R
RAGretrieval augmented generation, génération augmentée par récupération
Le RAG (retrieval augmented generation, génération augmentée par récupération) est une architecture qui combine un modèle de langage avec une recherche préalable dans une base documentaire, pour que la réponse générée s'appuie sur des sources précises plutôt que sur la seule mémoire du modèle. Concrètement, la question de l'utilisateur est transformée en embedding, comparée aux documents indexés dans une base vectorielle, et les passages les plus pertinents sont transmis au modèle en même temps que la question. C'est l'architecture la plus utilisée pour construire un assistant IA capable de répondre à partir de la documentation interne d'une entreprise, sans avoir à réentraîner un modèle.
Raisonnementreasoning
Le raisonnement, dans un modèle d'IA, désigne sa capacité à décomposer un problème complexe en étapes intermédiaires avant de produire une réponse finale, plutôt que de générer directement une conclusion. Les modèles dits de raisonnement exposent ou simulent ce cheminement, ce qui améliore les résultats sur des tâches qui demandent de la logique, du calcul ou plusieurs étapes de recherche. Cette capacité rapproche les LLM récents des outils de recherche approfondie, capables d'enchaîner plusieurs recherches et vérifications avant de répondre.
Recherche sémantiquesemantic search
La recherche sémantique retrouve des documents ou des passages pertinents en fonction de leur sens, et non des seuls mots exacts qu'ils contiennent, grâce à la comparaison d'embeddings. Elle retrouve ainsi un passage qui répond à une question même si le vocabulaire employé diffère de celui de la question posée, ce qui la rend nettement plus efficace qu'une recherche par mots-clés classique sur une documentation d'entreprise volumineuse. C'est le mécanisme de récupération au cœur de tout système de RAG.
Red teamingtest d'attaque contrôlé
Le red teaming est une démarche qui consiste à tester volontairement un système d'IA avec des attaques, des prompts adverses ou des cas limites, pour identifier ses failles avant qu'un usage réel ne les révèle. Elle s'applique aussi bien à un modèle grand public qu'à un assistant IA interne, pour vérifier qu'il refuse bien les demandes hors périmètre ou qu'il ne divulgue pas de données sensibles auxquelles il ne devrait pas avoir accès. En entreprise, un test de ce type avant mise en production complète utilement les garde-fous prévus dès la conception.
Rerankingréordonnancement
Le reranking est une étape supplémentaire, dans un système de RAG, qui réordonne les documents retrouvés par la recherche sémantique initiale selon leur pertinence réelle par rapport à la question posée. Il s'appuie généralement sur un modèle spécialisé, plus lent mais plus précis que la simple comparaison d'embeddings, appliqué seulement sur les quelques dizaines de résultats déjà présélectionnés. Cette étape améliore sensiblement la qualité des réponses d'un assistant IA documentaire, en particulier lorsque le corpus contient des documents proches en apparence mais différents sur le fond.
Réseau de neuronesneural network
Un réseau de neurones est une architecture de calcul composée de couches de nœuds interconnectés, inspirée très librement du fonctionnement des neurones biologiques, capable d'apprendre des relations complexes entre des données d'entrée et de sortie. C'est la structure sur laquelle repose le deep learning, et par extension la quasi-totalité des grands modèles de langage actuels. Un réseau de neurones profond compte plusieurs couches intermédiaires, chacune affinant progressivement la représentation de la donnée traitée.
Réversibilité
La réversibilité est la capacité, pour une entreprise, à récupérer à la fin d'un contrat tout ce qui a été produit ou utilisé pour elle : le code source, les modèles entraînés sur ses données, les pipelines et la documentation technique. Elle doit être prévue explicitement dans le contrat avec un prestataire, avec un délai de remise concret, généralement entre 30 et 60 jours, et dans un format réellement exploitable par une autre équipe. Son absence est l'un des principaux risques de dépendance vis-à-vis d'un prestataire d'IA sur mesure.
RGPDrèglement général sur la protection des données
Le RGPD (règlement général sur la protection des données) est le texte européen qui encadre la collecte, le traitement et la conservation des données personnelles, applicable à tout traitement de données par un système d'IA dès lors qu'il touche des personnes physiques identifiables. Il impose notamment une base légale pour chaque traitement, une durée de conservation limitée et le droit pour une personne d'accéder à ses données ou de s'opposer à un traitement automatisé. Un projet d'IA qui traite des données de clients, de candidats ou de salariés doit être évalué au regard du RGPD dès sa conception, pas après son déploiement.
ROIretour sur investissement
Le ROI (retour sur investissement) d'un projet d'IA rapporte la valeur générée (temps gagné, erreurs évitées, chiffre d'affaires additionnel) au coût réel du projet, incluant le développement, l'hébergement, la maintenance et le temps interne mobilisé. Il ne peut être mesuré sérieusement qu'à partir d'indicateurs définis avant le lancement du projet, sur un périmètre précis, plutôt qu'estimé a posteriori de façon approximative. Un pilote bien construit sert justement à obtenir cette mesure avant d'engager un déploiement à plus grande échelle.
S
Sandboxbac à sable
Un sandbox est un environnement isolé dans lequel un système d'IA peut être testé ou exécuté sans risque d'impacter les données ou les systèmes réels de l'entreprise. Il permet de valider le comportement d'un agent IA, en particulier ses actions automatisées comme le function calling ou les appels API, avant de lui donner accès à des systèmes en production. C'est une précaution recommandée avant tout déploiement d'un agent capable d'agir de façon autonome sur des outils métier sensibles.
SLMsmall language model, petit modèle de langage
Un SLM (small language model, petit modèle de langage) est un modèle de langage comptant nettement moins de paramètres qu'un grand modèle généraliste, ce qui le rend plus rapide, moins coûteux à l'usage et parfois déployable en local ou en edge AI. Il perd en polyvalence par rapport à un LLM, mais peut égaler ou dépasser ses performances sur une tâche métier précise et bien cadrée, une fois affiné par fine-tuning. Le choix entre SLM et LLM dépend avant tout de la diversité des demandes à traiter : un usage très spécialisé et répétitif favorise le SLM, un usage ouvert et varié favorise le LLM.
Souverainetésouveraineté numérique
La souveraineté, appliquée à l'IA, désigne le fait que les données et les modèles utilisés par une entreprise restent hébergés et exploités sous une juridiction européenne, sans dépendre d'un fournisseur soumis à une législation extraterritoriale comme le Cloud Act américain. Elle passe par le choix d'un hébergement en France ou en Europe, et parfois par des modèles eux-mêmes développés par des acteurs européens comme Mistral. C'est un critère de plus en plus déterminant pour les données sensibles, les administrations et les secteurs réglementés.
System promptprompt système
Un system prompt est une instruction transmise au modèle avant la conversation de l'utilisateur, invisible pour ce dernier, qui fixe le rôle, le ton et les limites que le modèle doit respecter tout au long de l'échange. Il est utilisé pour configurer un assistant IA métier, par exemple ne répondre qu'à partir des documents fournis ou refuser certains sujets, sans avoir à répéter ces règles à chaque message. C'est l'un des premiers leviers, avec le prompt engineering, pour cadrer le comportement d'un assistant avant d'envisager un fine-tuning.
T
Température
La température est un paramètre qui contrôle le degré de hasard dans les réponses générées par un modèle de langage : une température basse produit des réponses plus prévisibles et cohérentes, une température élevée favorise des réponses plus variées, voire créatives. Pour un usage métier qui demande de la fiabilité et de la constance, comme l'extraction de données ou la classification, une température basse est généralement préférable. Pour des tâches de rédaction créative ou de brainstorming, une température plus élevée peut au contraire être recherchée.
Tokenjeton
Un token (jeton) est l'unité de base sur laquelle un modèle de langage découpe un texte pour le traiter, correspondant généralement à un mot, une partie de mot ou un signe de ponctuation. La taille de la fenêtre de contexte d'un modèle et le coût d'une requête se mesurent tous les deux en nombre de tokens, ce qui explique l'attention portée au volume de texte réellement transmis dans un prompt ou récupéré par un RAG. En français, un mot correspond en moyenne à un peu plus d'un token, un repère utile pour estimer le coût d'un usage donné.
Transformerarchitecture Transformer
Le Transformer est l'architecture de réseau de neurones, introduite en 2017 par des chercheurs de Google, sur laquelle reposent la quasi-totalité des grands modèles de langage actuels. Son innovation principale, le mécanisme d'attention, permet au modèle de pondérer l'importance de chaque mot d'un texte par rapport à tous les autres, plutôt que de les traiter dans un ordre strictement séquentiel. C'est cette architecture qui a rendu possible l'entraînement de modèles à l'échelle de GPT, Claude ou Mistral sur d'immenses volumes de texte.
V
Vibe codingdéveloppement assisté par IA
Le vibe coding est une pratique de développement logiciel où l'on décrit en langage naturel le résultat souhaité à un assistant IA de code, qui génère et ajuste le code correspondant de façon itérative, avec un contrôle humain allégé sur le détail de chaque ligne produite. Elle accélère considérablement la création d'un prototype, mais un code produit ainsi nécessite généralement une phase de revue et d'industrialisation avant un déploiement en production sérieux. C'est une distinction importante à connaître avant de confondre un prototype rapide avec un produit prêt à l'usage.
W
Watermarkingmarquage de contenu IA
Le watermarking est une technique qui insère une marque, visible ou statistique, dans un contenu généré par l'IA afin de permettre d'identifier son origine artificielle a posteriori. Elle répond directement aux obligations de transparence de l'article 50 de l'AI Act, applicables depuis le 2 août 2026, qui imposent d'informer un utilisateur lorsqu'il interagit avec un contenu généré ou modifié par l'IA. Le marquage reste toutefois plus robuste sur l'image ou l'audio que sur le texte, plus facile à reformuler pour effacer la trace.
Webhook
Un webhook est un mécanisme qui permet à une application d'envoyer automatiquement une information à une autre dès qu'un événement se produit, sans que cette dernière ait besoin d'interroger continuellement la première pour vérifier si quelque chose a changé. Il sert typiquement de déclencheur à un workflow d'automatisation : la réception d'un email, un nouveau formulaire rempli ou un paiement effectué peut ainsi lancer immédiatement un traitement, y compris une étape confiée à un agent IA.
Workflow
Un workflow est une séquence d'étapes prédéfinies, souvent construite visuellement dans un outil comme n8n, qui automatise un processus métier de bout en bout : réception d'une donnée, transformation, éventuel appel à un modèle d'IA, puis action finale. Il se distingue de l'agent IA par son déroulement fixe : les étapes et leur ordre sont définis à l'avance par un humain, alors qu'un agent décide dynamiquement des étapes à suivre selon la situation.
Z
Zero-shotapprentissage sans exemple
Le zero-shot désigne la capacité d'un modèle à réaliser correctement une tâche sans qu'aucun exemple de cette tâche ne lui ait été fourni dans le prompt, en s'appuyant uniquement sur ce qu'il a appris de façon générale à l'entraînement. C'est ce qui distingue un LLM généraliste récent d'un modèle plus ancien, qui devait être spécifiquement entraîné pour chaque tâche. En pratique, les résultats en zero-shot restent souvent améliorables en ajoutant quelques exemples, du few-shot, ou des instructions plus précises dans le prompt.
Pour aller plus loin
Le vocabulaire pose les bases. Ces ressources vont plus loin sur la mise en œuvre.
Pilier
Formations IA en entreprise
Tous nos formats et silos de formation IA, par métier et par outil.
Fiche sœur
Formation IA générative en entreprise
Une base transverse pour appliquer ce vocabulaire au quotidien.
Fiche sœur
Formation RAG et assistant IA interne
Cadrer un projet de RAG en s'appuyant sur les termes de ce glossaire.
Aller plus loin
Audit IA
Identifier vos cas d'usage prioritaires une fois le vocabulaire maîtrisé.
Un terme n'est pas clair, ou vous voulez aller plus loin ?
Nos formations IA en entreprise partent de ce même vocabulaire pour l'appliquer à vos outils, vos données et vos process réels.
Votre interlocuteur formation
Anas Rabhi
Ingénieur IA, data scientist et fondateur de Tensoria
Plus de six ans d'expérience sur des projets IA appliqués au métier : assistants RAG, agents, automatisations et traitement documentaire. Le cadrage de chaque formation part de vos usages, de vos outils et des contraintes réelles de vos équipes.
Selon le sujet, la session est animée par Anas ou par un formateur spécialisé sélectionné pour son expérience pratique de l'outil et du métier concernés.
Découvrir son parcoursInformations pratiques communes
Un cadre clair avant, pendant et après la session
Le programme détaillé remis avec le devis précise les adaptations propres à votre public, à vos objectifs et à la formation choisie.
Avant
Diagnostic et délai d'accès
Entretien de cadrage, questionnaire de niveau et collecte des cas d'usage. La date est confirmée selon les disponibilités des participants et du formateur, généralement sous deux à six semaines après validation.
Pendant
Pédagogie et effectif
Démonstrations courtes, pratique guidée et ateliers sur vos documents. Pour préserver l'accompagnement, nous recommandons 6 à 10 participants par groupe, avec un maximum défini au devis.
Validation
Évaluation des acquis
Positionnement initial, exercices pratiques, mise en situation sur un cas métier et bilan de fin de session. Une attestation de réalisation et une synthèse des acquis peuvent être remises.
Livrables
Des supports directement réutilisables
Support pédagogique, exercices, modèles ou bibliothèque de prompts selon le programme, plus les productions réalisées pendant les ateliers lorsque leur partage est autorisé.
Accessibilité et financement
Une adaptation peut être étudiée pour les personnes en situation de handicap : signalez vos besoins à contact@tensoria.fr afin de vérifier les aménagements possibles. Toutes nos formations sont éligibles Qualiopi ; la prise en charge éventuelle par votre OPCO dépend de ses règles, de votre branche et des fonds disponibles.
Tarif sur devis
Le tarif dépend de la durée, du nombre de groupes, du niveau de personnalisation, du lieu et du suivi demandé. Ces postes sont détaillés séparément dans la proposition, sans coût caché.
Programme et devis
Construisons le bon format pour votre équipe
Décrivez votre niveau, votre effectif et votre contexte. Nous adaptons la durée, les outils, les exercices et le rythme aux besoins de votre entreprise.
Financement
Formation éligible Qualiopi · financement OPCO possible selon votre situation.