Les mots à connaître pour mieux comprendre l'IA
Avec la présence de plus en plus forte de l'intelligence artificielle dans nos vies, un véritable vocabulaire de l'IA est apparu. Désormais, en 2026, comprendre l'IA suppose de maîtriser une dizaine de termes clés : prompt, LLM, IA générative, agent IA, RAG (récupération augmentée), MCP (protocole de connexion aux outils), token, fenêtre de contexte, hallucination et fine-tuning. Ensemble, ils expliquent comment une IA raisonne, répond, agit, et parfois se trompe.
En bref
L'intelligence artificielle regroupe des techniques permettant à un programme informatique d'imiter le comportement humain. Elle repose sur des concepts clés comme les réseaux de neurones artificiels et les algorithmes.
Le prompt désigne la requête formulée à une IA pour obtenir une réponse. Il varie selon les outils, allant d'une simple question dans un chatbot à des instructions plus complexes pour générer du contenu.
L'IA générative crée du texte, des images ou du son, contrairement aux IA classiques qui analysent ou trient des données. Des outils comme ChatGPT ou Suno en sont des exemples.
L'apprentissage supervisé nécessite une intervention humaine pour entraîner l'IA, tandis que l'apprentissage non supervisé lui permet d'apprendre seule. Cela influence sa capacité à s’adapter aux nouvelles données.
Le Big Data représente l’accumulation massive de données, essentielles pour entraîner et améliorer les intelligences artificielles.
Depuis 2025, une nouvelle génération d'outils dépasse la simple génération de contenu : les agents IA planifient et exécutent des actions pour vous (réserver, coder, chercher) afin de récupérer l'information et d'actionner de vrais outils.
Intelligence artificielle
Reprenons les bases et définissons d'abord ce qu'est l'IA. Une IA, pour intelligence artificielle, ou artificial intelligence (abrégé en AI) en anglais, désigne un ensemble de techniques pour faire en sorte qu'un programme informatique se comporte autant que possible comme un humain. Nous avons justement écrit un article dédié sur la question de l'IA : c'est quoi une IA ?
Ce qu'il faut avoir en tête en 2026, c'est que "l'IA" n'est plus un bloc monolithique. Derrière ce sigle cohabitent des IA analytiques (qui trient et classent), des IA génératives (qui créent) et des IA agentiques (qui agissent). Confondre les trois, c'est le meilleur moyen de se faire vendre une solution inadaptée par un prestataire pressé de placer le mot "IA" sur sa plaquette commerciale.
Prompt
Traduction anglaise du terme "réplique" ou "demande", le prompt désigne tout simplement la requête formulée à l'IA via son interface, comme une fenêtre de chat. Le prompt désigne par exemple votre demande envers ChatGPT comme "à quelle heure est-il le plus avantageux de lancer une lessive ?". Pour d'autres IA qui fonctionnent avec des commandes plus complexes comme Suno, le prompt désigne l'ensemble des informations renseignées dans les boîtes de dialogue avant de cliquer sur le bouton "create".
Le prompt reste la porte d'entrée, mais son rôle a changé de nature. Avec un chatbot classique, un bon prompt suffit à obtenir une bonne réponse ponctuelle. Avec un agent IA, le prompt initial ne déclenche plus une réponse mais une séquence d'actions autonomes, la qualité de la consigne pèse alors sur plusieurs étapes en cascade, pas sur une seule. C'est pour cette raison que le "prompt engineering" isolé cède peu à peu la place à l'"orchestration d'agents", une compétence plus proche de la gestion de projet que de la rédaction.
Réseau de neurones artificiels
Un réseau de neurones artificiels désigne une structure précise d'IA. Cette dernière est construite avec plusieurs algorithmes, sous forme de "couches" successives dont le but est de réfléchir de manière synchronisée. Vous l'aurez compris, un réseau de neurones artificiels cherche à imiter le cerveau humain en créant plusieurs unités de calcul et de réflexion pour une seule IA. Le but ici est d'avoir une IA plus efficace, dotée de plusieurs algorithmes capables de travailler ensemble pour apporter une réponse à des problèmes complexes. Pour aller plus loin sur le fonctionnement concret de ces structures, notre article "Les réseaux de neurones artificiels : qu'est-ce que c'est et comment ça marche ?" détaille couche par couche leur mécanique.
La quasi-totalité des modèles actuels (GPT, Claude, Gemini) repose sur une architecture particulière de réseau de neurones appelée Transformer, popularisée en 2017. Sa spécificité : elle traite tous les mots d'une phrase simultanément plutôt que les uns après les autres, ce qui lui permet de repérer des liens entre des mots très éloignés dans un texte. C'est cette architecture, et non une "intelligence" au sens strict, qui explique la fluidité impressionnante des réponses actuelles.
ChatBot
Un ChatBot, ou robot conversationnel en français, désigne un petit programme conversationnel capable d'interagir avec nous et de répondre à des questions plus ou moins complexes. Les ChatBot sont notamment utilisés sur des sites Web pour aider l'utilisateur, sous la forme d'infobulles vous proposant leur aide à diverses étapes de votre navigation : service après-vente ; service client...
Distinction essentielle à connaître aujourd'hui : un chatbot répond, un agent IA agit. Le premier reste enfermé dans la conversation, et le second peut consulter un calendrier, remplir un formulaire ou passer une commande à votre place. Beaucoup de solutions commerciales entretiennent volontairement la confusion en appelant "agent" ce qui n'est, techniquement, qu'un chatbot doté d'un script un peu plus élaboré. Avant de payer pour un "agent IA", une question suffit à trancher : l'outil peut-il déclencher une action concrète dans un autre système sans intervention humaine à chaque étape ? Si la réponse est non, ce n'est pas un agent.
IA Générative
Une IA générative désigne une IA capable de générer du texte, du son, des images, des vidéos ou tout autre contenu. Elle s'oppose aux autres IA dont le but est par exemple de classer, compiler ou trier des données et qui, par conséquent, ne génèrent aucun contenu. On peut citer comme IA génératives ChatGPT, Copilot, Gemini ou encore Suno.
En 2026, ces mêmes noms recouvrent des modèles bien plus puissants qu'au lancement de l'article : la génération de contenu s'est généralisée au-delà du texte pur, avec des modèles dits multimodaux, capables de traiter et de produire du texte, de l'image, du son et de la vidéo au sein d'une seule et même conversation, sans changer d'outil entre chaque type de contenu. Concrètement, on peut aujourd'hui décrire une scène à l'oral, obtenir une image générée, puis demander une variation en s'appuyant directement sur cette image, dans le même fil de discussion.
IA agentique et agent IA
C'est le terme qui structure le plus le vocabulaire de l'IA depuis 2025. Un agent IA est un système capable de percevoir un objectif, de planifier plusieurs étapes pour l'atteindre, puis d'exécuter ces étapes en mobilisant des outils externes (un moteur de recherche, un tableur, une messagerie, une API), sans qu'un humain valide chaque action une à une. On parle d'IA agentique pour désigner cette famille d'IA capables d'autonomie d'action, par opposition aux IA génératives "classiques" qui se contentent de répondre à une requête ponctuelle.
Un exemple concret aide à fixer les idées : demandez à un chatbot classique de "trouver un billet de train pour Lyon vendredi et de vous proposer trois options" ; il vous répondra probablement qu'il n'a pas accès à un site de réservation en temps réel (même si des progrès sont faits très rapidement dans cette catégorie d'action). Demandez la même chose à un agent IA correctement connecté, et il consultera lui-même le site, comparera les horaires, et reviendra avec une recommandation argumentée, voire ira jusqu'à préremplir la réservation en attendant votre validation finale.
RAG (génération augmentée par récupération)
Le RAG (Retrieval-Augmented Generation, ou "génération augmentée par récupération") est une technique qui permet à un modèle d'IA d'aller chercher des informations dans une base de données externe (documents internes, base de connaissances, site web) avant de formuler sa réponse, plutôt que de se reposer uniquement sur ce qu'il a mémorisé pendant son entraînement.
L'intérêt est concret : sans RAG, un modèle répond avec des connaissances figées à sa date d'entraînement et peut inventer des faits par méconnaissance du sujet précis posé. Avec RAG, il consulte d'abord la source pertinente, par exemple la documentation interne d'une entreprise, puis construit sa réponse à partir de ce contenu vérifiable, avec la possibilité de citer ses sources. C'est la technique qui permet à un assistant d'entreprise de répondre correctement à des procédures internes qu'aucun modèle public n'a jamais vues.
MCP (Model Context Protocol)
Le MCP, pour Model Context Protocol, est un protocole ouvert introduit par Anthropic fin 2024 et depuis largement adopté par le secteur (OpenAI, Google, Microsoft, ou encore des plateformes comme Figma et Replit l'ont intégré). Son rôle : standardiser la façon dont un modèle d'IA se connecte à des outils et des sources de données externes, un calendrier, une messagerie, une base de données, un CRM.
Avant le MCP, chaque connexion entre un modèle et un outil externe nécessitait un connecteur développé sur mesure, multiplié par le nombre d'outils et de modèles à relier entre eux. Le MCP remplace cette mécanique par un standard unique, souvent comparé à un "USB-C de l'IA" : un seul type de connexion, compatible avec tous les systèmes qui l'implémentent.
Le MCP est l'une des briques à l'origine de la montée en puissance des agents IA : sans un moyen standardisé de brancher un modèle sur de vrais outils, l'autonomie d'action resterait une promesse théorique. C'est ce protocole qui rend techniquement possible, par exemple, qu'un assistant IA lise vos e-mails, consulte votre agenda et rédige une réponse cohérente avec les deux, au sein d'une même requête.
Modèle de langage
Un modèle de langage désigne un programme capable d'imiter l'humain en le comprenant après l'avoir analysé. Il existe plusieurs modèles de langage, et leur mission est de traduire notre langue pour que la machine la comprenne. Ces modèles de langage sont désormais si perfectionnés que l'IA parvient à prendre des phrases dans leur globalité pour en comprendre le sens général. Elle ne se contente plus de répondre en mettant des mots les uns derrière les autres. Notre article dédié, Modèles de langage (LLM) : c'est quoi et que se passe-t-il vraiment quand une IA vous répond ?, détaille ce mécanisme étape par étape.
Le terme technique à connaître est LLM (Large Language Model, "grand modèle de langage"), utilisé indifféremment avec "modèle de langage" dans la plupart des conversations. C'est le moteur qui se cache derrière ChatGPT, Claude ou Gemini : un modèle entraîné sur d'immenses volumes de texte, dont la "taille" se mesure en milliards, voire en billions de paramètres, les valeurs internes ajustées pendant l'entraînement pour capter les régularités du langage. Plus un modèle a de paramètres, plus il est capable de nuances, mais plus il coûte cher à faire fonctionner (calcul, mémoire, énergie) : ce compromis taille/coût explique pourquoi chaque éditeur propose désormais plusieurs versions d'un même modèle (une version "légère" rapide et économique, une version "complète" plus puissante mais plus lente).
Algorithme
Un algorithme, c'est le processus qui permet d'obtenir un résultat avec des données. En bref, l'algorithme est le chemin ou le processus qui permet d'obtenir un résultat. Par exemple, si vous devez monter un meuble que vous venez d'acheter, les données de base désignent les planches et les vis, l'algorithme la phase de construction et le résultat le meuble monté !
Token
Un token est l'unité de base que manipule un modèle de langage : pas exactement un mot, plutôt un fragment de mot ou de phrase (en français, un mot représente en moyenne 1,3 à 1,5 token). Chaque prompt que vous envoyez et chaque réponse que l'IA génère sont d'abord découpés en tokens avant d'être traités. C'est aussi l'unité sur laquelle sont facturés la plupart des accès professionnels à ces modèles (via une API).
Fenêtre de contexte
La fenêtre de contexte désigne la quantité totale d'informations (en tokens) qu'un modèle peut "garder en tête" au même moment, votre question, l'historique de la conversation, et éventuellement des documents fournis. Une fenêtre de contexte trop courte oblige le modèle à "oublier" le début d'une longue conversation ; les modèles les plus récents disposent désormais de fenêtres de contexte de plusieurs centaines de milliers de tokens, permettant d'analyser d'un coup un document volumineux ou plusieurs heures d'échange.
Une fenêtre de contexte large n'est pas une garantie de qualité : trop d'informations non pertinentes qui l'encombrent peuvent en réalité dégrader la réponse et favoriser les hallucinations, plutôt que les éviter. La vraie compétence, pour qui travaille sérieusement avec l'IA, consiste à nettoyer et prioriser ce qu'on lui transmet, pas à tout lui donner en espérant qu'elle triera seule.
Hallucination
Une hallucination, en IA, désigne une réponse formulée avec assurance par un modèle alors qu'elle est fausse, inventée ou non vérifiable : une date erronée, une citation qui n'existe pas, une fonctionnalité de logiciel imaginaire présentée comme réelle... Le terme vient de la façon dont le modèle "invente" une information plausible pour combler un manque, exactement comme il générerait n'importe quelle autre suite de mots statistiquement cohérente. Notre article : Hallucinations, biais et erreurs : ce que l'IA ne vous dit pas et pourquoi c'est sérieux revient en détail sur ce phénomène et ses conséquences concrètes.
Un discours rassurant circule beaucoup : les hallucinations seraient un problème de jeunesse, en voie de disparition à mesure que les modèles progressent. La réalité est plus nuancée et mérite d'être dite clairement : un LLM fonctionne en prédisant le mot statistiquement le plus probable, pas en vérifiant des faits dans une base de vérité. Tant que cette mécanique de fond reste la même, l'hallucination n'est pas un bug ponctuel à corriger, mais une caractéristique structurelle de la technologie, qui se réduit avec le RAG, la vérification croisée des sources et l'entraînement, mais ne s'annule jamais complètement. La bonne posture n'est donc pas d'attendre sa disparition, mais d'intégrer une vérification systématique dans tout usage professionnel ou sensible.
Apprentissage supervisé et apprentissage non supervisé
L'apprentissage supervisé est un apprentissage de l'IA contrôlé par l'humain. Son but est d'entraîner une intelligence artificielle à repérer des similarités et des différences dans des données, parfois précises. L'apprentissage supervisé est par exemple utilisé pour créer des IA capables de détecter les spams. En leur montrant manuellement les mails frauduleux et légitimes, elles sont ensuite capables de trier de façon autonome lesdits mails.
L'apprentissage non supervisé, lui, se fait sans intervention humaine. L'IA doit donc réussir à traiter les données seule pour s'adapter et interpréter les données qu'elle a à sa disposition. Cette méthode est utilisée pour les algorithmes de recommandation personnalisés, comme sur les applications de musique ou de streaming.
Quelle est la différence entre une IA qui a été supervisée et une autre qui ne l'a pas été ? L'IA avec un apprentissage supervisé n'est pas capable de prédire de nouveaux contenus et doit être mise à jour de manière "manuelle". L'IA qui aura bénéficié d'un apprentissage non supervisé sera plus à même de s'adapter à de nouvelles données, comme un utilisateur sur une plateforme de streaming vidéo qui se mettrait à regarder des films d'horreur alors qu'il n'en visionnait pas jusqu'à présent. Elle sera alors capable de lui recommander ce genre de films.
Pour en savoir plus sur ce sujet, on vous invite à consulter notre article dédié : Supervisé, non supervisé, par renforcement... c'est quoi l'apprentissage d'une IA ?
Fine-tuning (ajustement fin)
Le fine-tuning, ou ajustement fin, consiste à repartir d'un modèle déjà entraîné sur un immense volume de données générales, puis à le réentraîner sur un jeu de données plus restreint et spécialisé, pour le spécialiser sur une tâche ou un domaine précis (le droit, la médecine, le service client d'une entreprise donnée). C'est une alternative plus rapide et moins coûteuse que d'entraîner un modèle entièrement à partir de zéro.
Dans la pratique professionnelle actuelle, le fine-tuning recule au profit du RAG pour une raison simple : le RAG permet de mettre à jour les connaissances d'un modèle en changeant simplement les documents source, alors qu'un modèle affiné doit être réentraîné à chaque évolution des données. Le fine-tuning garde toutefois un intérêt spécifique que le RAG ne couvre pas : il permet d'ajuster durablement le style, le ton ou le raisonnement d'un modèle, pas seulement les faits qu'il connaît.
Big Data
Le terme "Big data" désigne un ensemble massif de données regroupées. Cet ensemble est si massif et important sur le plan informationnel et informatique qu'il est alors appelé "Big Data". On peut par exemple citer les informations de santé des habitants d'un pays ou d'un continent, les informations bancaires d'une grande société, etc. Le Big Data désigne également par extension un phénomène d'accumulation des données, parfois également appelées mégadonnées.
Voire aussi : ChatGPT : qu'est-ce que c'est et comment l'utiliser ?
Apprentissage automatique, continu et fédéré
L'apprentissage automatique est un terme qui désigne la capacité d'une IA d'apprendre automatiquement à partir de données, via un ou plusieurs modèles mathématiques donnés. Autrement dit, une IA dotée d'un apprentissage automatique bénéficie d'un ou plusieurs modèles mathématiques lui expliquant comment traiter des données. Une fois ce "manuel d'utilisation" appris, elle est capable d'apprendre toute seule à partir de données.
L'apprentissage continu désigne quant à lui la capacité d'une intelligence artificielle à continuer à apprendre et à s'enrichir en permanence, même quand elle est en marche.
Enfin, l'apprentissage fédéré consiste en un modèle bien particulier de création d'une IA. Plusieurs individus ou organismes entraînent une IA, sans communiquer leurs résultats aux autres groupes. Les résultats ne sont partagés qu'avec une entité organisatrice, qui se charge de mettre en commun et de synchroniser de manière cohérente toutes les données récoltées pour créer une intelligence artificielle efficace.
L'apprentissage fédéré mérite un peu plus d'attention qu'une simple curiosité technique : c'est l'une des rares approches qui permettent d'entraîner une IA performante sans centraliser les données sensibles des utilisateurs sur un serveur unique, un enjeu concret pour la santé ou la banque, où la réglementation limite fortement la circulation des données personnelles. C'est une piste sérieuse pour concilier progrès des modèles et respect de la vie privée, bien plus qu'un simple détail d'architecture réservé aux ingénieurs.
FAQ
Quels sont les termes fondamentaux à connaître en IA ?
L'intelligence artificielle repose sur trois piliers d'apprentissage emboîtés :
IA (intelligence artificielle) : domaine englobant les technologies capables de simuler l'intelligence humaine.
Machine Learning (Apprentissage automatique) : Sous-ensemble de l'IA où l'ordinateur apprend à réaliser une tâche à partir de données, sans programmation explicite.
Deep Learning (apprentissage profond) : technicité du Machine Learning utilisant des réseaux de neurones artificiels à plusieurs couches pour analyser des données complexes (images, voix, texte).
Quelle est la différence entre IA générative et IA traditionnelle ?
L'IA traditionnelle (ou prédictive) analyse et classifie des données existantes (ex. : détecter un spam ou prédire le temps de trajet sur un GPS).
L'IA générative crée de nouveaux contenus originaux (texte, image, code, audio, vidéo) à partir des modèles statistiques appris lors de son entraînement (ex. : ChatGPT, Midjourney, Suno).
Qu'est-ce qu'un LLM (Large Language Model) ?
Un LLM (grand modèle de langage) est un type d'IA générative entraîné sur d'immenses volumes de textes pour comprendre, traduire et générer du langage humain de manière fluide et contextuelle.
C'est quoi un prompt et pourquoi est-ce crucial ?
Un prompt est la consigne (texte, image ou fichier) fournie à une IA pour lui demander d'exécuter une tâche.
Le Prompt Engineering désigne l'art de formuler ces consignes avec précision (rôle, contexte, contraintes, format souhaité) pour obtenir la réponse la plus pertinente possible.
Que signifie "Hallucination" dans le jargon de l'IA ?
Une hallucination désigne le phénomène par lequel un modèle d'IA génère une affirmation fausse ou totalement inventée avec une assurance persuasive. Cela survient lorsque le modèle cherche à prédire le mot le plus logique sans vérifier la réalité des faits.
Qu'appelle-t-on RAG (Retrieval-Augmented Generation) ?
Le RAG (Génération augmentée par récupération) est une méthode qui relie un modèle d'IA à des sources d'informations externes précises et vérifiées (bases de données internes, documents PDF, articles récents) pour limiter les hallucinations et fournir des réponses à jour.
Commentaires