Notions clés de l’IA
Les termes clés de l’IA,
expliqués pour décider
Cinquante-trois notions, du LLM à l’AI Act. Pour chacune : ce qu’elle désigne, ce qu’elle change pour votre décision et la question à poser avant d’investir.
Ceux qui vendent l’IA écrivent souvent son vocabulaire. Nous le reprenons du côté de celui qui décide et qui répond des résultats.
Par Spentia · Révisé le 25 octobre 2026 · Sources citées dans chaque fiche
Chaque fiche répond à cinq questions
1
Qu’est-ce que c’est ?
2
Qu’est-ce que cela change pour votre décision ?
3
Avec quoi ne pas le confondre ?
4
Quelle question poser avant de vous engager ?
5
Où aller plus loin ?
Cinq décisions, cinq portes d’entrée
Par où commencer ? Suivez votre situation.
Trois parcours, dans l’ordre où les questions se posent.
Vous lancez un premier projet
Vos équipes utilisent déjà l’IA
Porte 1 · 8 termes
Investir : que gagne réellement l’entreprise ?
ROI d’un projet IA
Aussi :
retour sur investissement, coût total (TCO)
Le ROI d’un projet IA compare la valeur estimée après tous les coûts au montant investi. Licences, intégration, vérification et formation entrent dans les coûts.
À demander
Avez-vous mesuré la situation de départ ?
Cas d’usage
Aussi :
use case
Un cas d’usage décrit une tâche précise, les personnes qui la font et le gain que l’IA doit apporter.
À demander
Quelle tâche, pour qui, avec quel gain mesurable ?
Hallucination
Aussi :
hallucination IA
Une hallucination est une réponse fausse qu’un modèle présente avec assurance. Elle impose une vérification humaine, qui a un coût.
À demander
Qui vérifie, et combien de temps cela prend-il ?
Token et coût d’inférence
Aussi :
jeton
Le token est l’unité de texte que traite un modèle et que les API facturent. Avec une facturation à l’usage, le coût d’inférence suit le volume traité, pas le nombre de licences.
À demander
Que devient la facture si l’usage double ?
Impact environnemental de l’IA
Aussi :
empreinte carbone de l’IA, IA et environnement
L’impact environnemental de l’IA désigne l’électricité, l’eau et le matériel que consomment l’entraînement et l’usage des modèles, et les émissions qui en résultent. Il croît avec le volume et la complexité des usages.
À demander
Quelle empreinte, et selon quelle méthode ?
GEO (référencement dans les réponses de l’IA)
Aussi :
generative engine optimization, AEO, référencement IA
Le GEO regroupe les pratiques qui visent à faire citer une entreprise et ses pages dans les réponses des assistants d’IA, comme ChatGPT, Perplexity ou les Aperçus IA de Google.
À demander
Sur quelles questions voulez-vous être cité, et que vous rapporte une citation ?
World model et IA physique
Aussi :
modèle du monde, physical AI
Un world model apprend comment un environnement évolue et prédit la suite d’une action. L’IA physique, celle des robots et des véhicules autonomes, peut s’en servir pour s’entraîner en simulation.
À demander
Quels essais réels valideront ce que la simulation promet ?
Test-time compute (calcul à l’inférence)
Aussi :
calcul à l’inférence, test-time scaling, inference scaling
Le test-time compute est le calcul qu’un modèle d’IA dépense en plus au moment de répondre : il réfléchit plus longtemps, compare plusieurs réponses ou vérifie ses étapes. La qualité progresse souvent, la facture aussi.
À demander
Combien coûte une tâche réussie, réflexion comprise ?
Porte 2 · 14 termes
Choisir : de quelle technologie avons-nous besoin ?
LLM
Aussi :
grand modèle de langage
Un LLM, ou grand modèle de langage, produit du texte à partir de ce qu’il a appris sur de vastes corpus. Il sert de moteur aux assistants et aux agents.
À demander
Quel modèle pour quelle tâche, et pouvez-vous en changer ?
IA générative
Aussi :
GenAI
L’IA générative produit du texte, des images ou du code à partir d’une consigne.
À demander
Avez-vous besoin de produire, ou de prévoir ?
IA prédictive et machine learning
Aussi :
apprentissage automatique
L’IA prédictive apprend sur vos données passées pour estimer un résultat futur : une demande, un risque, une panne.
À demander
Disposez-vous d’un historique fiable ?
Assistant IA
Aussi :
chatbot
Un assistant IA répond à une demande et laisse l’action à l’utilisateur.
À demander
Vous faut-il un assistant ou un agent ?
RAG
Aussi :
génération augmentée par récupération
Le RAG relie un modèle de langage à vos documents pour qu’il réponde à partir d’eux.
À demander
Vos documents sont-ils à jour, et qui en répond ?
Fine-tuning
Aussi :
ajustement fin
Le fine-tuning réentraîne un modèle existant sur vos exemples pour modifier son comportement.
À demander
Faut-il changer le modèle, ou lui donner vos documents ?
IA open source et poids ouverts
Aussi :
open weight
Un modèle à poids ouverts se télécharge et s’héberge chez soi. Il n’est pas open source pour autant : la définition de l’Open Source Initiative exige aussi le code d’entraînement et des informations sur les données.
À demander
Pouvez-vous l’héberger vous-même, et à quel coût ?
IA frugale
Aussi :
petit modèle
L’IA frugale retient le plus petit modèle qui fait le travail, pour réduire le coût et la consommation d’énergie.
À demander
Un modèle plus petit suffirait-il ?
Benchmark IA
Aussi :
banc d’essai, LLM leaderboard
Un benchmark IA mesure des modèles sur un même jeu de tâches pour les comparer. Son score renseigne sur ces tâches, pas sur les vôtres.
À demander
Avez-vous mesuré le modèle sur vos propres tâches ?
IA multimodale
Aussi :
modèle multimodal
L’IA multimodale lit, et parfois produit, plusieurs formats dans une même requête : texte, image, son, vidéo, document scanné. Elle extrait les champs d’un formulaire photographié ou résume une réunion enregistrée.
À demander
Combien d’erreurs de lecture sur vos propres documents ?
IA vocale et agent vocal
Aussi :
voicebot, agent vocal IA
L’IA vocale comprend la parole et répond avec une voix de synthèse. Un agent vocal s’en sert pour tenir une conversation, au téléphone par exemple, et agir dans vos outils.
À demander
L’appelant sait-il qu’il parle à une IA, et peut-il joindre un humain ?
Modèle de raisonnement (reasoning model)
Aussi :
reasoning model, LLM de raisonnement
Un grand modèle de langage entraîné à écrire des étapes de raisonnement avant de répondre. Il réussit mieux les problèmes à plusieurs étapes, mais répond plus lentement et consomme plus de tokens.
À demander
Sur vos tâches, le gain du mode raisonnement justifie-t-il son délai et son coût ?
Graphe de connaissances (knowledge graph)
Aussi :
knowledge graph
Un graphe de connaissances relie des entités, comme des clients, des produits ou des contrats, par des relations nommées, souvent selon un schéma appelé ontologie. Il sert à répondre aux questions qui traversent plusieurs sources.
À demander
Quelles questions exigent de relier des données que vos systèmes séparent ?
GraphRAG
Aussi :
Graph RAG, RAG par graphe de connaissances
Le GraphRAG est un RAG qui cherche ses réponses dans un graphe des entités et de leurs relations, souvent tiré de vos documents. Il sert les questions qui relient des faits dispersés dans tout un corpus.
À demander
Quelles questions votre RAG actuel ne sait-il pas traiter ?
Porte 3 · 9 termes
Déployer : comment passer du test au service ?
Agent IA
Aussi :
IA agentique
Un agent IA enchaîne des actions dans vos outils pour atteindre un objectif, avec l’autonomie que vous lui accordez.
À demander
Quelles actions lance-t-il seul, et qui peut les annuler ?
MCP
Aussi :
Model Context Protocol
Le MCP est un standard ouvert qui relie les applications d’IA à des outils, à des sources de données et à des flux de travail.
À demander
Quels outils et quelles données l’agent peut-il atteindre ?
Human in the loop
Aussi :
supervision humaine, contrôle humain
Le human in the loop place un humain qui valide ou corrige la proposition du système avant qu’elle produise ses effets.
À demander
La personne qui valide a-t-elle le temps et l’autorité de dire non ?
POC, pilote et passage à l’échelle
Aussi :
preuve de concept, industrialisation
Le POC prouve qu’une solution fonctionne, le pilote qu’une équipe s’en sert, le passage à l’échelle que l’organisation en tire de la valeur.
À demander
Quel critère déclenche l’arrêt du projet ?
Qualité et gouvernance des données
Aussi :
data quality
La qualité des données limite la qualité des réponses. La gouvernance des données fixe qui les produit, qui les corrige et qui y accède.
À demander
Qui répond de l’exactitude de vos données ?
Prompt engineering
Aussi :
ingénierie de prompt
Le prompt engineering consiste à rédiger les consignes qui obtiennent d’un modèle la réponse attendue.
À demander
Formez-vous vos équipes, ou recrutez-vous ?
Guardrails (garde-fous de l’IA)
Aussi :
garde-fous de l’IA
Les guardrails sont les contrôles placés autour d’un modèle ou d’un agent IA pour limiter ce qu’il reçoit, ce qu’il produit et ce qu’il peut faire.
À demander
Si le modèle se trompe ou se fait piéger, qu’est-ce qui l’arrête ?
Système multi-agents
Aussi :
SMA, multi-agent IA
Un système multi-agents répartit une tâche entre plusieurs agents IA qui échangent leurs résultats. Il peut mieux traiter une tâche découpable, mais consomme plus de tokens et multiplie les points de défaillance.
À demander
Un seul agent ne suffirait-il pas ?
Routeur LLM (routage de modèles)
Aussi :
LLM router, model routing, routage de modèles
Le routeur LLM choisit, pour chaque requête, le modèle qui y répond : petit modèle, grand modèle ou modèle de raisonnement. Il arbitre entre qualité, coût, délai et confidentialité.
À demander
Qui choisit le modèle qui répond, et comment le savez-vous ?
Porte 4 · 15 termes
Maîtriser les risques : à quoi exposons-nous l’entreprise ?
Pour passer à l’action
AI Act
Aussi :
règlement européen sur l’IA
L’AI Act, le règlement européen sur l’IA, classe les usages par niveau de risque et fixe des obligations aux fournisseurs et aux déployeurs.
À demander
Pour chaque usage, êtes-vous fournisseur ou déployeur ?
Biais
Aussi :
biais algorithmique
Un biais conduit un système à traiter de façon inégale des personnes ou des situations comparables.
À demander
Sur quelles données le système a-t-il appris ?
Shadow AI
Aussi :
shadow IA
Le shadow AI désigne les outils d’IA que les salariés utilisent sans validation de l’entreprise.
À demander
Savez-vous quels outils vos équipes utilisent déjà ?
Prompt injection
Aussi :
injection de prompt
Une injection de prompt glisse des instructions dans une requête ou dans un contenu que lit le modèle, pour détourner son comportement.
À demander
Que peut faire un agent qui lit un courriel piégé ?
Souveraineté numérique
Aussi :
IA souveraine, cloud souverain
La souveraineté numérique désigne la capacité à garder la maîtrise de ses données, de ses outils et de ses fournisseurs, y compris face à des lois étrangères.
À demander
Quel droit s’applique à votre fournisseur ?
SecNumCloud
Aussi :
qualification de l’ANSSI
SecNumCloud est le référentiel de l’ANSSI qui qualifie les prestataires de cloud. Sa version 3.2 ajoute des exigences de protection contre le droit extra-européen.
À demander
Vos usages sensibles exigent-ils cette qualification ?
Cloud Act
Aussi :
extraterritorialité du droit américain
Le Cloud Act, loi américaine de 2018, oblige un fournisseur soumis au droit américain à remettre sur réquisition les données qu’il contrôle, même stockées hors des États-Unis.
À demander
Votre fournisseur relève-t-il du droit américain ?
Dépendance fournisseur
Aussi :
vendor lock-in, réversibilité
La dépendance fournisseur mesure ce qu’il vous en coûterait de changer de solution.
À demander
Combien coûte la sortie, et qui l’a chiffrée ?
RGPD et IA
Aussi :
données personnelles et IA
Le RGPD s’applique dès qu’un outil d’IA reçoit, conserve ou retient une donnée personnelle. Il fixe le rôle du fournisseur, l’analyse d’impact et les conditions de sortie des données hors de l’Union.
À demander
Que deviennent les données personnelles que vos équipes confient à l’IA ?
IA et droit d’auteur
Aussi :
copyright et IA
IA et droit d’auteur désigne les règles qui encadrent l’entraînement des modèles sur des œuvres protégées et le statut des contenus qu’ils produisent.
À demander
Que risquez-vous en publiant un contenu généré, et qui vous couvre ?
Red teaming
Aussi :
test adverse, équipe rouge
Le red teaming attaque volontairement un système d’IA, comme le ferait un adversaire, pour trouver ses failles avant sa mise en service et après chaque changement.
À demander
Qui a attaqué l’outil avec vos données et vos accès ?
Sycophantie de l’IA
Aussi :
sycophancy, complaisance de l’IA
La sycophantie pousse un modèle d’IA à donner raison à son utilisateur plutôt qu’à dire ce qui est exact. Elle fausse l’avis de l’IA quand vous lui soumettez un plan à éprouver.
À demander
Quand l’IA vous donne raison, qui vérifie qu’elle a raison ?
Deepfake (hypertrucage)
Aussi :
hypertrucage, deep fake
Un deepfake est une image, une voix ou une vidéo que l’IA fabrique pour imiter une personne réelle. Il sert notamment à usurper l’identité d’un dirigeant pour obtenir un virement.
À demander
Un appel ou une visioconférence suffit-il à déclencher un paiement ?
Tool poisoning (empoisonnement d’outil)
Aussi :
empoisonnement d’outil
Le tool poisoning cache des instructions dans la description d’un outil qu’un agent IA charge, par exemple depuis un serveur MCP. Le modèle peut les suivre sans que l’utilisateur les voie.
À demander
Qui valide les outils que vos agents chargent, et leurs mises à jour ?
Désapprentissage machine (machine unlearning)
Aussi :
machine unlearning, droit à l’oubli et IA
Le désapprentissage machine retire d’un modèle d’IA entraîné l’influence de données précises, sans tout réentraîner. Il sert au droit à l’effacement, mais son efficacité reste difficile à prouver.
À demander
Pouvez-vous retirer une donnée de ce modèle, et le prouver ?
Porte 5 · 7 termes
Organiser : comment le travail change-t-il ?
Adoption de l’IA
Aussi :
taux d’adoption
L’adoption de l’IA mesure qui utilise vraiment l’outil, pour quelles tâches et à quelle fréquence.
À demander
Vos équipes voient-elles le même résultat que la direction ?
Maîtrise de l’IA
Aussi :
AI literacy, acculturation
La maîtrise de l’IA réunit les compétences et la compréhension qui permettent d’utiliser l’IA en connaissance de cause. Le règlement IA demande aux fournisseurs et aux déployeurs de prendre des mesures pour en favoriser le développement.
À demander
Qui forme vos équipes, et sur quels usages ?
Gouvernance de l’IA
Aussi :
charte IA
La gouvernance de l’IA fixe qui décide des usages, qui les contrôle et selon quelles règles.
À demander
Qui tranche quand un usage pose problème ?
IA et compétences
Aussi :
déqualification
L’IA accélère certaines tâches et peut priver les débutants des tâches qui les formaient.
À demander
D’où viendront vos experts dans cinq ans ?
Vibe coding
Aussi :
vibe coder, création d’applications par l’IA
Le vibe coding crée un logiciel en décrivant à une IA ce que l’on veut, sans lire le code. Rapide pour un prototype, il laisse un code que personne n’a relu.
À demander
Qui relit le code avant la mise en service ?
Skills d’agents IA (Agent Skills)
Aussi :
Agent Skills, compétences d’agents IA
Une skill est un dossier d’instructions, de ressources et parfois de scripts qu’un agent IA charge quand la tâche le demande. Elle fait d’une procédure un actif réutilisable.
À demander
Qui valide une skill avant qu’un agent l’applique ?
Identité des agents IA (identité non humaine)
Aussi :
identité non humaine, non-human identity (NHI)
L’identité d’un agent IA lui donne un identifiant et des droits propres, limités à sa tâche et distincts de ceux de la personne qui le lance. Chaque action se rattache ainsi à l’agent.
À demander
Au nom de qui cet agent agit-il, et qui répond de ses droits ?
Sept confusions qui coûtent cher
Ces paires reviennent dans les comités et dans les offres des fournisseurs. Les distinguer change la décision.
Temps économisé
≠
économie réalisée
Une heure gagnée ne réduit un coût que si vous décidez de son usage.
POC réussi
≠
service exploitable
La preuve technique ne prouve ni l’usage ni la valeur.
Données en France
≠
souveraineté
Un fournisseur soumis au droit américain peut devoir livrer des données stockées en France.
Poids ouverts
≠
open source
Télécharger un modèle ne donne pas accès à tout ce qui l’a produit.
Gain affiché
≠
valeur après tous les coûts
Vérification, intégration et formation réduisent le gain annoncé.
Comment nous construisons ces fiches
Une source par affirmation.
Chaque fiche cite ses sources : textes officiels, travaux académiques, documentation des fournisseurs, études dont elle nomme le commanditaire et le périmètre.
Nos définitions signalées.
Quand une définition vient de Spentia et non d’un texte de référence, la fiche le dit.
Le droit en vigueur.
Les fiches réglementaires suivent le règlement (UE) 2024/1689, modifié par le règlement (UE) 2026/1744 du 8 juillet 2026.
Des dates réelles.
La date de révision correspond à une vérification réelle. Prochaine revue : janvier 2027.
Tous les termes, de A à Z
Un de ces termes bloque une décision ? Parlons-en.
Nos associés seniors construisent avec vous un plan d’action IA chiffré : quels projets lancer, lesquels arrêter, et la valeur estimée de chacun après tous les coûts. Conseil indépendant des éditeurs.