Ce lexique rassemble 61 définitions pour comprendre l’intelligence artificielle telle qu’elle s’utilise en 2026 : les bases, les modèles de langage, les prompts, les agents, la création d’images et de vidéos, et le cadre légal européen. Chaque terme est expliqué en deux ou trois phrases, sans jargon inutile, avec un exemple ou un outil réel quand ça aide. Les définitions sont classées par thème, de la base vers le spécialisé : tu peux lire dans l’ordre ou sauter directement au mot qui t’intéresse.
Les bases
Intelligence artificielle (IA)
L’intelligence artificielle désigne des programmes informatiques capables d’accomplir des tâches qui demandaient jusqu’ici l’intelligence humaine : comprendre un texte, reconnaître une image, tenir une conversation, décider. Le terme couvre tout un spectre, du filtre anti-spam de ta boîte mail jusqu’aux assistants conversationnels. Pour une explication complète, on a écrit un guide entier sur l’intelligence artificielle.
IA générative
Une IA qui produit du contenu nouveau (texte, image, son, vidéo, code) au lieu de se contenter d’analyser l’existant. C’est la famille qui a tout changé depuis ChatGPT fin 2022. À distinguer de l’IA prédictive, qui estime (une fraude probable, un stock à commander) sans rien créer.
Machine learning (apprentissage automatique)
La méthode qui permet à un programme d’apprendre à partir d’exemples plutôt que de suivre des règles écrites à la main. On montre des millions de cas au système, il en tire des régularités statistiques. Tout le reste du lexique ou presque repose sur cette idée.
Deep learning (apprentissage profond)
Une branche du machine learning qui empile des couches de neurones artificiels pour traiter des données complexes : images, sons, langage. C’est la percée de 2012 qui a relancé toute la discipline, et la technologie derrière les modèles actuels.
Réseau de neurones
La structure mathématique inspirée (de loin) du cerveau : des « neurones » organisés en couches, reliés par des connexions dont la force se règle pendant l’entraînement. Aucune biologie là-dedans : ce sont des multiplications de matrices, mais l’image aide à visualiser.
Algorithme
Une suite d’instructions qui transforme des données d’entrée en résultat. Le mot est devenu fourre-tout (« l’algorithme d’Instagram ») ; en IA, il désigne la recette d’apprentissage ou de décision. Un algorithme n’est ni intelligent ni bête : il fait ce pour quoi il a été conçu et entraîné.
Modèle
Le résultat concret d’un entraînement : un fichier (souvent énorme) qui contient tout ce que le système a appris. Quand tu utilises ChatGPT ou Claude, tu envoies ton texte à un modèle qui calcule une réponse. On dit « le modèle » comme on dirait « le moteur » d’une voiture.
Entraînement
La phase où le modèle apprend, en ajustant des milliards de réglages internes sur d’immenses volumes de données. C’est long, coûteux en calcul et en électricité, et réalisé une fois en amont par l’éditeur. Toi, tu n’utilises jamais un modèle en entraînement : tu utilises le résultat.
Inférence
La phase d’utilisation du modèle : il reçoit ta demande et produit sa réponse. Chaque message que tu envoies à un chatbot déclenche une inférence. C’est ce que facturent les fournisseurs d’API, généralement au volume de tokens traités.
Données d’entraînement
Les textes, images ou sons utilisés pour apprendre au modèle. Leur origine fait débat : droits d’auteur, données personnelles, contenus aspirés du web. C’est aussi un critère de choix d’outil : certains éditeurs s’entraînent par défaut sur ce que tu leur envoies, d’autres jamais. On documente ce point dans chacune de nos fiches outils.
IA étroite (ANI)
Une IA conçue et performante pour un domaine délimité : traduire, jouer aux échecs, générer des images, coder. Tout ce que tu utilises aujourd’hui est de l’IA étroite, même quand elle paraît générale parce qu’elle parle bien.
AGI (intelligence artificielle générale)
Le stade hypothétique où une IA raisonnerait au niveau humain sur n’importe quel sujet, apprendrait seule et transférerait ses connaissances d’un domaine à l’autre. Les grands labos en font leur objectif affiché ; personne ne s’accorde ni sur la date ni même sur la définition exacte. À traiter comme un horizon, pas comme un produit.
Les modèles de langage
LLM (grand modèle de langage)
Un modèle entraîné sur d’énormes corpus de texte pour prédire la suite d’une séquence de mots. De cette capacité simple en apparence découlent la conversation, la rédaction, la traduction, le code. GPT, Claude, Gemini, Mistral, DeepSeek : tous des LLM.
Transformer
L’architecture de réseau de neurones inventée en 2017 (l’article « Attention is all you need » de Google) qui a rendu les LLM possibles. Sa force : traiter tous les mots d’un texte en parallèle en pesant leurs relations, au lieu de lire mot à mot. Le « T » de GPT, c’est lui.
Token
L’unité de découpage du texte pour un modèle : un mot court, un morceau de mot, un signe de ponctuation. En français, compte grossièrement 1 token pour 3 à 4 caractères. Les limites et les prix des modèles s’expriment en tokens, d’où l’intérêt de comprendre l’unité.
Fenêtre de contexte
La quantité maximale de tokens qu’un modèle peut garder « en tête » dans un échange : ta question, ses réponses précédentes, les documents fournis. Dépassée, le modèle oublie le début. Les fenêtres actuelles se comptent en centaines de milliers de tokens, assez pour des livres entiers, mais la qualité d’attention baisse souvent bien avant la limite.
Paramètres
Les réglages internes appris pendant l’entraînement, ceux qui encodent la « connaissance » du modèle. On en compte des milliards, et leur nombre sert d’indicateur de taille (un modèle « 27B » a 27 milliards de paramètres). Plus gros ne veut plus dire meilleur : l’efficacité de l’entraînement compte désormais autant que la taille.
Poids ouverts (open weights)
Un modèle dont le fichier de paramètres est téléchargeable : tu peux le faire tourner sur tes machines, le modifier, le distribuer selon la licence. Llama, Mistral, DeepSeek ou Qwen publient des poids ouverts. Ce n’est pas tout à fait « open source » : les données et recettes d’entraînement restent souvent secrètes.
Open source (en IA)
Au sens strict : code, poids et si possible données d’entraînement publics. Dans l’usage courant, le terme est employé (abusivement) pour tout modèle à poids ouverts. L’enjeu est réel : l’open source permet l’auto-hébergement, l’audit et l’indépendance vis-à-vis des géants américains.
Modèle de raisonnement
Un LLM entraîné à « réfléchir avant de répondre » : il produit un raisonnement interne étape par étape avant sa réponse finale. Apparus fin 2024 puis généralisés en 2025, ces modèles excellent en maths, code et logique, au prix d’un temps de réponse et d’un coût plus élevés. La bascule de DeepSeek R1 début 2025 a montré que ce niveau n’était plus réservé aux labos américains.
Fine-tuning
Ré-entraîner légèrement un modèle existant sur des données ciblées pour le spécialiser : ton ton de marque, ton domaine métier, ton format de sortie. Utile en entreprise, mais souvent remplacé avantageusement par un bon prompt et du RAG, bien moins coûteux à maintenir.
RLHF
Reinforcement Learning from Human Feedback : la technique qui aligne un modèle brut sur ce que les humains jugent utile et acceptable, en le récompensant pour les bonnes réponses. C’est l’étape qui a transformé les LLM de laboratoires en assistants utilisables, ChatGPT en tête.
Distillation
Entraîner un petit modèle à imiter les réponses d’un grand, pour obtenir une version plus rapide et moins chère qui garde une bonne partie du niveau. C’est comme ça qu’existent des modèles compacts corrects sur téléphone ou en local.
Benchmark
Un test standardisé pour comparer les modèles : maths, code, culture générale, raisonnement. Utile pour situer, à manier avec recul : les éditeurs optimisent pour les benchmarks, et un bon score ne garantit pas que le modèle soit bon sur TA tâche. Rien ne remplace un essai sur tes propres cas.
Multimodal
Se dit d’un modèle qui traite plusieurs types de données : texte, image, audio, vidéo, en entrée comme en sortie. Envoyer la photo d’un document et poser une question dessus, c’est de la multimodalité. C’est devenu le standard des grands assistants.
Embedding
La transformation d’un texte (ou d’une image) en vecteur de nombres qui capture son sens. Deux textes proches par le sens ont des vecteurs proches : c’est la base de la recherche sémantique et du RAG. Invisible pour l’utilisateur, partout dans les coulisses.
Utiliser l’IA au quotidien
Prompt
L’instruction que tu donnes à une IA : question, consigne, exemple, contexte. La qualité de la réponse dépend directement de la qualité du prompt, c’est la compétence de base à acquérir. Nos formations IA commencent exactement là.
Prompt engineering
L’art d’écrire des prompts efficaces : donner un rôle, du contexte, des exemples, un format de sortie attendu. Moins mystérieux qu’il n’y paraît : 80 % du résultat vient de consignes claires et d’exemples concrets, comme avec un collaborateur humain.
System prompt
Les instructions permanentes données au modèle avant même ton premier message : son rôle, ses règles, son ton. C’est ce qui différencie un assistant générique d’un assistant configuré pour ton métier. Dans les outils pros, tu peux souvent le personnaliser.
Température
Le réglage qui dose la part d’aléatoire dans les réponses : basse, le modèle reste factuel et prévisible ; haute, il varie et ose davantage. Réglable surtout via les API. Pour du factuel ou du code, on la baisse ; pour du brainstorming, on la monte.
Hallucination
Quand un modèle affirme avec assurance quelque chose de faux : source inventée, chiffre fantaisiste, fonction de code inexistante. Ce n’est pas un bug mais une conséquence de son fonctionnement statistique : il produit du plausible, pas du vérifié. La parade : lui faire citer ses sources, croiser, et ne jamais publier sans vérification humaine.
RAG (Retrieval-Augmented Generation)
La technique qui branche un LLM sur tes documents : au lieu de répondre de mémoire, il va d’abord chercher les passages pertinents dans ta base (via les embeddings), puis rédige à partir d’eux. C’est le standard pour les assistants d’entreprise fiables, parce que les réponses sont sourcées et à jour.
Chatbot
Une interface de conversation avec une IA. Le mot recouvre le meilleur (les grands assistants type ChatGPT) comme le pire (les widgets de support qui tournent en rond). Depuis 2023, le chatbot est devenu la porte d’entrée grand public vers les LLM.
Assistant IA (copilote)
Une IA intégrée dans un outil de travail pour t’épauler en contexte : suggérer du code dans l’éditeur, résumer une réunion, rédiger un brouillon d’email. La logique « copilote » (l’humain garde la main) domine le marché pro, des suites bureautiques aux éditeurs de code comme Cursor.
Chaîne de raisonnement (chain of thought)
Le fait de faire raisonner le modèle étape par étape avant de conclure, soit en le demandant dans le prompt, soit nativement dans les modèles de raisonnement. Sur un calcul ou un problème logique, ça change souvent tout.
Jailbreak
Un prompt conçu pour contourner les garde-fous d’un modèle et lui faire produire ce qu’il devrait refuser. Jeu du chat et de la souris permanent entre éditeurs et utilisateurs malins ; à connaître comme notion de sécurité, notamment si tu déploies un chatbot public.
Agents et automatisation
Agent IA
Une IA qui ne se contente pas de répondre : elle enchaîne des actions pour atteindre un objectif, avec des outils (navigateur, fichiers, API) et plusieurs étapes de décision. « Réserve-moi un créneau et envoie l’invitation » relève de l’agent ; « rédige un email » relève de l’assistant. C’est LE virage de 2025-2026, et la raison d’être de protocoles comme MCP.
Agentique
L’adjectif qui désigne tout ce qui touche aux agents : workflow agentique, IA agentique. Derrière le buzzword, un critère simple : le système prend-il des décisions intermédiaires et exécute-t-il des actions, ou produit-il juste du contenu ?
MCP (Model Context Protocol)
Le protocole ouvert, lancé par Anthropic fin 2024 puis adopté largement en 2025, qui standardise la connexion entre une IA et des services externes : ta base de données, ton CRM, ton site WordPress. Un « serveur MCP » expose des actions qu’un assistant peut utiliser. On signale sur chaque fiche outil si un MCP officiel existe, parce que c’est devenu un vrai critère de choix.
Tool use (function calling)
La capacité d’un modèle à appeler des fonctions externes : chercher sur le web, exécuter du code, interroger une API, au lieu de tout faire « de tête ». C’est la brique technique qui transforme un générateur de texte en agent capable d’agir.
Orchestration
La coordination de plusieurs modèles, outils ou agents dans un même processus : l’un lit les emails, l’autre qualifie, un troisième répond, un humain valide. C’est le travail d’outils comme n8n ou Make quand on y branche de l’IA.
Automatisation no-code
Construire des processus automatiques sans écrire de code, en assemblant des blocs visuels. Marié à l’IA, le no-code permet à un non-développeur de monter des workflows sérieux : veille, tri d’emails, génération de contenu, reporting. Bon point d’entrée avant de coder quoi que ce soit.
API
L’interface qui permet à un programme d’utiliser un service à distance, dont les modèles d’IA : ton application envoie un prompt à l’API, reçoit la réponse, l’affiche. Facturation au token consommé. Si un outil « intègre l’IA », il parle presque toujours à une API de modèle derrière.
Vibe coding
Créer une application en décrivant ce qu’on veut à une IA, qui écrit le code, sans forcément le lire soi-même. Popularisé début 2025, le terme désigne autant une pratique libératrice (prototyper en heures) qu’un risque (du code en production que personne ne comprend). Des outils comme Lovable ou Bolt en ont fait un produit.
Computer use
La capacité d’un agent à piloter un ordinateur comme un humain : voir l’écran, cliquer, taper, naviguer entre les applications. Encore jeune mais en progrès rapide, c’est la voie pour automatiser les outils qui n’ont ni API ni MCP.
Créer avec l’IA : image, vidéo, voix
Modèle de diffusion
La famille de modèles derrière la génération d’images : ils apprennent à retrouver une image nette à partir de bruit, puis génèrent en partant de bruit pur guidés par ton prompt. Stable Diffusion a rendu la technique célèbre et accessible.
Génération d’images
Produire des images à partir d’un texte descriptif, avec un contrôle croissant : style, composition, personnages cohérents, texte lisible. Le photoréalisme est acquis depuis 2024 ; la vraie compétence se déplace vers la direction artistique. Voir nos fiches Midjourney et consorts pour choisir.
Génération vidéo
La frontière actuelle de l’IA créative : des clips de quelques secondes à quelques dizaines de secondes à partir d’un prompt ou d’une image, avec un réalisme qui progresse à chaque génération de modèles. Coûteux en calcul, encore inégal sur la physique et la cohérence longue, mais déjà exploitable en pub et réseaux sociaux.
Synthèse vocale (TTS)
Transformer un texte en voix parlée. Le niveau actuel est bluffant : intonations, émotions, multilingue, au point d’alimenter doublage, podcasts et assistants vocaux. ElevenLabs domine ce créneau.
Clonage de voix
Reproduire une voix précise à partir de quelques secondes d’enregistrement. Légitime pour doubler ta propre voix dans dix langues ; problématique quand la voix clonée n’a rien consenti. Le droit (RGPD, droit à l’image sonore) court derrière la technique.
Deepfake
Un contenu synthétique qui fait passer une personne réelle pour dire ou faire ce qu’elle n’a jamais dit ni fait. De canular à arme de désinformation et d’escroquerie (la fraude au faux dirigeant en visio existe vraiment). L’AI Act impose désormais de signaler les contenus générés.
Upscaling
Augmenter la résolution d’une image ou d’une vidéo par IA, en « inventant » les détails manquants de façon plausible. Standard en retouche photo, restauration d’archives et impression grand format.
Watermark (tatouage numérique)
Une signature invisible insérée dans les contenus générés par IA pour permettre leur identification ultérieure. Poussé par les régulateurs et adopté progressivement par les éditeurs, mais loin d’être infaillible : recadrage et compression suffisent parfois à l’effacer.
Société, droit et conformité
AI Act
Le règlement européen sur l’IA, premier du genre au monde, entré en vigueur en août 2024 et appliqué par paliers : interdictions dès 2025, obligations pour les modèles généralistes ensuite, et l’essentiel des règles « haut risque » à partir d’août 2026. Il classe les usages par niveau de risque (minimal, limité, haut risque, interdit) et impose transparence et contrôles en proportion. Si tu utilises l’IA en entreprise en Europe, tu es concerné.
RGPD et IA
Le règlement européen sur les données personnelles s’applique pleinement à l’IA : base légale pour traiter des données, information des personnes, droits d’accès et d’effacement. Les questions à poser à tout outil : où sont hébergées les données, s’entraîne-t-il dessus, propose-t-il un DPA ? On répond à ces trois questions dans chaque fiche outil.
Biais algorithmique
Quand un modèle reproduit ou amplifie les biais de ses données d’entraînement : discriminations à l’embauche, au crédit, dans la reconnaissance faciale. Ce n’est pas de la malveillance mais des statistiques : le modèle apprend le monde tel qu’il est documenté, pas tel qu’il devrait être. Se corrige en partie, se surveille toujours.
Alignement
Le champ de recherche qui vise à faire faire aux IA ce que les humains veulent vraiment, valeurs et nuances comprises, pas juste ce qui est écrit littéralement. Du réglage de ton d’un chatbot jusqu’aux questions de sécurité des futurs systèmes très capables.
Souveraineté numérique
La capacité d’un pays ou d’une organisation à maîtriser ses outils et ses données sans dépendre d’acteurs étrangers. En IA, l’Europe joue sa partie avec Mistral, les modèles à poids ouverts auto-hébergeables et un cadre légal exigeant. Sur ce site, la nationalité de l’éditeur et l’hébergement sont indiqués sur chaque fiche : c’est un critère de choix, pas un détail.
Opt-out
Le réglage qui refuse que tes conversations ou fichiers servent à entraîner les modèles de l’éditeur. Certains services n’entraînent jamais sur tes données, d’autres le font par défaut avec opt-out possible, d’autres sans opt-out du tout. Réflexe à avoir dès l’inscription, surtout en usage professionnel.
Détecteur IA
Un outil qui estime si un texte a été écrit par une IA. Verdict honnête : aucun n’est fiable, avec des faux positifs qui pénalisent de vrais auteurs et des textes IA retravaillés qui passent. À utiliser comme indice, jamais comme preuve. Notre fiche Lucide AI détaille le sujet.
Slop
Le terme (péjoratif et mérité) pour le contenu IA de masse publié sans relecture ni valeur ajoutée : articles génériques, images kitsch, vidéos vides qui saturent le web et les réseaux. L’antidote existe : vérification des faits, angle personnel, exigence éditoriale. C’est toute la différence entre utiliser l’IA et se faire remplacer par elle.
Ce lexique est mis à jour au fil des évolutions du domaine. Un terme te manque ? On maintient aussi un guide complet sur l’intelligence artificielle pour relier toutes ces notions entre elles, et un annuaire d’outils IA testés pour passer de la théorie à la pratique.
