Lexique de l'IA : 91 mots expliqués simplement

Prompt, token, RAG, hallucination, AI Act : en réunion, les mots de l'IA arrivent plus vite que leurs définitions. On hoche la tête, on note le sigle, on cherche plus tard.

Ce lexique rassemble ces mots en trois familles, du plus courant au plus technique. Chaque famille a son guide : un robot avocat pour le droit, un robot du quotidien pour les mots qu'on entend partout, un robot ingénieur pour ce qui se passe sous le capot.

Les définitions tiennent en une ou deux phrases. Les textes européens sont cités avec leur numéro officiel, pour les retrouver sur EUR-Lex.

Le cadre juridique : les textes qui encadrent l'IA

Avant le premier prompt, il y a le droit. Ces textes européens s'appliquent selon votre secteur, votre taille et ce que vous faites des données. Le premier de la liste concerne toutes les entreprises.

RGPD (Règlement général sur la protection des données) : règlement européen (UE) 2016/679 qui encadre la collecte et l'utilisation des données personnelles. Il s'applique dès qu'une IA traite des données sur des personnes.

AI Act (règlement européen sur l'IA) : règlement (UE) 2024/1689. Il encadre l'IA selon le risque de chaque usage : certaines pratiques sont interdites, certains systèmes sont classés à haut risque, d'autres doivent prévenir l'utilisateur qu'il a affaire à une IA. Les modèles à usage général, comme ceux de ChatGPT, ont leurs propres règles. La Commission européenne résume cette logique en quatre niveaux de risque. Il concerne aussi les entreprises qui utilisent l'IA, pas seulement celles qui la conçoivent.

Système d'IA à haut risque : catégorie de l'AI Act. IA utilisée dans des domaines sensibles listés par le règlement (recrutement, crédit aux particuliers, infrastructures critiques…), ou intégrée à un produit déjà réglementé, comme certains dispositifs médicaux. Elle est soumise aux obligations les plus lourdes. Le règlement (UE) 2026/1744 a reporté ces obligations au 2 décembre 2027 pour les domaines listés à l'annexe III, et au 2 août 2028 pour les produits de l'annexe I.

Maîtrise de l'IA (AI literacy) : obligation de l'article 4 de l'AI Act. Les entreprises qui conçoivent ou utilisent de l'IA prennent des mesures pour favoriser la maîtrise de l'IA par leur personnel. Depuis la réécriture de l'article par le règlement (UE) 2026/1744, c'est une obligation de moyens : aucun niveau précis n'est exigé de chaque salarié.

Data Act : règlement (UE) 2023/2854. Il donne aux utilisateurs un droit d'accès et de partage des données générées par leurs objets connectés et facilite le changement de fournisseur cloud.

Data Governance Act : règlement (UE) 2022/868. Il organise le partage et la réutilisation des données, notamment celles détenues par le secteur public.

NIS2 (Network and Information Security, 2e version) : directive (UE) 2022/2555. Elle impose des mesures de cybersécurité et de déclaration d'incidents à un large éventail d'entreprises et d'administrations jugées importantes ou essentielles.

DORA (Digital Operational Resilience Act) : règlement (UE) 2022/2554. Il impose au secteur financier (banques, assurances, sociétés d'investissement…) et à ses prestataires informatiques de résister aux incidents numériques et de s'en remettre.

CRA (Cyber Resilience Act) : règlement (UE) 2024/2847. Il impose des exigences de cybersécurité aux produits comportant des éléments numériques (matériel et logiciel), pendant tout leur cycle de vie.

PLD (Product Liability Directive, directive sur la responsabilité du fait des produits) : directive (UE) 2024/2853. Elle étend la responsabilité des fabricants aux logiciels, y compris l'IA : un produit défectueux qui cause un dommage engage la responsabilité de celui qui l'a mis sur le marché.

DSA (Digital Services Act) : règlement (UE) 2022/2065. Il encadre les plateformes en ligne : modération des contenus illicites, transparence, protection des utilisateurs.

DMA (Digital Markets Act) : règlement (UE) 2022/1925. Il impose des règles de concurrence aux très grandes plateformes dites « contrôleurs d'accès ».

AIPD (analyse d'impact relative à la protection des données) : étude obligatoire au titre de l'article 35 du RGPD quand un traitement de données présente un risque élevé pour les personnes. Fréquente dans les projets d'IA.

CNIL (Commission nationale de l'informatique et des libertés) : autorité française qui veille au respect du RGPD.

Les mots du quotidien : ceux qu'on entend partout

Ce sont les mots des articles de presse, des démonstrations commerciales et des discussions à la machine à café. Les connaître suffit pour suivre une présentation d'outil et poser les bonnes questions au fournisseur.

Les bases

Intelligence artificielle (IA) : ensemble de techniques qui permettent à une machine d'accomplir des tâches qui demandaient jusqu'ici une intelligence humaine : comprendre un texte, reconnaître une image, prendre une décision.

IA générative : IA capable de produire du contenu nouveau : texte, image, son, vidéo, code.

Chatbot : programme avec lequel on échange par messages, comme dans une conversation.

Modèle : le « cerveau » de l'IA. Un programme entraîné sur de grandes quantités de données, qui a appris à reconnaître des schémas.

LLM (Large Language Model, grand modèle de langage) : modèle entraîné sur d'énormes volumes de texte pour comprendre et produire du langage. C'est le moteur des assistants conversationnels.

GPT (Generative Pre-trained Transformer) : trois mots, trois idées.

• Generative : il génère du contenu.
• Pre-trained : il a été pré-entraîné sur une masse de textes avant d'être spécialisé.
• Transformer : l'architecture technique sur laquelle il repose.

Token : unité de texte traitée par le modèle, souvent un morceau de mot. Sert aussi d'unité de mesure et de facturation.

Inférence : le moment où un modèle déjà entraîné produit une réponse. C'est l'IA en service.

Multimodal : se dit d'un modèle qui traite plusieurs types de contenus : texte, image, son, vidéo.

Comment elle apprend

Algorithme : suite d'instructions précises qui permet de résoudre un problème.

Machine learning (apprentissage automatique) : branche de l'IA où la machine apprend à partir d'exemples au lieu de suivre des règles écrites à la main.

Deep learning (apprentissage profond) : forme de machine learning qui utilise des réseaux de neurones à nombreuses couches.

Réseau de neurones : structure mathématique inspirée du cerveau. Des « neurones » artificiels reliés entre eux, qui transmettent et transforment l'information.

Entraînement : phase où le modèle apprend à partir de données, en ajustant ses réglages internes.

Données d'entraînement : les textes, images ou sons utilisés pour entraîner un modèle. Leur qualité influence fortement celle du modèle.

Paramètres : les réglages internes appris pendant l'entraînement, souvent des milliards. Ils donnent une idée de la taille du modèle.

Bien lui parler

Prompt : la consigne qu'on donne à l'IA. Une consigne claire, avec le contexte utile, améliore généralement la réponse.

Prompt engineering (ingénierie de prompt) : l'art de rédiger des consignes qui obtiennent de l'IA le résultat voulu.

Prompt système : consigne de fond, posée avant la conversation, qui fixe le rôle et les règles de l'IA.

Zero-shot et few-shot : en zero-shot, on demande une tâche sans donner d'exemple. En few-shot, on fournit quelques exemples pour guider la réponse.

Fenêtre de contexte : quantité de texte que le modèle peut prendre en compte en même temps dans un échange. Au-delà, il « oublie » le début.

Chaîne de pensée (chain of thought) : les étapes intermédiaires qu'un modèle produit pour résoudre un problème avant de répondre. Elles ne sont pas forcément montrées : certains outils les cachent ou n'en affichent qu'un résumé.

Modèle de raisonnement : modèle conçu pour « réfléchir » avant de répondre, plus lent mais plus fiable sur les problèmes complexes.

Ce qu'elle sait faire de plus

Agent IA : IA qui ne se contente pas de répondre. Elle agit (chercher, remplir, envoyer) pour atteindre un objectif.

Agentique : qualifie une IA ou un système capable d'enchaîner seul plusieurs actions et décisions.

Copilote : assistant IA intégré à un logiciel pour aider l'utilisateur dans ses tâches. Selon le produit, il peut aussi agir, par exemple modifier un fichier.

La brancher sur vos outils

RAG (Retrieval-Augmented Generation, génération augmentée par récupération) : on branche l'IA sur des documents choisis. Elle y cherche l'information utile, puis rédige sa réponse à partir de ce qu'elle a trouvé.

Base de connaissances : ensemble de documents structurés mis à disposition de l'IA pour qu'elle s'y réfère.

API (Application Programming Interface, interface de programmation) : porte d'entrée qui permet à un logiciel d'utiliser un service, par exemple un modèle d'IA, sans passer par son interface visuelle.

MCP (Model Context Protocol) : standard qui permet de connecter une IA à des outils et à des sources de données externes.

Fine-tuning (affinage) : réentraîner un modèle existant sur des données précises pour le spécialiser.

IA locale : modèle qui tourne sur votre propre machine ou serveur. Les données restent chez vous, à condition que le logiciel qui l'entoure n'appelle aucun service extérieur (recherche web, API, envoi de statistiques).

SLM (Small Language Model, petit modèle de langage) : modèle de langage plus léger, moins coûteux, capable de tourner sur un ordinateur ou un téléphone.

GPU (Graphics Processing Unit, processeur graphique) : puce de calcul, conçue au départ pour l'affichage, devenue l'un des principaux types de puces utilisés pour entraîner les grands modèles d'IA, et très utilisée pour les faire tourner.

Latence : délai entre la demande et la réponse.

Benchmark : test standardisé qui sert à comparer les performances des modèles.

Ouvert ou fermé

Open weight (poids ouverts) : modèle dont les paramètres sont publiés. On peut le télécharger et le faire tourner chez soi. Mais les données et la méthode d'entraînement restent souvent secrètes, et la licence peut limiter l'usage.

Open source : modèle publié avec ses paramètres, son code et suffisamment d'informations sur son entraînement pour être étudié, modifié et redistribué librement. Tout modèle open source est donc aussi open weight, l'inverse est faux.

Les risques et les garde-fous

Hallucination : réponse fausse ou inventée, formulée avec assurance.

Biais : déformation des réponses héritée des données d'entraînement ou de la conception du modèle.

Deepfake (hypertrucage) : image, vidéo ou voix générée par IA pour imiter une personne réelle.

Boîte noire : se dit d'un modèle dont on ne peut pas expliquer précisément pourquoi il donne telle réponse.

Explicabilité : capacité à comprendre et justifier les décisions d'une IA.

Garde-fous (guardrails) : règles et filtres destinés à limiter ou bloquer les contenus dangereux ou hors sujet. Ils réduisent le risque sans le supprimer.

Injection de prompt : attaque qui glisse des instructions cachées dans un contenu pour détourner le comportement de l'IA.

Jailbreak : technique pour contourner les garde-fous d'un modèle.

Red teaming : tester une IA en l'attaquant volontairement pour en trouver les failles avant qu'elles soient exploitées.

Les grandes questions

Probabiliste : le modèle calcule la probabilité de chaque suite possible, puis choisit ses mots en fonction de ces probabilités. La même question peut donc donner deux réponses différentes, et une réponse plausible n'est pas forcément exacte.

Déterministe : système qui donne toujours le même résultat pour la même entrée. Un tableur est déterministe, un LLM ne l'est pas par défaut.

Alignement : faire en sorte qu'une IA agisse selon les intentions et les valeurs humaines.

AGI (Artificial General Intelligence, intelligence artificielle générale) : IA hypothétique capable d'égaler l'humain sur l'ensemble des tâches intellectuelles.

Singularité : point hypothétique où l'IA dépasserait l'intelligence humaine et s'améliorerait seule, avec des conséquences imprévisibles.

Sous le capot : le vocabulaire des ingénieurs

Ces mots-là, on les croise dans les fiches techniques, les comparatifs de modèles et les devis d'intégration. Pas besoin de les maîtriser pour utiliser l'IA. Les reconnaître aide à comprendre ce qu'un prestataire propose de construire.

L'architecture

Transformer : architecture de réseau de neurones, publiée en 2017, sur laquelle reposent la plupart des IA génératives actuelles.

Mécanisme d'attention : capacité du modèle à repérer quels mots d'un texte comptent pour en comprendre un autre.

MoE (Mixture of Experts, mélange d'experts) : architecture où le modèle est découpé en sous-réseaux spécialisés. Seuls les plus utiles sont activés pour chaque requête.

Modèle de diffusion : technique de génération d'images qui part d'un bruit aléatoire et le « nettoie » progressivement jusqu'à obtenir une image.

Du texte aux nombres

Tokenisation : découpage d'un texte en tokens avant traitement par le modèle.

Embedding (plongement) : traduction d'un texte en suite de nombres qui représente son sens, pour que la machine puisse comparer des idées.

Vecteur : suite de nombres qui représente un mot, une phrase ou une image dans un espace mathématique.

Espace latent : espace mathématique où les vecteurs sont rangés. Les idées proches y sont voisines.

Recherche sémantique : recherche par le sens plutôt que par les mots exacts.

Base de données vectorielle : base qui stocke des embeddings et retrouve rapidement les contenus de sens proche. Brique centrale d'un RAG.

Chunking (découpage) : découpage de documents en morceaux avant de les indexer, pour qu'un RAG retrouve le bon passage.

Les façons d'apprendre

Pré-entraînement : première phase d'entraînement, sur une masse de données générales, qui donne au modèle sa culture de base.

Apprentissage supervisé : le modèle apprend à partir d'exemples étiquetés. On lui montre la question et la bonne réponse.

Apprentissage non supervisé : le modèle cherche seul des structures dans des données non étiquetées.

Apprentissage par renforcement : le modèle apprend par essais et erreurs, guidé par des récompenses et des pénalités.

RLHF (Reinforcement Learning from Human Feedback, apprentissage par renforcement à partir de retours humains) : des humains notent les réponses du modèle, qui apprend à produire celles qu'ils préfèrent.

Surapprentissage (overfitting) : le modèle a appris ses exemples par cœur et généralise mal sur des cas nouveaux.

Lois d'échelle (scaling laws) : constat empirique. Les performances progressent de façon prévisible quand on augmente données, paramètres et puissance de calcul.

Émergence : capacités apparues avec la taille d'un modèle, sans avoir été explicitement programmées.

Les réglages

Température : réglage de la part de hasard dans le choix des mots, souvent présenté comme un réglage de créativité. Basse : réponses stables et prévisibles. Haute : plus variées, plus risquées.

Top-p : réglage qui limite le choix du modèle aux tokens les plus probables, jusqu'à atteindre un seuil cumulé de probabilité.

Stochastique : qui intègre une part de hasard. C'est pourquoi la même question peut donner deux réponses différentes.

Alléger un modèle

Distillation : un grand modèle « enseigne » à un plus petit, plus rapide et moins cher à faire tourner.

Quantification : compression d'un modèle en réduisant la précision de ses nombres, pour qu'il tourne sur une machine modeste.

LoRA (Low-Rank Adaptation) : méthode de fine-tuning légère qui ajoute de petits réglages au modèle au lieu de le réentraîner entièrement.

Sources

• Règlement (UE) 2016/679 (RGPD), EUR-Lex, article 35 pour l'analyse d'impact.
• Règlement (UE) 2024/1689 (AI Act), Journal officiel du 12 juillet 2024.
• Règlement (UE) 2026/1744 modifiant le règlement sur l'IA, Journal officiel du 24 juillet 2026 (article 4 réécrit, report des obligations à haut risque).
• Règlement (UE) 2023/2854 (Data Act), EUR-Lex.
• Règlement (UE) 2022/868 (Data Governance Act), EUR-Lex.
• Directive (UE) 2022/2555 (NIS2), EUR-Lex.
• Règlement (UE) 2022/2554 (DORA), EUR-Lex.
• Règlement (UE) 2024/2847 (Cyber Resilience Act), EUR-Lex.
• Directive (UE) 2024/2853 (responsabilité du fait des produits défectueux), EUR-Lex.
• Règlement (UE) 2022/2065 (DSA), EUR-Lex.
• Règlement (UE) 2022/1925 (DMA), EUR-Lex.
• CNIL, « L'analyse d'impact relative à la protection des données (AIPD) ».
• Open Source Initiative, The Open Source AI Definition 1.0, octobre 2024.
• Vaswani et al., « Attention Is All You Need », 2017 (l'article qui a publié l'architecture Transformer).
• Model Context Protocol, documentation officielle.