Glossaire de l'IA

Les mots de l'IA, expliqués en deux ou trois phrases.

Contenu provisoire — texte non encore validé par l’éditeur ; page non indexée.

A

Agent IA: Système qui confie à un modèle de langage le soin de décider lui-même des étapes à suivre et des outils à utiliser (recherche, navigateur, fichiers) pour atteindre un objectif, en boucle, jusqu'à ce que la tâche soit finie. Un chatbot répond ; un agent agit, ce qui multiplie aussi les risques d'erreur et de détournement. Lire l'explication complète Référence : Building effective agents (Anthropic, 19/12/2024).
AI Act: Nom courant du règlement (UE) 2024/1689, qui fixe des règles communes pour les systèmes d'IA mis sur le marché ou utilisés dans l'Union européenne. Il classe les usages par niveau de risque, des pratiques interdites aux simples obligations de transparence, et s'applique par étapes depuis février 2025. Lire l'explication complète Référence : Règlement (UE) 2024/1689 sur l'intelligence artificielle (JO L du 12.7.2024) (Journal officiel de l'Union européenne (Office des publications), 12/07/2024).

B

Base vectorielle: Base de données qui range des plongements (des suites de nombres représentant le sens de textes) et retrouve très vite ceux qui ressemblent le plus à celui d'une question. C'est l'index de la plupart des systèmes de RAG. Lire l'explication complète Référence : RAG quickstart (Mistral AI (documentation)).

C

Clonage de voix: Imitation par IA de la voix d'une personne à partir d'enregistrements existants, pour lui faire dire des phrases qu'elle n'a jamais prononcées. Des escrocs s'en servent pour se faire passer au téléphone pour un proche ou un dirigeant et réclamer de l'argent en urgence. Lire l'explication complète Référence : Criminals Use Generative Artificial Intelligence to Facilitate Financial Fraud (FBI, Internet Crime Complaint Center (IC3), 03/12/2024).

D

Deepfake: Contenu audio, photo ou vidéo créé ou modifié par IA pour imiter de façon réaliste le visage, la voix ou les gestes d'une personne réelle. En français, on dit hypertrucage. Il sert à la désinformation, au harcèlement ou à l'escroquerie. Lire l'explication complète Référence : Hypertrucage (deepfake) : comment se protéger et signaler les contenus illicites ? (CNIL, 03/02/2026).
Droit d'opposition: Droit, prévu par le RGPD, de refuser qu'un organisme utilise tes données personnelles pour un objectif donné, comme l'entraînement d'une IA. Il faut en principe invoquer une raison tenant à ta situation particulière, sauf pour la prospection commerciale. Lire l'explication complète Référence : Le droit d'opposition : refuser l'utilisation de vos données (CNIL).

E

Exposition à l'IA: Indicateur qui estime dans quelle mesure des systèmes d'IA pourraient accomplir ou assister les tâches d'un métier. Selon l'OIT, il signale un changement possible, pas une prévision : il ne dit ni si les entreprises adopteront l'outil, ni si des emplois seront supprimés. Lire l'explication complète Référence : Workers’ exposure to AI: What indicators tell us – and what they don’t (Organisation internationale du travail (OIT), 17/04/2026).

F

Fenêtre de contexte: Quantité maximale de texte, comptée en tokens, qu'un modèle peut prendre en compte en une fois : ta question, les documents fournis, l'historique de la conversation et sa propre réponse. Plus grande ne veut pas dire mieux comprise : une information noyée au milieu d'un long texte est moins bien retrouvée. Lire l'explication complète Référence : Context windows (Anthropic (documentation)).

H

Hallucination: Réponse fausse mais plausible, formulée avec assurance par un modèle de langage : date, citation, chiffre ou source inventés. Selon des chercheurs d'OpenAI, le phénomène persiste notamment parce que les évaluations récompensent le modèle qui devine plutôt que celui qui admet ne pas savoir. D'où l'importance de vérifier les sources primaires. Lire l'explication complète Référence : Why Language Models Hallucinate (arXiv (OpenAI), 04/09/2025).

I

IA générative: Famille de systèmes d'IA qui produisent des contenus nouveaux (texte, image, son, vidéo) à partir d'une demande. Entraînés sur de très grands volumes de données, ils calculent la suite la plus probable sans comprendre ce qu'ils écrivent : leurs réponses peuvent donc être fausses. Lire l'explication complète Référence : L'IA en éducation : cadre d'usage (Ministère de l'Éducation nationale, 13/06/2025).
Inférence: Moment où un modèle déjà entraîné est utilisé pour répondre à une requête. Son coût en énergie s'ajoute à celui de l'entraînement et grandit avec le nombre d'utilisateurs et de requêtes. Lire l'explication complète Référence : Avis de l'ADEME : l'intelligence artificielle générative, des impacts environnementaux importants (ADEME, 22/07/2026).
Injection de prompt: Attaque qui glisse des instructions dans ce que lit un modèle pour détourner son comportement. Elle est directe quand l'utilisateur les tape, indirecte quand elles sont cachées dans une page web, un courriel ou un fichier que l'IA consulte. L'OWASP la place au premier rang des risques des applications de modèles de langage. Lire l'explication complète Référence : LLM01:2025 Prompt Injection (OWASP GenAI Security Project).
Intérêt légitime (RGPD): L'une des six bases légales du RGPD : elle permet de traiter des données personnelles sans consentement quand c'est nécessaire à l'intérêt d'un organisme ou d'un tiers, à condition de le mettre en balance avec les droits et les attentes raisonnables des personnes. Ce n'est pas une base « par défaut ». Lire l'explication complète Référence : Les bases légales : l’intérêt légitime (CNIL).

M

MCP (Model Context Protocol): Standard ouvert publié par Anthropic en novembre 2024 pour brancher des outils et des sources de données sur des assistants d'IA. Sa documentation le compare à un port USB-C : une même prise pour connecter un agent à un agenda, des fichiers ou un logiciel. Lire l'explication complète Référence : Introducing the Model Context Protocol (Anthropic, 25/11/2024).
Modèle à poids ouverts: Modèle dont les poids sont téléchargeables, sous une licence qui peut être libre (Apache 2.0, MIT) ou restrictive (seuil d'utilisateurs, usages interdits). Sans le code d'entraînement ni d'informations détaillées sur les données, on ne peut ni reproduire ni auditer son entraînement : ce n'est pas, à lui seul, un modèle open source. Lire l'explication complète Référence : Open Weights: not quite what you’ve been told (Open Source Initiative, 29/01/2025).
Modèle d'IA à usage général: Au sens de l'AI Act, modèle capable d'accomplir avec compétence un large éventail de tâches différentes et d'être intégré dans de nombreux systèmes, comme les grands modèles derrière les assistants conversationnels. Leurs fournisseurs ont des obligations propres depuis le 2 août 2025. Lire l'explication complète Référence : Règlement (UE) 2024/1689 sur l'intelligence artificielle (JO L du 12.7.2024) (Journal officiel de l'Union européenne (Office des publications), 12/07/2024).
Modèle de langage: Programme entraîné sur de très grands volumes de texte pour prédire la suite la plus probable d'un texte, morceau par morceau. Les grands modèles de langage (LLM en anglais) sont le moteur des chatbots et de l'IA générative textuelle. Lire l'explication complète Référence : Recommandations de sécurité pour un système d'IA générative (ANSSI-PA-102) (ANSSI, 29/04/2024).
Modèle de raisonnement: Modèle de langage entraîné à produire une réflexion intermédiaire avant sa réponse finale. Cette étape l'aide sur les problèmes à plusieurs étapes (maths, code, logique), mais rend la réponse plus lente et plus chère, sans supprimer les erreurs. Lire l'explication complète Référence : Reasoning models (OpenAI (documentation)).
Multimodal: Capable de traiter plusieurs types de contenus, texte, image, son ou vidéo, en entrée comme parfois en sortie. Un assistant multimodal peut ainsi décrire une photo ou répondre à une question posée à l'oral. Référence : Recommandations de sécurité pour un système d'IA générative (ANSSI-PA-102) (ANSSI, 29/04/2024).

O

Open source: Selon la définition de l'Open Source Initiative (version 1.0, octobre 2024), un modèle d'IA est open source s'il peut être utilisé, étudié, modifié et partagé pour tout usage sans demander de permission, ce qui suppose de publier ses poids, son code d'entraînement complet et des informations suffisantes sur ses données. Des poids publiés seuls font un modèle à poids ouverts, pas un modèle open source. Lire l'explication complète Référence : The Open Source AI Definition 1.0 (Open Source Initiative, 28/10/2024).

P

Plongement (embedding): Suite de nombres qui représente le sens d'un texte : deux passages de sens proche reçoivent des plongements proches, même s'ils n'emploient pas les mêmes mots. C'est ce qui permet à un système de RAG de retrouver un document par son sens. Lire l'explication complète Référence : Embeddings (Mistral AI (documentation)).
Poids (d'un modèle): Valeurs numériques fixées pendant l'entraînement, qui déterminent comment le modèle transforme une entrée en réponse. Elles sont le modèle lui-même : les publier permet de le télécharger et de le faire tourner hors des serveurs de son éditeur. Lire l'explication complète Référence : The Open Source AI Definition 1.0 (Open Source Initiative, 28/10/2024).
Prompt: Instruction ou question, le plus souvent en texte, que tu envoies à une IA (on dit aussi requête). Un bon prompt précise le contexte, la tâche et le format attendu ; un prompt caché dans un document peut aussi servir à détourner une IA (injection de prompt). Référence : Recommandations de sécurité pour un système d'IA générative (ANSSI-PA-102) (ANSSI, 29/04/2024).

R

RAG: Génération augmentée par la recherche : avant de répondre, le système cherche des passages pertinents dans une base de documents et les ajoute à la demande envoyée au modèle. Les réponses deviennent plus vérifiables, sans être garanties : le modèle peut encore mal citer ou mal lire ses sources. Lire l'explication complète Référence : Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv (Lewis et al.), 22/05/2020).

S

Système d'IA à haut risque: Dans l'AI Act, système soumis aux exigences les plus lourdes (gestion des risques, qualité des données, contrôle humain) : soit un composant de sécurité d'un produit déjà réglementé, soit un usage sensible listé à l'annexe III, comme le recrutement, l'éducation ou la biométrie. Ces règles s'appliqueront le 2 décembre 2027 pour l'annexe III et le 2 août 2028 pour les produits réglementés. Lire l'explication complète Référence : Règlement (UE) 2026/1744 du 8 juillet 2026 (omnibus numérique sur l’IA), JO L du 24.7.2026 (Journal officiel de l'Union européenne (Office des publications), 24/07/2026).

T

Token: Morceau de texte (souvent un bout de mot, parfois un mot entier ou un signe) que le modèle lit et produit. Quotas, limites de longueur et prix des API se comptent en tokens ; le découpage varie d'un éditeur à l'autre. Lire l'explication complète Référence : Understand and count tokens (Google (documentation Gemini API), 13/10/2026).
Tokenisation: Découpage d'un texte en tokens, chacun associé à un numéro d'un vocabulaire fixe, avant que le modèle ne le traite. Chaque éditeur a son propre découpage : le même texte ne compte donc pas le même nombre de tokens partout. Lire l'explication complète Référence : tiktoken (OpenAI (GitHub)).