Vous entendez parler de LLM, de RAG, d’agents IA, de tokens et de hallucinations a longueur de journee. Vos collegues lancent des termes comme “prompt engineering” ou “Shadow AI” en reunion, et vous hochez la tete en esperant que personne ne vous posera de question. Pas de panique : ce lexique est fait pour vous. Chaque terme est explique simplement, avec un angle pratique pour le monde du travail.
Les fondamentaux : comprendre la base
IA generative
L’intelligence artificielle generative designe les systemes capables de creer du contenu nouveau : texte, images, code, musique, video. Contrairement a l’IA classique qui analyse ou classe des donnees existantes, l’IA generative produit quelque chose qui n’existait pas avant.
Au travail : Quand vous demandez a ChatGPT de rediger un email, a Midjourney de creer une image ou a GitHub Copilot d’ecrire du code, vous utilisez de l’IA generative. C’est la technologie derriere la revolution actuelle.
LLM (Large Language Model)
Un LLM est un modele de langage de grande taille, entraine sur des milliards de textes pour comprendre et generer du langage humain. C’est le moteur qui fait tourner ChatGPT, Claude, Gemini et les autres assistants IA textuels.
Pensez au LLM comme a un collegue qui aurait lu toute la bibliotheque de l’humanite : il ne “sait” pas tout, mais il peut generer des reponses coherentes sur presque n’importe quel sujet.
GPT (Generative Pre-trained Transformer)
GPT est une architecture specifique de LLM developpee par OpenAI. Le “Pre-trained” signifie que le modele a ete entraine sur d’enormes quantites de donnees avant d’etre affine. Le “Transformer” fait reference a l’architecture technique sous-jacente.
Attention a la confusion : GPT est devenu un terme generique (comme “Kleenex” pour les mouchoirs), mais tous les LLM ne sont pas des GPT. Claude utilise une architecture differente, tout comme Gemini de Google ou Llama de Meta.
Token
Un token est l’unite de mesure utilisee par les LLM pour traiter le texte. Ce n’est ni un mot ni un caractere, mais un fragment intermediaire. En francais, un mot courant vaut generalement 1 a 2 tokens. Le mot “automatisation” fait environ 4 tokens.
Les tokens comptent pour deux raisons pratiques : ils determinent le cout d’utilisation des API et la limite de contexte (la quantite d’informations que l’IA peut traiter en une seule conversation).
Multimodalite
Un modele multimodal peut traiter et generer plusieurs types de contenus : texte, images, audio, video. Au lieu d’avoir un outil pour le texte et un autre pour les images, un seul modele gere tout.
Au travail : Vous envoyez une photo d’un tableau blanc a Claude ou GPT-4o et il transcrit le contenu, resume les idees et propose un plan d’action structure. C’est la multimodalite en action.
Entrainement de donnees
L’entrainement est le processus par lequel un modele IA apprend a partir de donnees. Le modele analyse des milliards d’exemples (textes, images, conversations) pour detecter des patterns et construire sa “comprehension” du monde.
C’est une etape couteuse en temps et en ressources : entrainer un LLM de pointe peut couter plusieurs dizaines de millions d’euros et consommer autant d’electricite qu’une petite ville pendant des semaines.
Interagir avec l’IA : le vocabulaire du quotidien
Prompt
Un prompt est simplement l’instruction que vous donnez a l’IA. C’est votre message, votre question, votre brief. La qualite du prompt determine directement la qualite de la reponse.
Prompt faible : “Fais-moi un email.”
Prompt efficace : “Redige un email de relance pour un prospect B2B SaaS qui n’a pas repondu depuis 10 jours. Ton professionnel mais chaleureux. Maximum 100 mots. Inclus un appel a l’action clair.”
Context Engineering
Le context engineering est l’art de structurer toutes les informations que vous fournissez a l’IA pour obtenir le meilleur resultat possible. Ca va au-dela du simple prompt : c’est la combinaison du role assigne, du contexte metier, des exemples, des contraintes et du format de sortie attendu.
C’est la competence cle des professionnels qui tirent vraiment parti de l’IA au quotidien.
Few-shot Prompting
Le few-shot prompting consiste a donner quelques exemples du resultat attendu dans votre prompt. Au lieu d’expliquer ce que vous voulez en theorie, vous montrez a l’IA ce que vous attendez en pratique.
Classifie ces retours clients par sentiment (positif, negatif, neutre). Exemples : - "Le produit est genial, je l'adore !" → Positif - "Ca plante toutes les 5 minutes" → Negatif - "J'ai recu ma commande hier" → Neutre Maintenant classifie : - "Le service client m'a rappele en 2 minutes, impressionnant" - "Fonctionnalite inutile, je veux un remboursement" - "La mise a jour est disponible depuis mardi"
Chain-of-thought Prompting
Le chain-of-thought (chaine de pensee) consiste a demander a l’IA de raisonner etape par etape avant de donner sa reponse finale. Ca ameliore considerablement la qualite des reponses sur les problemes complexes.
Un client B2B genere 50 000 EUR de revenu annuel avec un taux de retention de 85 %. Quel est le LTV de ce client ? Raisonne etape par etape avant de donner ta reponse.
Prompt-chaining
Le prompt-chaining consiste a decomposer une tache complexe en plusieurs prompts successifs, ou la sortie de l’un devient l’entree du suivant. Au lieu de tout demander en une seule fois, vous guidez l’IA a travers un workflow structure.
Exemple concret : Prompt 1 : “Analyse ce brief client” → Prompt 2 : “A partir de cette analyse, identifie 3 angles marketing” → Prompt 3 : “Redige un post LinkedIn pour l’angle 2”. Chaque etape produit un resultat plus precis.
Context Rot
Le context rot (degradation du contexte) designe le phenomene ou la qualite des reponses de l’IA se degrade au fil d’une longue conversation. Plus l’echange est long, plus l’IA perd de vue les instructions initiales et les informations importantes du debut.
Conseil pratique : Si vous sentez que l’IA “perd le fil” apres de nombreux echanges, ouvrez une nouvelle conversation et resumez le contexte essentiel. C’est plus efficace que de continuer a corriger une conversation degradee.
Les concepts avances : aller plus loin
Reasoning (Raisonnement)
Les modeles de reasoning sont des LLM conçus pour reflechir avant de repondre. Ils decomposent les problemes complexes, evaluent differentes approches et verifient leur logique avant de produire une reponse. Les modeles comme o1 d’OpenAI ou Claude avec le mode “extended thinking” utilisent cette approche.
C’est particulierement utile pour les problemes de logique, les calculs, l’analyse strategique et toute tache qui demande plus que de la simple generation de texte.
RAG (Retrieval-Augmented Generation)
Le RAG combine recherche d’information + generation de texte. Au lieu de se fier uniquement a ses connaissances d’entrainement, l’IA va d’abord chercher des informations pertinentes dans une base de donnees ou des documents, puis genere sa reponse en s’appuyant dessus.
Au travail : Votre chatbot interne utilise le RAG quand il consulte votre documentation Notion ou votre base Confluence avant de repondre aux questions de vos employes. C’est ce qui lui permet de donner des reponses specifiques a votre entreprise, pas des reponses generiques.
Hallucination
Une hallucination, c’est quand l’IA invente des informations fausses avec aplomb. Elle genere des faits, des citations, des statistiques ou des references qui n’existent pas, mais les presente avec la meme assurance que des informations vraies.
C’est le risque numero un de l’IA generative en contexte professionnel. Verifiez toujours les faits critiques, surtout les chiffres, les citations et les references legales.
Biais
Les biais en IA sont des prejudices systematiques presents dans les reponses du modele, herites des donnees d’entrainement. Si les donnees surrepresentent certains points de vue, cultures ou demographics, le modele reproduira ces desequilibres.
Au travail : Un outil de tri de CV entraine sur les recrutements passes d’une entreprise qui embauchait principalement des hommes pourrait systematiquement defavoriser les candidatures feminines. C’est un biais algorithmique avec des consequences reelles.
Fine-tuning
Le fine-tuning consiste a re-entrainer un modele existant sur des donnees specifiques pour le specialiser dans un domaine ou une tache particuliere. Au lieu de partir de zero, vous prenez un LLM general et vous l’affinez avec vos propres donnees.
C’est comme former un collaborateur generaliste a votre secteur : il garde ses competences de base mais devient expert dans votre domaine.
Deepfake
Un deepfake est un contenu multimedia falsifie par l’IA (video, audio, image) suffisamment realiste pour tromper. L’IA peut cloner une voix, animer un visage, ou creer des images photoralistes de scenes qui n’ont jamais existe.
En entreprise, les deepfakes representent un risque croissant de fraude : faux appels video du CEO demandant un virement, faux messages vocaux, usurpation d’identite sophistiquee.
L’IA au travail : les termes operationnels
Agent IA
Un agent IA est un systeme qui peut agir de maniere autonome pour accomplir des taches. Contrairement a un simple chatbot qui attend vos questions, un agent peut prendre des decisions, utiliser des outils (envoyer des emails, consulter des bases de donnees, naviguer sur le web) et enchainer des actions pour atteindre un objectif.
Au travail : Un agent marketing peut surveiller vos mentions sur les reseaux sociaux, analyser le sentiment, rediger des reponses et les soumettre pour validation. Il ne se contente pas de repondre a une question : il execute un workflow complet.
Agent conversationnel (Chatbot IA)
Un agent conversationnel est une interface de dialogue alimentee par l’IA qui interagit avec les utilisateurs en langage naturel. Les versions modernes, basees sur des LLM, vont bien au-dela des chatbots rigides d’antan : elles comprennent le contexte, gerent des requetes complexes et s’ameliorent avec le temps.
Shadow AI
Le Shadow AI designe l’utilisation non autorisee d’outils IA par les employes, en dehors du cadre defini par l’entreprise. C’est le cousin du Shadow IT : les collaborateurs utilisent ChatGPT, Claude ou d’autres outils pour travailler plus vite, sans que la DSI ou la direction ne le sache.
Le risque : Un commercial qui colle des donnees clients confidentielles dans ChatGPT pour rediger ses proposals. Un RH qui utilise un outil IA non approuve pour trier des CV. L’intention est bonne, mais les risques de fuite de donnees et de non-conformite sont reels. Mieux vaut encadrer l’usage que l’interdire.
Automation (Automatisation IA)
L’automatisation IA va au-dela de l’automatisation classique (type Zapier ou Make) en ajoutant une couche d’intelligence dans les workflows. Au lieu de simples regles “si X alors Y”, l’IA peut interpreter, decider et s’adapter en fonction du contexte.
Avant (automation classique) : Si un email contient le mot “urgent”, le transferer au manager.
Maintenant (automation IA) : L’IA lit l’email, comprend le niveau de priorite reel, identifie le bon interlocuteur en fonction du sujet, redige un resume et le route intelligemment.
API (Application Programming Interface)
Une API est un pont de communication entre deux logiciels. Dans le contexte de l’IA, les API vous permettent d’integrer les capacites d’un LLM directement dans vos outils existants : votre CRM, votre site web, votre outil interne.
C’est ce qui transforme l’IA d’un jouet (copier-coller depuis ChatGPT) en un outil professionnel integre a vos processus.
La reglementation : ce qu’il faut savoir
EU AI Act (Reglement europeen sur l’IA)
L’EU AI Act est le premier cadre legislatif mondial sur l’intelligence artificielle, adopte par l’Union europeenne. Il classe les systemes IA par niveaux de risque (inacceptable, haut, limite, minimal) et impose des obligations proportionnelles.
Ce que ca change pour vous :
- Risque inacceptable (interdit) : scoring social, manipulation subliminale
- Haut risque (tres encadre) : recrutement automatise, scoring credit, surveillance
- Risque limite (transparence) : chatbots (doivent indiquer qu’ils sont des IA), deepfakes (doivent etre etiquetes)
- Risque minimal (libre) : filtres anti-spam, recommandations produit
Les premieres obligations sont entrees en vigueur en 2025, avec une mise en conformite progressive jusqu’en 2027. Si vous deployez de l’IA dans votre entreprise, ce reglement vous concerne directement.
En resume
Ce lexique n’est pas exhaustif, mais il couvre les termes que vous croiserez le plus souvent dans votre quotidien professionnel. L’IA evolue vite, et de nouveaux concepts apparaissent chaque mois. L’important n’est pas de tout maitriser, mais de comprendre suffisamment pour poser les bonnes questions, prendre des decisions eclairees et eviter les pieges classiques.
Trois conseils pour rester a jour :
- Pratiquez : ouvrez ChatGPT ou Claude et testez. Un concept compris en theorie mais jamais utilise ne sert a rien.
- Restez critiques : l’IA hallucine, les biais existent, et les vendeurs exagerent. Gardez votre esprit critique.
- Encadrez l’usage : mieux vaut definir un cadre d’utilisation clair dans votre entreprise que de laisser le Shadow AI se developper dans l’ombre.
Envie d'aller plus loin ?
Explorez nos articles pour passer de la theorie a la pratique : prompts efficaces, agents IA, automatisation et bien plus.
Decouvrir nos guides pratiques download
