Découvrez nos cas concrets et planifiez une démo gratuite avec nos experts.
Glossaire de l’IA en entreprise : 40 termes expliqués
En bref : ce glossaire intelligence artificielle réunit 40 termes que vous entendrez dans tout projet d’IA en entreprise, du LLM au RAG, des agents IA à l’AI Act. Chaque définition tient en une ou deux phrases, se lit seule et permet à la direction, aux métiers et à la DSI de parler enfin le même langage.
Réunion de lancement d’un projet IA : le prestataire parle de RAG, de fenêtre de contexte et de serveur MCP, la DSI évoque l’inférence souveraine, le juriste mentionne le haut risque. Personne ne met exactement la même réalité derrière ces mots, et ce flou coûte cher : cahiers des charges ambigus, attentes irréalistes.
Que vous soyez dirigeant, responsable métier, DSI ou DPO, ce glossaire de l’intelligence artificielle vous donne des définitions courtes, concrètes et orientées entreprise. Chaque terme est numéroté et dispose de sa propre ancre pour être partagé facilement avec vos équipes.
Sommaire
- Glossaire intelligence artificielle : quels sont les termes de base ?
- Que signifient les termes de l’IA générative ?
- Comment l’IA exploite-t-elle les données de l’entreprise ?
- Quels termes décrivent les agents IA et l’automatisation ?
- Quel vocabulaire pour la gouvernance et la conformité ?
- Comment passer du vocabulaire au projet ?
- Questions fréquentes
Glossaire intelligence artificielle : quels sont les termes de base ?
Ces huit notions forment le socle de toute discussion.
- Intelligence artificielle (IA) : ensemble de techniques permettant à un système informatique de produire des prédictions, des contenus, des recommandations ou des décisions à partir des données qu’il reçoit. Le droit européen définit le « système d’IA » comme un système automatisé qui déduit de ses entrées comment générer de tels résultats, avec un certain degré d’autonomie (Source : Règlement (UE) 2024/1689, article 3, 2024).
- Apprentissage automatique (machine learning) : branche de l’IA où le système apprend des règles à partir d’exemples plutôt que d’être programmé règle par règle.
- Apprentissage profond (deep learning) : forme d’apprentissage automatique reposant sur des réseaux de neurones à nombreuses couches, adaptée aux images, au texte et à la voix.
- Réseau de neurones : architecture mathématique composée de couches de calcul interconnectées, dont les paramètres sont ajustés pendant l’entraînement.
- Modèle : résultat de l’entraînement, c’est le « moteur » qui transforme une entrée en sortie, et qu’on héberge et met à jour comme un composant logiciel.
- Entraînement : phase où le modèle ajuste ses paramètres sur un jeu de données, coûteuse en calcul.
- Inférence : utilisation d’un modèle déjà entraîné pour produire une réponse. C’est ce que vous payez à l’usage avec une API d’IA.
- IA prédictive : IA qui estime une valeur ou une probabilité (demande, panne, risque de churn) à partir de données historiques, à distinguer de l’IA générative qui produit du contenu. Pour choisir entre les deux, consultez notre comparatif IA générative ou IA prédictive : laquelle pour votre besoin.
Que signifient les termes de l’IA générative ?
Dix termes indispensables pour comprendre les offres des éditeurs.
- IA générative : IA capable de produire du texte, des images, du code ou du son à partir d’une consigne.
- LLM (grand modèle de langage) : modèle entraîné sur de très grands volumes de texte pour prédire la suite la plus probable d’une séquence de mots. GPT, Claude, Gemini, Llama ou Mistral en sont des exemples.
- Modèle d’IA à usage général : modèle polyvalent, souvent appelé modèle de fondation, qui peut être intégré dans de nombreuses applications. L’AI Act lui consacre des obligations spécifiques pour ses fournisseurs.
- Prompt : consigne donnée au modèle. Sa qualité (contexte, format attendu, exemples) influence directement la qualité de la réponse.
- Token : unité de texte traitée par un modèle, souvent un fragment de mot. La facturation et les limites des LLM s’expriment en tokens.
- Fenêtre de contexte : quantité maximale de tokens qu’un modèle peut prendre en compte en une fois, consigne, documents et réponse compris.
- Température : réglage qui rend les réponses plus créatives (valeur haute) ou plus déterministes (valeur basse). Pour des usages métiers, on la garde généralement basse.
- Hallucination : réponse fausse mais formulée avec assurance par un modèle génératif. Les causes et parades sont détaillées dans notre article sur les hallucinations de l’IA en entreprise.
- Multimodal : se dit d’un modèle qui traite plusieurs types de données à la fois, par exemple texte et image.
- Embedding (plongement) : représentation numérique d’un texte ou d’une image sous forme de vecteur, qui permet de mesurer la proximité de sens entre deux contenus.
Comment l’IA exploite-t-elle les données de l’entreprise ?
La valeur d’un projet d’IA vient rarement du modèle seul : elle vient de la façon dont il accède à vos données métier.
- RAG (génération augmentée par récupération) : technique qui recherche d’abord les passages pertinents dans vos documents, puis les fournit au modèle pour qu’il réponde en s’appuyant sur eux et en citant ses sources.
- Base vectorielle : base de données qui stocke des embeddings et retrouve les contenus les plus proches d’une question. C’est le moteur de recherche d’un RAG.
- Fine-tuning (affinage) : réentraînement partiel d’un modèle existant sur vos propres exemples pour adapter son style ou sa tâche. Pour arbitrer, lisez RAG ou fine-tuning : comment entraîner l’IA sur vos données.
- Données d’entraînement : exemples utilisés pour apprendre. Leur qualité, leur représentativité et leurs droits d’usage conditionnent le résultat.
- Annotation : étiquetage manuel ou assisté des données (défaut ou non, catégorie de document) pour permettre l’apprentissage supervisé.
- Données synthétiques : données générées artificiellement pour compléter un jeu réel trop petit ou trop sensible.
- OCR (reconnaissance optique de caractères) : transformation d’une image ou d’un PDF scanné en texte exploitable, première étape de tout traitement documentaire.
- NLP (traitement automatique du langage) : ensemble des techniques qui permettent d’analyser, classer ou résumer du texte.
- Vision par ordinateur : IA appliquée aux images et à la vidéo pour détecter, classer ou mesurer des objets, par exemple des défauts sur une ligne de production.
Quels termes décrivent les agents IA et l’automatisation ?
Le vocabulaire des systèmes qui ne se contentent plus de répondre, mais agissent.
- Agent IA : système qui reçoit un objectif, planifie des étapes et utilise des outils (recherche, logiciels, API) pour l’atteindre, avec plus ou moins d’autonomie.
- IA agentique : approche consistant à confier à un ou plusieurs agents des tâches de bout en bout, sous supervision humaine.
- MCP (Model Context Protocol) : protocole ouvert qui standardise la connexion des modèles et agents IA à des outils et sources de données (Source : Anthropic, novembre 2024).
- Orchestration : coordination de plusieurs modèles, agents ou étapes de traitement dans un même flux.
- API : interface qui permet à deux logiciels d’échanger des données. C’est par elle que l’IA lit et écrit dans votre ERP ou votre CRM.
- Copilote : assistant IA intégré à un outil existant, qui propose sans décider à la place de l’utilisateur.
- Humain dans la boucle (human in the loop) : principe selon lequel une personne valide, corrige ou peut interrompre les décisions de l’IA aux étapes sensibles.
Quel vocabulaire pour la gouvernance et la conformité ?
Ces derniers termes concernent la direction, le DPO et les achats autant que la technique.
- AI Act : règlement européen sur l’intelligence artificielle, qui classe les systèmes d’IA selon leur niveau de risque et fixe des obligations graduées (Source : Règlement (UE) 2024/1689, 2024).
- Système d’IA à haut risque : système utilisé dans des domaines sensibles (recrutement, crédit, éducation, infrastructures critiques) soumis à des exigences renforcées. Pour les systèmes de l’annexe III, l’application a été reportée au 2 décembre 2027 (Source : Règlement (UE) 2026/1744, juillet 2026).
- Maîtrise de l’IA (AI literacy) : obligation, pour les fournisseurs et déployeurs, de prendre des mesures pour former les personnes qui utilisent l’IA (Source : AI Act, article 4, modifié en 2026).
- Biais : distorsion systématique des résultats, souvent héritée des données d’entraînement, qui peut créer des décisions injustes ou erronées.
- IA souveraine : IA dont les modèles, l’hébergement et les données restent sous le contrôle de l’entreprise et soumis au droit européen.
- POC (preuve de concept) : expérimentation courte, sur un périmètre réduit et avec des critères de réussite définis à l’avance, pour vérifier qu’un cas d’usage fonctionne avant d’investir.
Comment passer du vocabulaire au projet ?
Maîtriser ces 40 termes ne suffit pas à lancer un projet, mais c’est la condition pour rédiger un cadrage clair et challenger un prestataire. Partagez ce glossaire intelligence artificielle en amont de vos ateliers : chacun arrivera avec les mêmes définitions.
Notre approche chez Euro Tech Conseil. Nous commençons par un cadrage qui traduit vos objectifs métier en cas d’usage concrets et en critères mesurables. Nous menons ensuite un POC de 6 à 10 semaines sur vos données réelles, puis nous intégrons la solution à votre SI (ERP, CRM, GED) via des API ou des connecteurs standards. Le contrôle humain est prévu dès la conception, et nous privilégions des architectures souveraines lorsque vos données l’exigent. Découvrez notre offre d’accompagnement en IA générative pour les entreprises.
Questions fréquentes
Quelle est la différence entre IA, machine learning et deep learning ?
L’IA est le domaine global. Le machine learning en est une branche qui apprend à partir d’exemples, et le deep learning est une forme de machine learning fondée sur des réseaux de neurones profonds.
Un LLM et un agent IA, est-ce la même chose ?
Non. Le LLM est le modèle qui comprend et génère du texte. L’agent IA utilise un LLM comme « cerveau », mais il dispose en plus d’outils et d’un objectif pour agir dans vos logiciels.
Faut-il choisir entre RAG et fine-tuning ?
Pas forcément. Le RAG convient lorsque l’IA doit s’appuyer sur des documents qui évoluent ; le fine-tuning sert plutôt à adapter un style ou une tâche très répétitive. Les deux peuvent se combiner.
Ce glossaire intelligence artificielle sera-t-il mis à jour ?
Oui. Le vocabulaire évolue vite, notamment autour des agents et de la réglementation ; nous enrichissons régulièrement les définitions.
Un terme vous bloque dans votre projet IA ?
Nos experts traduisent le jargon en décisions concrètes et vous aident à cadrer votre premier cas d’usage.