Le lexique de l'IA : 30 mots à connaître, expliqués simplement

Accueil

Blog

min de lecture

Publié le

28/9/2026

Bannière de l'article La Dinguerie : le lexique de l'IA, 30 mots expliqués simplement

Dégradé de couleurs allant de l'orange en haut à gauche au bleu en bas à droite, avec des teintes violettes au centre.

Auteur

Younes BELKHARRAF

Fondateur @La Dinguerie

Sommaire

Hello world

Partager cette dinguerie !

Introduction

À retenir

Le jargon de l'IA sert souvent à impressionner. Une fois traduit, tout devient beaucoup moins intimidant — et beaucoup plus facile à arbitrer.
Les 5 mots qui comptent vraiment pour un dirigeant : LLM, token, RAG, agent et hallucination. Le reste est du vocabulaire de spécialiste.
Chaque définition de cet article est suivie d'un « ce que ça change pour toi » : c'est là que se trouve la valeur, pas dans la définition.
Garde cette page en favori : elle sert de traducteur quand un prestataire te présente une solution.
Et le meilleur test face à un jargonneur : « tu peux me le redire sans les mots anglais ? » S'il n'y arrive pas, ce n'est pas toi le problème.

‍

Résumer cette article en quelques ligne via votre IA favorite

Partager cette dinguerie !

« On va déployer un RAG agentique multimodal avec du fine-tuning léger sur un modèle open-weights. » Si tu as déjà entendu une phrase de ce genre en réunion et hoché la tête en pensant à autre chose, cet article est pour toi.

Le vocabulaire de l'IA a un défaut : il est presque entièrement anglais, et il sert souvent à masquer des idées très simples. On a traduit les 30 termes que tu vas réellement croiser, avec pour chacun ce que ça change concrètement dans ton entreprise. Pas de définition Wikipédia : de l'opérationnel.

Les 5 mots à connaître absolument

Si tu n'as que dix minutes, lis cette section et ferme l'onglet. Ces cinq termes couvrent 80 % des conversations.

Terme	En français clair	Ce que ça change pour toi
LLM (large language model)	Le « moteur » derrière ChatGPT, Claude ou Mistral. Un logiciel entraîné à prédire la suite d'un texte, qui a appris à raisonner en lisant énormément.	C'est le composant que tu loues. Tu peux en changer : ce n'est pas ton fournisseur, c'est une pièce.
Token	L'unité de facturation. Un morceau de mot : environ 4 caractères, soit ~750 mots pour 1 000 tokens.	Tu paies au token en entrée et en sortie. C'est pour ça qu'un long document coûte plus cher à analyser.
RAG (retrieval-augmented generation)	Donner à l'IA l'accès à tes documents avant qu'elle réponde, pour qu'elle réponde à partir d'eux.	C'est ce qui transforme un assistant généraliste en assistant qui connaît ton entreprise. Le cas d'usage n°1 en PME.
Agent	Une IA qui ne se contente pas de répondre : elle enchaîne des actions (chercher, ouvrir, calculer, écrire) jusqu'à finir une tâche.	On passe de « ça m'aide à rédiger » à « ça fait le travail ». C'est aussi là que le risque augmente.
Hallucination	Quand l'IA invente une information fausse en la présentant avec assurance.	La raison pour laquelle tout chiffre, toute date et toute référence doivent être vérifiés. Toujours.

Le vocabulaire des modèles

Terme	En français clair	Ce que ça change pour toi
Modèle de fondation	Le grand modèle généraliste entraîné par un éditeur (GPT, Claude, Gemini, Mistral).	Tu ne l'entraînes pas, tu l'utilises. Son coût de création se compte en centaines de millions.
Open weights / modèle ouvert	Un modèle dont les paramètres sont téléchargeables : tu peux le faire tourner chez toi.	La porte d'entrée vers l'IA souveraine. Mistral, Llama, Qwen, Gemma.
Fenêtre de contexte	La quantité de texte que le modèle peut « avoir sous les yeux » en une fois.	Détermine si tu peux lui donner un contrat de 200 pages d'un coup. Les modèles récents montent à ~1 million de tokens.
Multimodal	Le modèle comprend autre chose que du texte : images, PDF scannés, audio, vidéo.	Photographier une facture ou un plan et poser une question dessus. Très sous-exploité en PME.
Fine-tuning	Ré-entraîner légèrement un modèle sur tes propres données pour qu'il adopte un style ou une tâche.	Coûteux, lourd à maintenir, et rarement nécessaire. Dans 9 cas sur 10, un bon RAG suffit.
Distillation	Fabriquer un petit modèle rapide en lui faisant imiter un gros modèle.	Explique pourquoi les « petits » modèles sont devenus étonnamment bons et peu chers.
Raisonnement / reasoning	Le modèle « réfléchit » avant de répondre, en produisant des étapes intermédiaires.	Meilleur sur les problèmes complexes, mais plus lent et plus cher. À réserver aux tâches qui le méritent.
Benchmark	Un test standardisé pour comparer les modèles (MMLU, SWE-bench…).	Utile comme présélection, trompeur comme critère de décision. Ton vrai benchmark, ce sont tes propres cas.

Le vocabulaire de la mise en œuvre

Terme	En français clair	Ce que ça change pour toi
Prompt	La consigne que tu écris à l'IA.	La compétence la plus rentable à former dans une équipe. Ça s'apprend en une demi-journée.
Prompt système	Les instructions permanentes qui s'appliquent à toutes tes conversations.	Écrit une fois, utile tous les jours. Cherche « instructions personnalisées » dans ton outil.
API	Le « tuyau » qui permet à tes logiciels de parler à l'IA sans passer par une interface web.	C'est par là que passe toute automatisation sérieuse. Facturé à l'usage.
MCP (Model Context Protocol)	Un standard qui permet de brancher une IA sur tes outils (CRM, drive, base de données) sans développement sur mesure à chaque fois.	Le sujet d'infrastructure IA de 2026. Il fait passer les connexions de « projet » à « configuration ».
Base vectorielle	Une base de données qui range les documents par sens plutôt que par mot-clé.	Le moteur technique derrière le RAG. C'est ce qui permet de retrouver le bon paragraphe dans 10 000 pages.
Embedding	La transformation d'un texte en une série de nombres qui capture son sens.	Invisible pour toi, mais c'est ce qui rend possible la recherche « par idée » et non par mot exact.
Chunking	Découper tes documents en morceaux avant de les indexer.	Un mauvais découpage est la cause n°1 des RAG qui répondent à côté. Question à poser à ton prestataire.
Agentic search	Au lieu de recevoir des extraits présélectionnés, l'IA fouille elle-même les documents, page par page.	Nettement plus fiable que le RAG classique sur les gros corpus. L'évolution majeure de 2026.
Orchestration	Le chef d'orchestre qui enchaîne plusieurs modèles, outils et validations.	C'est là que se trouve la vraie valeur d'un projet — et l'essentiel du travail d'intégration.

Le vocabulaire du risque et de la conformité

Terme	En français clair	Ce que ça change pour toi
Shadow AI	Tes équipes utilisent déjà l'IA, avec des données de l'entreprise, sans que personne ne l'ait autorisé.	Le risque le plus courant, et le moins mesuré. Il existe déjà chez toi, statistiquement.
Prompt injection	Une instruction malveillante cachée dans un document ou une page web, que l'IA exécute en croyant que ça vient de toi.	Le risque de sécurité n°1 des agents. Impose des validations humaines sur les actions sensibles.
AI Act	Le règlement européen sur l'IA, applicable par étapes depuis 2024, avec une échéance majeure au 2 août 2026.	Transparence sur les contenus générés, et obligation de former tes équipes — documentation à l'appui.
GPAI (general purpose AI)	Les modèles à usage général, catégorie spécifique de l'AI Act.	Concerne surtout les éditeurs. Mais leurs obligations remontent jusqu'à toi via les contrats.
Souveraineté / résidence des données	Où sont physiquement stockées et traitées tes données.	Devenu une ligne de cahier des charges dans les appels d'offres, plus un supplément d'âme.
Human in the loop	Un humain valide avant qu'une action irréversible soit exécutée.	Le garde-fou le plus simple et le plus efficace. À exiger sur tout ce qui envoie, paie ou supprime.
Eval (jeu d'évaluation)	Un ensemble de cas de test avec les bonnes réponses attendues, pour mesurer la qualité d'un système IA.	Sans ça, tu pilotes à l'aveugle et tu ne verras pas la qualité se dégrader.
Dérive (drift)	La qualité baisse silencieusement avec le temps : le modèle est mis à jour, les données changent.	La raison pour laquelle un projet IA se surveille, comme une machine — pas se livre et s'oublie.

Le vocabulaire économique

Terme	En français clair	Ce que ça change pour toi
Coût par tâche	Ce que coûte réellement une unité de travail (un mail traité, un dossier analysé), tout compris.	La seule métrique qui permet de comparer une automatisation à un coût salarial.
Prompt caching	Réutiliser un contexte déjà envoyé au lieu de le repayer à chaque appel.	Peut diviser une facture API par cinq sur les usages répétitifs. À demander à ton prestataire.
Batch	Traiter en différé un gros volume plutôt qu'en temps réel.	Environ 50 % moins cher chez la plupart des éditeurs. Idéal pour les traitements de nuit.
POC (proof of concept)	Une maquette qui démontre qu'un cas d'usage est faisable.	Attention au piège : la majorité des projets IA meurent au stade du POC, faute de plan d'industrialisation.

Tu comprends les mots. Reste à savoir lesquels s'appliquent chez toi. C'est précisément l'objet d'un audit : regarder tes process, tes données et tes outils, puis sortir une liste de cas d'usage priorisés avec leur coût et leur gain estimé. Pas un rapport de 80 slides — un plan d'action.

Découvrir l'audit & conseil IA Poser une question

Le test anti-jargon

Un dernier outil, plus utile que les 30 définitions réunies. Quand un prestataire t'explique sa solution, pose ces trois questions :

« Tu peux me le redire sans mot anglais ? » Si la réponse devient floue, c'est que le concept l'était déjà.
« Qu'est-ce qui se passe si ça se trompe ? » Un bon interlocuteur a une réponse précise. Un mauvais te dit que ça n'arrive pas.
« Comment on mesure que ça marche, dans six mois ? » Si personne ne sait répondre, le projet n'a pas d'objectif — il a une ambiance.

Le jargon n'est pas un signe de compétence. La capacité à expliquer simplement, si. Si tu veux voir à quoi ressemble la mise en pratique de tout ce vocabulaire, notre article sur l'IA en local dans une PME en est une bonne illustration grandeur nature.

Sources

Encore une dinguerie à partager !

‍