Pourquoi le vocabulaire IA bloque les décideurs
Le jargon de l'intelligence artificielle est devenu un filtre social en réunion. Dès que quelqu'un prononce RAG, fine-tuning ou guardrails, une partie du comité de direction décroche et cesse d'arbitrer.
C'est un problème de gouvernance, pas de culture générale. Un dirigeant qui ne comprend pas la différence entre RAG et fine-tuning ne peut pas challenger un devis à 80 000 euros, ni évaluer si le prestataire propose la bonne solution.
En formation, l'objection la plus fréquente n'est jamais "l'IA ne m'intéresse pas". C'est "je ne veux pas poser une question qui montre que je n'ai pas suivi". Le vocabulaire est la première barrière à lever.
Ce lexique couvre 32 termes, classés en six familles. Chacun est défini en une phrase, puis traduit en usage concret. Vous n'avez besoin d'aucun prérequis technique.
1. Les fondamentaux
Six termes suffisent à comprendre ce qui se passe quand vous tapez une question dans ChatGPT ou Claude.
LLM (Large Language Model)
Un LLM est un modèle entraîné sur d'immenses volumes de texte pour prédire et générer du langage naturel. ChatGPT, Claude, Gemini et Mistral en sont.
En pratique : c'est ce que vous utilisez quand vous demandez une reformulation, une synthèse ou un plan de note. Un LLM n'est pas une base de données : il ne "sait" pas, il produit la suite la plus probable.
Token
Un token est l'unité de texte que le modèle traite : un mot court, un fragment de mot, un signe de ponctuation. Environ 1 000 tokens pour 750 mots en français.
En pratique : c'est l'unité de facturation. Un document de 50 pages envoyé quotidiennement à une IA représente un coût récurrent qu'il faut chiffrer avant de généraliser un usage.
Prompt
Un prompt est l'instruction que vous donnez au modèle. Sa précision détermine directement la qualité de la réponse.
En pratique : "rédige une offre d'emploi" produit du générique. "Rédige une offre pour un chargé de recrutement, 3 ans d'expérience, CDI Lyon, ton factuel, 250 mots, sans superlatifs" produit un livrable exploitable.
Hallucination
Une hallucination est une réponse plausible mais fausse, produite avec assurance. Le modèle invente une source, un chiffre ou une référence juridique.
En pratique : c'est le risque principal sur les sujets réglementaires. La règle applicable partout : tout élément factuel produit par une IA est un brouillon à vérifier, jamais une source.
Inférence
L'inférence est le moment où le modèle produit sa réponse, en mobilisant ce qu'il a appris pendant l'entraînement. C'est la phase d'utilisation, par opposition à la phase d'apprentissage.
En pratique : le coût d'inférence est le coût récurrent de vos usages IA. C'est lui qui apparaît sur votre facture chaque mois, pas le coût d'entraînement du modèle.
Fenêtre de contexte (context window)
La fenêtre de contexte est le volume de texte que le modèle peut prendre en compte en une seule fois, mesuré en tokens.
En pratique : elle détermine si vous pouvez soumettre un accord d'entreprise entier ou seulement un chapitre. Au delà de la limite, le modèle perd le début de la conversation.
2. Comment on parle à une IA
Prompt engineering
Le prompt engineering est la méthode de formulation des instructions : préciser le rôle, l'objectif, le format et les contraintes.
En pratique : c'est la compétence au meilleur rapport effort/résultat pour une équipe métier. Deux heures de formation suffisent à faire passer un collaborateur de réponses génériques à des livrables utilisables.
Few-shot et zero-shot
Le zero-shot consiste à demander sans exemple. Le few-shot consiste à fournir deux ou trois exemples de ce que vous attendez avant la demande réelle.
En pratique : en RH, le few-shot est la clé pour aligner l'IA sur vos formats internes. Donnez trois comptes rendus d'entretien annuel existants, l'IA reproduira votre structure.
Multimodal
Un modèle multimodal traite plusieurs types de contenu : texte, image, son, parfois vidéo.
En pratique : vous pouvez photographier un tableau blanc en fin d'atelier et demander la synthèse structurée, ou soumettre un organigramme en image pour en extraire les données.
Temperature
La temperature est un réglage de variabilité des réponses, de 0 (stable et prévisible) à 1 (créatif et aléatoire).
En pratique : pertinent dès que vous industrialisez. Une génération de fiches de poste tourne à basse temperature, un atelier d'idéation à temperature élevée.
3. Les modèles et leur personnalisation
Transformer
Le Transformer est l'architecture technique publiée par Google en 2017 sur laquelle reposent tous les LLM actuels.
En pratique : aucun besoin d'en comprendre le fonctionnement. Retenez la date : l'IA générative de 2026 découle d'une rupture technique de 2017, pas d'une nouveauté de l'an dernier.
Fine-tuning
Le fine-tuning consiste à réentraîner un modèle existant sur vos données pour modifier durablement son comportement, son style ou son format de sortie.
En pratique : utile quand vous voulez qu'un modèle écrive systématiquement selon vos codes internes. Cela suppose un corpus de qualité et un budget d'ingénierie.
RAG (Retrieval-Augmented Generation)
Le RAG consiste à faire chercher l'information dans vos propres documents avant de générer la réponse. Le modèle n'est pas modifié, il est alimenté.
En pratique : c'est l'architecture derrière la plupart des assistants internes (base RH, documentation technique, contrats). Elle réduit fortement les hallucinations et permet de citer la source.
Embeddings
Un embedding est la traduction d'un texte ou d'une image en série de nombres représentant son sens.
En pratique : c'est ce qui permet à une recherche interne de retrouver "congé pour enfant malade" à partir de "absence garde d'enfant", sans aucun mot en commun.
Distillation
La distillation consiste à transférer les capacités d'un grand modèle vers un modèle plus petit, plus rapide et moins coûteux.
En pratique : c'est pourquoi des modèles légers deviennent utilisables sur des tâches simples. Cela ouvre des déploiements à coût maîtrisé sur des volumes importants.
Modèle propriétaire et modèle ouvert
Un modèle propriétaire est exploité par un éditeur via son service (ChatGPT, Claude, Gemini). Un modèle ouvert (Mistral, Llama) peut être hébergé sur vos propres serveurs.
En pratique : l'arbitrage porte sur la souveraineté des données. Le modèle ouvert hébergé en interne évite toute sortie de données, au prix d'une expertise et d'une infrastructure à financer.
👉 Comprendre les fondamentaux de l'IA sans bagage technique
4. Les données, carburant de l'IA
C'est le bloc le plus souvent ignoré dans les projets qui échouent. Sans données exploitables, aucun outil ne produit de résultat.
Données propriétaires
Vos données propriétaires sont vos données internes : clients, contrats, historiques, documentation, référentiels métier.
En pratique : c'est votre seul actif non copiable. Tous vos concurrents ont accès aux mêmes modèles. Aucun n'a accès à vos vingt ans de dossiers.
Qualité des données
La qualité des données mesure leur fiabilité, leur fraîcheur et leur complétude. Une IA branchée sur des données fausses produit des réponses fausses avec assurance.
En pratique : un assistant RH branché sur un intranet contenant trois versions d'un accord d'entreprise donnera la mauvaise réponse à un manager, en toute confiance.
Nettoyage des données
Le nettoyage des données est l'étape de correction, de déduplication et de structuration préalable à tout usage.
En pratique : c'est le poste de charge sous-estimé de tous les projets. Prévoyez-le explicitement au budget plutôt que de le découvrir en cours de route.
Vectorisation
La vectorisation transforme vos documents en vecteurs numériques stockés dans une base dédiée, pour permettre la recherche par le sens.
En pratique : c'est l'étape technique préalable à tout RAG. Elle conditionne la pertinence des réponses de votre assistant interne.
Gouvernance des données
La gouvernance des données définit qui accède à quoi, sous quelles règles, avec quelle traçabilité et quelle durée de conservation.
En pratique : point de blocage récurrent en grand compte. Un assistant qui interroge un référentiel RH doit respecter les habilitations existantes, sinon il devient une faille d'accès à l'information.
👉 La méthode de diagnostic IA pour cadrer un projet avant de le lancer
5. Agents et automatisation
C'est le sujet 2026. On passe d'une IA qui répond à une IA qui exécute, et le niveau de vigilance change d'échelle.
Agent IA
Un agent IA est un système capable de décomposer un objectif en étapes, d'agir et de s'ajuster jusqu'au résultat, sans instruction à chaque étape.
En pratique : au lieu de demander un résumé de CV, vous confiez le tri d'une campagne : lecture, scoring, mise à jour de l'ATS, envoi des accusés de réception.
Tool use
Le tool use est la capacité d'un modèle à appeler des outils externes : API, base de données, moteur de recherche, logiciel métier.
En pratique : c'est ce qui fait la différence entre un assistant qui décrit une procédure et un assistant qui la déclenche dans votre SIRH.
Multi-agents
Un système multi-agents fait collaborer plusieurs agents spécialisés sur une tâche complexe, chacun avec son périmètre.
En pratique : un agent extrait les données d'un dossier, un second vérifie la conformité, un troisième rédige la synthèse. Utile, mais la complexité de supervision augmente vite.
Human-in-the-loop
Le human-in-the-loop impose une validation humaine à un point de contrôle défini avant qu'une décision produise ses effets.
En pratique : en RH, c'est non négociable. Aucune candidature écartée automatiquement, aucune décision individuelle sans arbitrage humain tracé.
Guardrails
Les guardrails sont les garde-fous techniques encadrant ce qu'une IA peut dire ou faire : sujets interdits, actions bloquées, seuils de validation.
En pratique : avant d'ouvrir un assistant à 500 collaborateurs, définissez ce qu'il n'a pas le droit de faire. C'est plus déterminant que la liste de ce qu'il sait faire.
6. Risques, conformité et cadre légal
Biais algorithmique
Un biais algorithmique est une distorsion systématique reproduisant les déséquilibres présents dans les données d'entraînement.
En pratique : un outil de présélection entraîné sur l'historique d'embauche reproduit les schémas passés. En recrutement, cela expose directement au risque de discrimination.
Shadow AI
Le Shadow AI est l'usage d'outils IA hors de tout cadre validé par l'entreprise, sur comptes personnels.
En pratique : l'interdiction pure est inefficace, elle déplace l'usage vers le téléphone personnel. La réponse qui fonctionne combine un outil validé et une charte claire.
RGPD
Le RGPD encadre le traitement des données personnelles. Un CV, un compte rendu d'entretien ou un email nominatif en relèvent.
En pratique : aucune donnée personnelle dans un outil grand public non contractualisé. La CNIL a publié des recommandations dédiées au développement de systèmes d'IA.
AI Act européen
L'AI Act (règlement UE 2024/1689) classe les usages de l'IA par niveau de risque et impose des obligations proportionnées. Son article 4, applicable depuis le 2 février 2025, impose aux organisations qui déploient de l'IA de garantir un niveau suffisant de maîtrise de l'IA à leur personnel, sans seuil d'effectif.
En pratique : deux échéances comptent. Les autorités nationales disposent de leurs pouvoirs de contrôle et de sanction depuis août 2026. En revanche, l'Omnibus numérique de juin 2026 a reporté à décembre 2027 les obligations applicables aux systèmes à haut risque de l'annexe III, dont relèvent le recrutement et l'évaluation des salariés. L'obligation de formation, elle, n'a pas été reportée.
Propriété intellectuelle
La question porte sur deux volets : la titularité des contenus produits par l'IA et le statut des données ayant servi à l'entraînement.
En pratique : faites relire par un juriste tout contenu généré destiné à une publication, un dépôt ou un usage commercial engageant.
👉 IA et RGPD : cadrer l'usage de ChatGPT par vos collaborateurs
7. Business et pilotage
Evals
Les evals sont les tests systématiques mesurant la qualité, la fiabilité et la régression d'un système IA sur un jeu de cas de référence.
En pratique : sans evals, vous n'avez aucun moyen de savoir si une mise à jour du modèle a dégradé votre assistant. Construisez 30 cas types dès le pilote.
Baseline et mesure du ROI
La baseline est votre point de départ mesuré avant tout déploiement : temps passé, coût, taux d'erreur.
En pratique : sans mesure initiale, tout gain reste déclaratif. Chronométrez le processus actuel avant de lancer le pilote, sinon vous ne pourrez rien démontrer en comité.
Précision et rappel
La précision mesure la justesse des cas signalés par le système. Le rappel mesure la proportion de cas réels effectivement détectés.
En pratique : un outil peut sembler excellent en précision tout en laissant passer la moitié des dossiers à traiter. Exigez toujours les deux chiffres d'un prestataire.
AI-native
Une organisation ou un produit AI-native est conçu dès l'origine autour de l'IA, plutôt que de l'ajouter à un processus existant.
En pratique : la différence entre ajouter un assistant à un parcours de recrutement inchangé et repenser le parcours sachant que le tri et la synthèse sont automatisables.
Vibe coding
Le vibe coding désigne la création d'applications en décrivant le résultat attendu en langage naturel, sans écrire le code soi-même.
En pratique : un contrôleur de gestion peut produire un outil de suivi en quelques heures. Cela crée aussi une nouvelle catégorie de Shadow IT à cadrer avec la DSI.
Services-as-software
Le services-as-software désigne la transformation de prestations traditionnellement humaines en produits logiciels scalables grâce à l'IA.
En pratique : cela touche directement les métiers de conseil, d'audit et de support. Question à poser en comité : quelle part de notre offre est susceptible d'être industrialisée ainsi ?
8. Le lexique complet à imprimer
Les 32 termes classés par famille. Cette section est conçue pour être imprimée et distribuée en amont d'un séminaire ou d'un comité de direction.
Fondamentaux
| LLM | Modèle entraîné sur d'immenses volumes de texte pour générer du langage (ChatGPT, Claude, Mistral) |
| Token | Unité de texte traitée par le modèle et base de la facturation |
| Prompt | Instruction donnée à l'IA, dont la précision conditionne la qualité de la réponse |
| Hallucination | Réponse plausible mais fausse, produite avec assurance par le modèle |
| Inférence | Moment où le modèle produit sa réponse, et principal poste de coût récurrent |
| Fenêtre de contexte | Volume de texte que le modèle peut prendre en compte en une seule fois |
Dialoguer avec l'IA
| Prompt engineering | Méthode de formulation des instructions : rôle, objectif, format, contraintes |
| Few-shot / zero-shot | Avec ou sans exemples fournis avant la demande réelle |
| Multimodal | Capacité à traiter plusieurs formats : texte, image, son, vidéo |
| Temperature | Réglage de variabilité, de stable et prévisible à créatif et aléatoire |
Modèles et personnalisation
| Transformer | Architecture technique de 2017 sur laquelle reposent tous les LLM actuels |
| Fine-tuning | Réentraînement d'un modèle sur vos données pour modifier durablement son comportement |
| RAG | Recherche dans vos documents avant génération, pour ancrer la réponse et citer la source |
| Embeddings | Traduction d'un contenu en série de nombres représentant son sens |
| Distillation | Transfert des capacités d'un grand modèle vers un modèle plus petit et moins coûteux |
| Propriétaire / ouvert | Modèle exploité par un éditeur ou modèle hébergeable sur vos propres serveurs |
Données
| Données propriétaires | Vos données internes, seul actif que vos concurrents ne peuvent pas répliquer |
| Qualité des données | Fiabilité, fraîcheur et complétude, qui conditionnent la fiabilité des réponses |
| Nettoyage des données | Correction, déduplication et structuration préalables, poste de charge à budgéter |
| Vectorisation | Transformation des documents en vecteurs pour permettre la recherche par le sens |
| Gouvernance des données | Règles d'accès, de sécurité, de conservation et de traçabilité |
Agents et automatisation
| Agent IA | Système qui décompose un objectif, agit et s'ajuste jusqu'au résultat |
| Tool use | Capacité à appeler des outils externes : API, bases, logiciels métier |
| Multi-agents | Plusieurs agents spécialisés collaborant sur une tâche complexe |
| Human-in-the-loop | Validation humaine obligatoire avant qu'une décision produise ses effets |
| Guardrails | Garde-fous encadrant ce que l'IA peut dire ou faire |
Risques et conformité
| Biais algorithmique | Distorsion reproduisant les déséquilibres des données d'entraînement |
| Shadow AI | Usage d'outils IA hors de tout cadre validé, sur comptes personnels |
| RGPD | Cadre de traitement des données personnelles, applicable aux CV et comptes rendus |
| AI Act | Règlement européen classant les usages par risque, avec obligation de formation |
| Propriété intellectuelle | Titularité des contenus générés et statut des données d'entraînement |
Business et pilotage
| Evals | Tests systématiques mesurant qualité, fiabilité et régression d'un système IA |
| Baseline | Mesure initiale sans laquelle aucun gain ne peut être démontré |
| Précision / rappel | Justesse des cas signalés et proportion des cas réels détectés |
| AI-native | Organisation ou produit conçu dès l'origine autour de l'IA |
| Vibe coding | Création d'applications en décrivant le résultat en langage naturel |
| Services-as-software | Transformation de prestations humaines en produits logiciels scalables |
Par où commencer concrètement
- Testez votre comité de direction. Faites définir cinq termes de ce lexique en réunion. L'écart entre ceux qui décident et ceux qui savent apparaît en dix minutes.
- Distribuez la section 8 avant le prochain arbitrage IA. Une page imprimée en amont vaut mieux qu'une heure d'explication pendant la réunion.
- Identifiez vos données propriétaires. Listez les trois corpus internes qui n'existent nulle part ailleurs. C'est là que se situe votre avantage réel.
- Fixez vos guardrails avant tout déploiement. Écrivez ce que l'IA n'a pas le droit de faire avant d'ouvrir l'accès aux équipes.
- Mesurez une baseline sur un processus. Chronométrez l'existant avant le pilote, sinon aucun ROI ne sera démontrable en comité.
Ce que ce lexique change pour vous
Connaître ces 32 termes ne vous rendra pas capable de construire un système IA. Ce n'est pas l'objectif.
L'objectif est de vous rendre capable de poser trois questions à un prestataire : quelles données alimentent le système, quel humain valide quoi et à quel moment, comment mesure-t-on que ça fonctionne. Ces trois questions filtrent la majorité des projets mal cadrés.
L'AI Act a par ailleurs déplacé le sujet du confort vers l'obligation. La maîtrise de l'IA par les équipes qui l'utilisent est une exigence réglementaire depuis février 2025, et les autorités nationales peuvent contrôler depuis août 2026. Le report des obligations haut risque à décembre 2027 ne change rien sur ce point précis.
👉 Lancer votre diagnostic IA 👉 Découvrir nos formations IA
Sources & ressources
- Commission européenne, portail sur le règlement européen sur l'intelligence artificielle (AI Act), mis à jour 2025 : https://digital-strategy.ec.europa.eu/fr/policies/regulatory-framework-ai
- CNIL, recommandations sur le développement des systèmes d'intelligence artificielle, 2025 : https://www.cnil.fr/fr/intelligence-artificielle
- Commission européenne, entrée en application de l'article 4 de l'AI Act relatif à la maîtrise de l'IA, février 2025 : https://digital-strategy.ec.europa.eu/fr/policies/regulatory-framework-ai
