--- title: "Glossaire IA : 40 termes pour l'entreprise | AI Makers" description: "Glossaire IA pour dirigeants : 40 termes, dont agent IA, RAG, LLM, AI Act et Shadow AI, définis en quelques lignes. Vérifiez le vocabulaire d'une proposition." url: "https://aimakers.fr/glossaire-ia" canonical: "https://aimakers.fr/glossaire-ia" language: fr category: "03 Guide / Definition" cluster: "transformation" stage: "awareness" generated: 2026-10-16 source: "Contenu de la page publiée, extrait de son HTML rendu." --- # Glossaire IA : 40 termes pour décider en entreprise Par [AI Makers Content Team](https://aimakers.fr/equipe) · Mis à jour le 16 octobre 2026 Une proposition de prestataire, une note de la DSI ou une présentation au comité de direction emploient souvent un vocabulaire IA que personne ne prend le temps de définir. Ce lexique donne à chaque terme une définition courte et, quand c'est utile, ce qu'il n'implique pas. Ce glossaire de l'intelligence artificielle, publié par AI Makers, définit 40 termes qu'un dirigeant rencontre en choisissant un prestataire ou en lançant un projet, du LLM à l'AI Act en passant par le RAG et le Shadow AI. Chaque définition tient en quelques phrases et renvoie, si besoin, vers le guide qui approfondit le sujet. [Voir l'offre transformation IA](https://aimakers.fr/ai-transformation) - **Termes définis :** 40. - **Familles :** 4, de 7 à 13 termes chacune. - **Format :** une définition, puis sa limite ou sa conséquence pratique. - **Entrées AI Act :** à jour du règlement (UE) 2026/1744 du 8 juillet 2026. | Famille | Termes | Question traitée | Exemples | | --- | --- | --- | --- | | Fondamentaux | 10 | Que produit un modèle et à quelles conditions ? | LLM, token, hallucination | | Technique | 10 | Comment relier un modèle aux outils et aux documents ? | RAG, API, n8n | | Entreprise | 13 | Qui décide et comment mesurer le résultat ? | Audit IA, indicateur de référence, adoption | | Réglementation et visibilité | 7 | Quelles règles s'appliquent, comment être cité ? | AI Act, RGPD, GEO | **Pour vous si** vous devez comparer deux propositions de prestataires IA et que l'une parle d'« agents », l'autre de « RAG » ou de « workflows ». La dernière question de la FAQ donne les trois mots à vérifier dans une proposition. **Pas pour vous si** vous devez qualifier juridiquement un système au regard de l'AI Act. Les entrées réglementaires donnent un repère, et la qualification d'un cas réel revient à un juriste. ## Fondamentaux : ce que produit un modèle ### Intelligence artificielle générative Systèmes qui produisent un contenu nouveau, texte, image, code ou son, à partir d'une consigne en langage naturel. ChatGPT et Claude en sont deux exemples connus. Le contenu produit est plausible par construction, ce qui ne prouve pas qu'il soit exact. Toute sortie destinée à un client ou à une décision passe donc par une relecture. ### LLM (grand modèle de langage) Un LLM (Large Language Model) est un modèle entraîné sur de très grands volumes de texte, qui prédit la suite la plus probable d'une séquence de mots. Claude et GPT en font partie. Le modèle seul ne connaît ni vos documents ni vos clients ; il faut les lui fournir dans la consigne ou par une recherche documentaire, comme le fait un RAG. ### Token Unité de texte traitée par un modèle, souvent un fragment de mot. La règle approximative publiée par OpenAI, environ trois quarts de mot par token, vaut pour l'anglais courant et ne se transpose pas telle quelle au français. Le nombre de tokens fixe le coût d'un appel facturé à l'usage et la quantité de texte traitée en une fois. ### Fenêtre de contexte Quantité maximale de texte, comptée en tokens, qu'un modèle prend en compte dans un même échange, documents joints comme réponse produite. Une grande fenêtre permet de soumettre un contrat entier sans le découper. Elle ne garantit pas que chaque passage d'un long document sera exploité avec la même attention ; demandez au modèle de citer les passages sur lesquels il s'appuie. ### Prompt Instruction envoyée à un modèle pour obtenir une réponse. Un prompt utile précise la tâche et le format attendu, et fournit le contexte métier que le modèle ignore. Deux salariés qui posent la même question avec des prompts différents obtiennent des réponses de qualité très inégale, d'où l'intérêt de partager les formulations qui marchent. ### Prompt engineering Conception et test des instructions données à un modèle pour obtenir des sorties stables d'une fois sur l'autre. Les techniques courantes consistent à attribuer un rôle, fournir des exemples, découper la tâche en étapes et imposer un format. En entreprise, un prompt testé et partagé dans l'équipe remplace les formulations que chacun réinvente seul. ### Hallucination Réponse fausse formulée avec assurance par un modèle, comme un fait inventé ou une source qui n'existe pas. Elle vient de ce que le modèle produit un texte plausible sans vérifier sa véracité. On la réduit en reliant le modèle à des sources vérifiées et en exigeant des citations. On ne la supprime pas, et les contenus sensibles gardent une validation humaine. ### Grounding (ancrage) Ancrage d'une réponse dans des informations de référence fournies au modèle, documents internes ou résultats de recherche. La présence de la bonne source dans le contexte ne garantit pas que la réponse la reproduira fidèlement. Un contrôle par échantillon, sur des questions dont on connaît la réponse, reste nécessaire avant d'ouvrir l'outil à toute une équipe. ### Chatbot Programme qui dialogue avec un utilisateur en langage naturel, par écrit ou à l'oral. Les chatbots récents reposent sur un LLM et peuvent s'appuyer sur la base documentaire de l'entreprise. Depuis le 2 août 2026, l'article 50 de l'AI Act impose que la personne sache qu'elle échange avec un système d'IA, sauf si cela ressort clairement du contexte ; le fournisseur doit concevoir le chatbot en ce sens. Le marquage des contenus générés dispose, lui, d'un délai jusqu'au 2 décembre 2026 pour les systèmes déjà sur le marché. ### Agent IA Composant logiciel qui utilise un modèle de langage pour mener une tâche précise en plusieurs étapes. Il planifie, appelle des outils comme une recherche ou une base de données, agit puis contrôle le résultat. Ce que l'agent a le droit de faire se décide à part, avec des validations humaines placées selon le risque de chaque action. Le contrat d'agent, défini plus bas, sert à l'écrire. ## Technique : relier un modèle aux outils et aux documents ### RAG Le RAG (Retrieval-Augmented Generation, ou génération augmentée par recherche) relie un modèle aux documents d'une entreprise. Avant de répondre, le système recherche les passages pertinents, puis rédige une réponse fondée sur eux, sans réentraîner le modèle. La qualité dépend d'abord des documents indexés et des droits d'accès. Un document périmé dans l'index produit une réponse périmée. ### Fine-tuning Réentraînement partiel d'un modèle existant sur des exemples propres à l'entreprise, pour fixer un format de sortie ou un vocabulaire métier. En général plus coûteux à mettre en place qu'un RAG, il n'ajoute pas de connaissances tenues à jour. Une procédure modifiée demain restera inconnue du modèle ajusté aujourd'hui. ### API Interface qui permet à deux logiciels d'échanger des données selon des règles fixées. C'est par API qu'un outil interne interroge Claude ou GPT, ou qu'une automatisation écrit dans le CRM. Avant un projet, vérifiez que vos outils exposent une API et ce qu'elle autorise, car certaines n'ouvrent qu'une partie des données. ### MCP (Model Context Protocol) Protocole ouvert qui standardise la connexion entre un modèle et des ressources externes, comme une base de données ou un outil métier. Un connecteur MCP écrit une fois sert à toutes les applications compatibles. Les droits accordés à ce connecteur, lecture seule ou écriture, restent à définir outil par outil. ### Workflow Enchaînement des étapes d'un processus métier, du déclencheur au résultat, avec ses validations. Le cartographier précède toute automatisation : chaque étape confiée à un système, par une règle fixe ou par un modèle d'IA, doit d'abord être décrite. Dans n8n, le mot désigne aussi la séquence d'actions automatisée elle-même. ### n8n Plateforme d'automatisation qui relie les outils d'une entreprise, messagerie, CRM, bases de données et modèles d'IA, par des workflows construits nœud par nœud. Chez Addictest, les assistants livrés par AI Makers sont reliés aux outils de l'équipe via n8n. Un workflow n8n reste un objet à maintenir ; désignez qui le corrige quand un outil connecté change. ### Automatisation intelligente de processus (IPA) Automatisation qui combine des règles fixes et un modèle d'IA pour traiter les étapes ambiguës, comme lire un courriel ou extraire les champs d'une facture. La règle reste préférable partout où elle suffit. Le modèle se justifie sur les étapes qui demandent d'interpréter un texte, avec une vérification des sorties. Voir l'[automatisation des processus par l'IA](https://aimakers.fr/automatisation-ia-workflow) pour des exemples de périmètre. ### Copilote métier Assistant IA intégré à l'outil d'un métier, par exemple pour la rédaction commerciale dans le CRM ou la synthèse dans la messagerie. Il connaît le contexte de l'utilisateur et propose ; l'utilisateur décide. Microsoft 365 Copilot fonctionne sur ce principe dans Outlook et Teams, avec les droits d'accès du salarié connecté. ### Système agentique Ensemble qui coordonne un ou plusieurs agents : le modèle y choisit et enchaîne lui-même des actions avec des outils, sans séquence fixée à l'avance. Un agent est une pièce ; le système agentique est l'assemblage. Le mot ne dit rien des autorisations accordées. Un système agentique peut se limiter à proposer, ou bien agir directement dans vos outils, et c'est cette différence qui fixe le niveau de contrôle à prévoir. ### Human-in-the-loop Intervention humaine prévue dans un processus automatisé, pour vérifier ou autoriser une action avant qu'elle se poursuive. Le [guide human-in-the-loop](https://aimakers.fr/blog/human-in-the-loop-validation-humaine-ia) détaille où placer ce point de validation. En règle générale, il se place là où une erreur coûterait cher, avant l'envoi d'un message à un client ou une écriture en comptabilité. ## Entreprise : décider et mesurer ### Transformation IA Programme qui fait passer l'IA de quelques usages individuels à des systèmes intégrés aux processus, avec une mesure du résultat. La [transformation IA selon AI Makers](https://aimakers.fr/ai-transformation) suit trois phases : Audit (AI Scan), Build (AI Engine) et Scale (AI Champions). Chaque phase se termine par une décision sur la suite. ### Audit IA (AI Scan) Examen des processus d'une entreprise pour décider où l'IA apporte un gain mesurable et dans quel ordre agir. Chez AI Makers, l'audit s'appelle AI Scan, dure généralement 1 à 2 semaines et débouche sur une feuille de route d'au moins trois cas d'usage viables, chiffrés et priorisés. Il se distingue de l'auto-test en ligne, qui repose sur vos seules réponses. ### Cas d'usage IA Application de l'IA à un processus métier précis, par exemple la qualification de prospects ou le traitement des demandes de support de premier niveau. Un cas d'usage se juge d'abord sur la fréquence du processus et sur l'accès aux données nécessaires. Une idée séduisante qui échoue sur l'un des deux passe après les autres. ### Maturité IA Degré auquel l'IA participe au travail réel d'une organisation, évalué processus par processus. AI Makers la décrit en [six étages, de l'IA absente à l'entreprise agentique](https://aimakers.fr/blog/maturite-ia-entreprise-6-etages). Le nombre de licences achetées en dit peu : la lecture se fait processus par processus, et deux services d'une même entreprise peuvent être très éloignés. ### KPI et indicateur de référence Un KPI (indicateur clé de performance) est une mesure suivie dans le temps pour savoir si un processus atteint son objectif, par exemple le délai de traitement d'un dossier ou le nombre de corrections par document. L'indicateur de référence est la valeur de ce KPI relevée avant la mise en production ; chez AI Makers, il est fixé avant chaque mise en production. Sans cette valeur de départ, aucun gain ne se démontre après coup. ### ROI d'un projet IA Rapport entre la valeur nette créée par un projet et son coût total, sur une période définie. Une heure libérée ne devient une économie que si elle est réaffectée ou si une dépense baisse. Un gain chiffré avant déploiement reste une estimation : seule la comparaison avec l'indicateur de référence, après la mise en production, en fait un résultat. ### Adoption Part des utilisateurs prévus qui se servent réellement d'un système dans leur travail, et fréquence de cet usage. Elle se lit dans les journaux d'usage de l'outil, semaine après semaine. Un système livré mais peu utilisé signale souvent une équipe mal formée ou un processus mal choisi au départ. ### AI Champions Salariés référents, formés pour aider leurs collègues à reprendre les usages IA dans leur travail et faire remonter les difficultés. La [formation AI Champions](https://aimakers.fr/formation-ia-entreprise/formation-ai-champions) d'AI Makers dure une journée de sept heures ; une demi-journée est possible. Un Champion n'exploite pas les systèmes ; leur maintenance reste confiée à l'équipe technique désignée. ### AI Operating System Outil métier unique qui réunit les données d'une entreprise dans une base commune, porte ses automatisations et ses agents IA, et affiche des indicateurs partagés par toute l'équipe. Le terme ne désigne pas un système d'exploitation d'ordinateur. Chez Addictest, un tel outil réunit leads, mentorat, candidatures et pilotage, avec trois assistants IA branchés dessus via n8n. Voir l'offre [AI Operating System](https://aimakers.fr/ai-operating-system) pour le détail. ### Forward Deployed Engineer (FDE) Ingénieur qui travaille au sein de l'équipe du client, au plus près du travail réel, et y écrit du code de production reliant l'IA aux systèmes existants. AI Makers propose ce format ; la [page Forward Deployed Engineer](https://aimakers.fr/forward-deployed-engineer) décrit le rôle en détail. ### Contrat d'agent Description écrite de ce qu'un agent IA a le droit de faire. Bain y range six éléments : conditions de déclenchement, formats d'entrée et de sortie, limites d'autonomie, outils accessibles, cible de performance chiffrée et mode d'escalade ; faute de pouvoir l'écrire, Bain considère qu'il est trop tôt pour construire l'agent. L'escalade nomme la personne qui reprend la main quand l'agent bloque. ### Shadow AI Usage d'outils d'IA par des salariés hors du cadre fourni par l'entreprise, le plus souvent avec des comptes personnels. Dans le rapport 2026 de Netskope, qui porte sur des données d'octobre 2024 à octobre 2025, près de la moitié (47 %) des personnes qui se servent de l'IA générative au travail le font encore via une application personnelle. Une interdiction déplace ces usages hors de vue, alors qu'un outil officiel avec des règles écrites les ramène dans un cadre. ### Agence IA Prestataire qui conçoit et construit des systèmes d'IA pour une entreprise, de l'analyse du processus à la mise en production. Le terme recouvre des structures très différentes, de l'atelier de prototypes au cabinet qui audite puis construit. Avant de signer, demandez qui exploite le système après la livraison et à qui appartient le code. ## Réglementation et visibilité : règles et citations ### Gouvernance IA Règles qu'une entreprise se donne pour encadrer l'IA, sur les outils autorisés, les données qui peuvent y transiter et la personne qui valide les usages sensibles. Elle se formalise en général dans une charte d'usage et une liste des systèmes en service, tenue à jour par un responsable nommé. ### AI Act Règlement (UE) 2024/1689 sur l'intelligence artificielle, entré en vigueur en 2024 avec une application progressive, et modifié en 2026 par le règlement (UE) 2026/1744. Il classe les systèmes par niveau de risque, de l'interdit au risque minimal, et proportionne les obligations à ce niveau. Un assistant de rédaction n'est pas traité comme un outil de tri de candidatures, que le texte range parmi les systèmes à haut risque ; pour ces usages RH, les obligations ont été reportées au 2 décembre 2027. ### Maîtrise de l'IA (article 4 de l'AI Act) Depuis sa modification par le règlement (UE) 2026/1744, l'article 4 oblige fournisseurs et déployeurs à agir pour développer la maîtrise de l'IA chez leurs salariés et chez toute personne qui fait fonctionner ou utilise un système d'IA en leur nom, selon les connaissances de chacun et l'usage prévu. Un niveau précis par personne n'est plus exigé. Le texte ne fixe ni format ni durée de formation. L'entreprise doit pouvoir montrer ce qu'elle a mis en place, par exemple des sessions sur les outils réellement utilisés. ### RGPD et IA Dès qu'un outil d'IA traite des données personnelles, de clients comme de salariés, le RGPD s'applique avec ses exigences de base légale et de minimisation. En pratique, vérifiez où sont hébergées les données envoyées au modèle, combien de temps elles sont conservées et si l'éditeur s'en sert pour entraîner ses modèles. ### GEO (Generative Engine Optimization) Le GEO, aussi appelé référencement IA, travaille la présence d'une marque dans les réponses des moteurs génératifs comme ChatGPT ou les AI Overviews de Google. Il repose sur des contenus factuels et citables, présents dans les sources que ces moteurs consultent. Aucune méthode ne garantit qu'un modèle citera une entreprise. L'offre [SEO et GEO](https://aimakers.fr/seo-geo) d'AI Makers détaille la démarche. ### AI Overviews Réponses générées par l'IA que Google affiche au-dessus des résultats classiques pour certaines requêtes. Elles synthétisent plusieurs sources et renvoient vers une partie d'entre elles par des liens. Pour un site, l'enjeu devient d'être l'une des sources citées dans ce bloc, en plus de son classement habituel. ### Citabilité Capacité d'un passage à être repris tel quel comme source par un moteur d'IA. Un passage citable répond à une question en quelques phrases autonomes et contient des faits datés ou chiffrés, avec une source identifiable. Une phrase qui renvoie à « ci-dessus » ou à « comme vu plus haut » perd son sens une fois extraite. ## FAQ [Voir l'offre transformation IA](https://aimakers.fr/ai-transformation) **Quelle différence entre un agent IA et un chatbot ?** Un chatbot répond dans une conversation ; un agent agit. Le chatbot rédige une réponse à partir de ce qu'on lui demande et des documents auxquels il a accès. L'agent enchaîne des étapes, appelle des outils et peut modifier une donnée dans un logiciel. C'est pourquoi un agent demande un cadre écrit sur ses droits, alors qu'un chatbot demande surtout une base documentaire fiable. **Quelle différence entre RAG et fine-tuning ?** Le RAG va chercher l'information dans vos documents au moment de la question ; le fine-tuning modifie le comportement du modèle lui-même. Pour répondre sur des procédures qui changent, le RAG convient mieux, puisqu'il suffit de mettre à jour les documents. Le fine-tuning sert plutôt à imposer un format ou un style constant sur un grand volume de tâches identiques. **Que doit faire une entreprise qui utilise ChatGPT au regard de l'AI Act ?** Elle doit d'abord prendre des mesures pour soutenir la maîtrise de l'IA des salariés qui s'en servent pour son compte (article 4 modifié en 2026). Si elle met un assistant à disposition de ses clients, elle veille avec son fournisseur à ce qu'ils sachent, depuis le 2 août 2026, qu'ils échangent avec une IA. Les obligations les plus lourdes visent les systèmes à haut risque, comme le tri de candidatures, qui demandent une analyse au cas par cas. **Quels termes vérifier dans la proposition d'un prestataire IA ?** Cherchez trois mots. « Agent » : la proposition doit dire ce qu'il a le droit de faire et qui valide. « RAG » : quels documents seront indexés, et qui les tient à jour. « Indicateur » : quelle mesure sera prise avant la mise en production. Si l'un de ces points reste vague, demandez une précision écrite avant de signer. ## Sources - AI Makers, Transformation IA : [https://aimakers.fr/ai-transformation](https://aimakers.fr/ai-transformation) - AI Makers, page d'accueil : [https://aimakers.fr/](https://aimakers.fr/) - AI Makers, Formation AI Champions : [https://aimakers.fr/formation-ia-entreprise/formation-ai-champions](https://aimakers.fr/formation-ia-entreprise/formation-ai-champions) - AI Makers, étude de cas Addictest : [https://aimakers.fr/etudes-de-cas/addictest](https://aimakers.fr/etudes-de-cas/addictest) - AI Makers, Gouvernance et sécurité IA : [https://aimakers.fr/gouvernance-ia](https://aimakers.fr/gouvernance-ia) - OpenAI, Tokenizer : [https://platform.openai.com/tokenizer](https://platform.openai.com/tokenizer) - Model Context Protocol, documentation officielle : [https://modelcontextprotocol.io/](https://modelcontextprotocol.io/) - Règlement (UE) 2024/1689 sur l'intelligence artificielle, EUR-Lex : [https://eur-lex.europa.eu/eli/reg/2024/1689/oj](https://eur-lex.europa.eu/eli/reg/2024/1689/oj) - Règlement (UE) 2026/1744 du 8 juillet 2026 modifiant le règlement sur l'IA, publié au Journal officiel le 24 juillet 2026, EUR-Lex : [https://eur-lex.europa.eu/eli/reg/2026/1744/oj](https://eur-lex.europa.eu/eli/reg/2026/1744/oj) - Bain & Company, The AI Enterprise: Code Red, 2026 : [https://www.bain.com/insights/ai-enterprise-code-red/](https://www.bain.com/insights/ai-enterprise-code-red/) - Netskope, Cloud & Threat Report 2026 (données d'octobre 2024 à octobre 2025) : [https://www.netskope.com/resources/cloud-and-threat-reports/cloud-and-threat-report-2026](https://www.netskope.com/resources/cloud-and-threat-reports/cloud-and-threat-report-2026) [Voir l'offre transformation IA](https://aimakers.fr/ai-transformation)