Le vocabulaire de l'IA agentique, sans jargon.

Modèle d'IA entraîné sur d'immenses corpus de texte pour comprendre et générer du langage. C'est le moteur derrière des outils comme ChatGPT ou Claude.

L'ensemble des informations dont dispose le modèle à un instant donné pour produire sa réponse : instructions, documents fournis et historique de la conversation.

Unité de base que le modèle lit et génère : un mot court ou un fragment de mot. La taille du contexte et le coût d'usage se mesurent en tokens.

Instruction de fond qui fixe le rôle, le ton et les règles de l'IA. Définie par le concepteur, elle reste invisible pour l'utilisateur final.

La demande formulée par l'utilisateur à chaque échange, à laquelle le modèle répond en s'appuyant sur le prompt système et le contexte.

Quantité maximale d'information (en tokens) que le modèle peut prendre en compte d'un seul coup. Au-delà, il faut résumer ou sélectionner ce qui compte vraiment.

Réponse plausible mais fausse, produite avec assurance par le modèle. C'est le principal risque à encadrer avant toute mise en production.

Réglage qui dose le côté créatif ou déterministe des réponses : basse pour des résultats stables et factuels, haute pour des sorties plus variées.

Architecture de réseau de neurones derrière la quasi-totalité des LLM. Son mécanisme d'attention traite tous les mots d'un texte en parallèle plutôt qu'un par un.

Architecture qui génère une image ou une vidéo en partant d'un bruit aléatoire qu'elle débruite progressivement. C'est le moteur de générateurs comme Midjourney ou Stable Diffusion.

Grand modèle pré-entraîné et généraliste, réutilisable comme socle pour de multiples usages sans tout réapprendre à chaque fois.

Modèle qui « réfléchit » par étapes avant de répondre, ce qui améliore nettement sa fiabilité sur les tâches complexes.

Technique qui va chercher les documents pertinents et les injecte dans le contexte, pour ancrer la réponse sur vos données plutôt que sur la seule mémoire du modèle.

Représentation numérique d'un texte qui capture son sens, permettant de retrouver des contenus proches par similarité.

Stockage optimisé pour retrouver très vite les embeddings les plus proches d'une requête. C'est le socle technique d'un système RAG.

Segmentation des documents en morceaux digestes avant indexation, pour que la recherche renvoie des passages précis et utiles.

IA capable d'enchaîner des actions de façon autonome (réfléchir, utiliser des outils, vérifier le résultat) pour accomplir une tâche, et pas seulement répondre.

Agent secondaire qu'un agent principal délègue pour une sous-tâche précise, afin de garder son propre raisonnement clair et focalisé.

L'infrastructure qui entoure le modèle et le transforme en agent opérationnel : boucle d'exécution, accès aux outils, gestion de la mémoire et du contexte.

Séquences d'étapes prédéfinies qu'un agent suit pour traiter des situations récurrentes de façon fiable et reproductible.

Base de connaissances personnelle ou d'entreprise, structurée pour qu'un agent puisse la consulter et s'appuyer dessus à la demande.

Schéma où l'agent alterne raisonnement et action (il réfléchit, agit, observe le résultat, recommence) jusqu'à résoudre la tâche.

Coordination de plusieurs agents, outils et étapes vers un objectif commun, avec gestion de l'ordre et des dépendances.

Fonction externe qu'un agent peut appeler (recherche web, requête base de données, envoi d'email) pour agir au-delà du simple texte.

Moment où l'agent décide d'utiliser un outil, fournit les paramètres nécessaires et récupère le résultat pour poursuivre sa tâche.

Standard ouvert qui connecte un agent à des données et des outils externes de façon uniforme : l'équivalent d'un port universel pour l'IA.

Intégrations prêtes à l'emploi qui relient l'agent à vos applications (Slack, Gmail, CRM, Drive…), souvent via un protocole comme MCP.

Compétences modulaires ajoutées à un agent sous forme de fichiers d'instructions (souvent un fichier Skill.md) qu'il charge au moment où il en a besoin.

Déclencheurs qui lancent une action automatique à un moment précis du cycle de l'agent (avant ou après un outil) pour valider, journaliser ou bloquer.

Capacité d'un agent à piloter directement un ordinateur (déplacer la souris, cliquer, taper) comme le ferait un humain devant l'écran.

Format texte léger à balises simples (titres, listes, gras). C'est le langage par défaut des instructions et de la documentation d'agents.

Fichier d'instructions persistant que l'agent lit au démarrage : conventions, préférences et contexte propres au projet.

Fichier où l'agent consigne ce qu'il doit retenir d'une session à l'autre : décisions, leçons et état d'avancement.

Mémoire des calculs intermédiaires réutilisée pendant la génération, qui accélère nettement la production token après token.

Matériel spécialisé qui entraîne les modèles et les fait tourner. Sa disponibilité conditionne directement le coût et la vitesse d'un projet IA.

Exécution du modèle pour produire une réponse, par opposition à la phase d'entraînement. C'est ce qui consomme des ressources à chaque requête.

Compression d'un modèle pour le rendre plus léger et plus rapide, au prix d'une légère baisse de précision.

Tests systématiques qui mesurent la qualité et la fiabilité d'un système IA, avant et après mise en production. Indispensables pour décider en confiance.

Phase initiale d'apprentissage généraliste sur d'immenses corpus, avant toute spécialisation par fine-tuning.

Ré-entraînement d'un modèle existant sur vos propres données pour le spécialiser sur votre métier, votre ton ou vos cas particuliers.

Entraîner un modèle par récompenses et pénalités selon la qualité de ses actions. C'est le socle du RLHF.

Ensemble de données servant à entraîner ou à évaluer un modèle. Sa qualité détermine largement celle du résultat.

Méthode d'alignement où des retours humains guident le modèle vers des réponses plus utiles, sûres et conformes aux attentes.

Règles et filtres qui empêchent l'agent de sortir du cadre : sujets interdits, actions sensibles, formats imposés.

Jeu de tests standardisé servant à comparer objectivement les performances de plusieurs modèles.

Transfert du savoir d'un gros modèle vers un plus petit, qui devient presque aussi performant tout en étant bien plus rapide et économique.

Art de formuler les instructions pour obtenir des réponses fiables, précises et reproductibles d'un modèle.

Glisser quelques exemples dans le prompt pour montrer au modèle le format et le ton attendus, sans aucun ré-entraînement.

Forcer la réponse du modèle dans un format précis (souvent JSON) pour qu'une application puisse l'exploiter directement.

Discipline consistant à fournir au modèle la bonne information au bon moment, sans le surcharger d'éléments inutiles.

Conception de l'infrastructure agentique (outils, boucles d'exécution, garde-fous) qui rend un agent robuste et fiable en production.

Façon de programmer en décrivant l'intention en langage naturel et en laissant l'IA produire le code, par itérations rapides.