Glossaire & FAQ de l'IA

LLM (grand modèle de langage)

Un LLM (Large Language Model) est un programme entraîné sur d'immenses quantités de texte pour prédire, mot après mot, la suite la plus probable d'une phrase. Il ne "comprend" pas au sens humain du terme : il calcule des relations statistiques entre mots, concepts et contexte. ChatGPT, Claude, Gemini, Mistral ou Qwen reposent tous sur des LLM — leurs différences viennent de l'architecture du modèle, de ses données d'entraînement, des outils qui lui sont connectés et des règles qui encadrent ses réponses.

Token

Un token est l'unité de base que traite un LLM — approximativement un mot court, une partie de mot plus long, ou un signe de ponctuation. "Chat" compte pour un token, "anticonstitutionnellement" peut en compter plusieurs. C'est cette unité qui sert de base à la tarification des API (facturées au million de tokens) et à la taille de la "fenêtre de contexte" — la quantité de texte qu'un modèle peut traiter en une seule fois.

Fenêtre de contexte

C'est la quantité maximale de texte (mesurée en tokens) qu'un modèle peut prendre en compte dans une même conversation, documents envoyés compris. Les modèles les plus récents atteignent couramment 200 000 à 1 million de tokens — de quoi analyser un rapport de plusieurs centaines de pages en une seule requête. Au-delà de cette limite, le début de la conversation "sort" de la mémoire du modèle.

Prompt

Le prompt est l'instruction que vous envoyez à une IA pour lui expliquer ce que vous attendez. La qualité de cette instruction détermine directement la qualité de la réponse obtenue — un modèle ne devine pas une intention qui n'est pas exprimée clairement. Voir notre guide complet sur le prompting pour une méthode détaillée.

Prompt système

Contrairement au prompt classique saisi à chaque message, le prompt système est une instruction de fond, configurée une fois, qui encadre le comportement du modèle sur l'ensemble d'une conversation ou d'un projet (rôle à adopter, règles à respecter, ton à employer). Les "Projects" de Claude ou les "GPTs personnalisés" de ChatGPT reposent sur ce principe.

Hallucination

Un LLM ne vérifie pas l'exactitude factuelle de ce qu'il génère — il prédit la suite la plus probable d'un texte. Sans contexte suffisant ou face à une question hors de ses connaissances fiables, il peut donc produire une réponse parfaitement formulée mais fausse, avec la même assurance qu'une réponse exacte. C'est ce qu'on appelle une hallucination. Le réflexe de bon sens : vérifier toute information factuelle précise (chiffre, date, citation, référence) avant de s'en servir, surtout dans un contexte professionnel.

RAG (génération augmentée par récupération)

Le RAG (Retrieval-Augmented Generation) est une technique qui permet à un modèle d'aller chercher des informations dans une base de documents externe avant de répondre, plutôt que de se fier uniquement à ce qu'il a mémorisé pendant son entraînement. C'est ce qui permet à un assistant IA connecté à vos documents d'entreprise, par exemple, de répondre en citant vos propres fichiers plutôt qu'en improvisant à partir de connaissances générales.

Agent IA

Un agent IA va au-delà du simple assistant conversationnel : il peut percevoir un contexte, prendre des décisions et exécuter des actions de façon autonome — naviguer sur le web, remplir un formulaire, écrire et tester du code, enchaîner plusieurs étapes sans validation constante de l'utilisateur. C'est la génération d'outils qui succède aux simples chatbots capables de répondre à des questions. Le changement de nature du risque est réel : un agent mal configuré n'affiche plus seulement une mauvaise réponse à l'écran, il peut agir directement sur des systèmes réels.

Fine-tuning

Le fine-tuning consiste à ré-entraîner un modèle déjà existant sur un jeu de données plus restreint et spécialisé, pour l'adapter à un usage précis (un secteur, un ton, une terminologie propre à une entreprise). C'est différent du prompt système, qui oriente le comportement sans modifier le modèle lui-même — le fine-tuning change réellement les paramètres internes du modèle.

Modèle à poids ouverts (open weights)

Un modèle à poids ouverts met à disposition publiquement les paramètres internes entraînés du modèle, permettant de l'exécuter sur sa propre infrastructure plutôt que de dépendre exclusivement du service en ligne de l'éditeur. Mistral et Meta (Llama) proposent ce type de modèles, contrairement à OpenAI, Anthropic ou Google qui gardent leurs modèles les plus avancés fermés et accessibles uniquement via API ou interface web.

IA locale ou cloud : la vraie différence

Une IA "cloud" (ChatGPT, Claude, Gemini dans leur usage standard) traite vos requêtes sur les serveurs de l'éditeur — pratique et sans installation, mais vos données transitent par des tiers. Une IA "locale" (via des outils comme Ollama ou LM Studio, avec des modèles à poids ouverts) tourne directement sur votre machine : aucune donnée ne sort de votre ordinateur, au prix d'un matériel plus exigeant et de performances généralement inférieures aux meilleurs modèles cloud.

API

Une API (interface de programmation applicative) permet à un logiciel tiers de dialoguer directement avec un modèle IA sans passer par son interface web classique. C'est ce qui permet d'intégrer ChatGPT, Claude ou Gemini dans une autre application — un outil métier, un site web, un chatbot personnalisé. La tarification API se fait généralement au token consommé, distincte de l'abonnement grand public.

L'IA gratuite suffit-elle ?

Pour un usage occasionnel — questions ponctuelles, aide à la rédaction simple — oui, largement. Les versions gratuites de ChatGPT, Claude et Gemini couvrent la majorité des besoins quotidiens. Un abonnement payant devient pertinent en cas d'usage intensif quotidien, de besoin d'accès aux modèles les plus avancés, ou de traitement de documents volumineux qui dépassent les limites gratuites.

Mes données sont-elles en sécurité ?

Ça dépend de l'outil et du plan choisi. Sur les offres grand public gratuites, vos conversations peuvent être utilisées pour améliorer les modèles, sauf désactivation explicite dans les paramètres de confidentialité. Les offres professionnelles (Team, Enterprise) proposent généralement des garanties de non-rétention des données. Pour des informations réellement sensibles (données clients, dossiers médicaux, secrets industriels), vérifiez systématiquement la politique de confidentialité avant de les transmettre à une IA, quelle qu'elle soit.

Pourquoi une IA se trompe-t-elle parfois avec assurance ?

C'est le phénomène d'hallucination décrit plus haut : le modèle génère la suite de texte la plus probable, pas une vérité vérifiée. Plus la question porte sur un sujet pointu, récent ou peu documenté, plus le risque d'erreur augmente — sans que la formulation de la réponse ne change d'assurance apparente.

Faut-il avoir peur de l'IA ?

La peur n'est pas le bon réflexe — la vigilance méthodique l'est. Une IA reste un outil : elle ne remplace pas le jugement, elle l'accélère quand elle est bien utilisée. Les vrais risques concrets aujourd'hui touchent la confidentialité des données partagées, la désinformation par du contenu généré non vérifié, et une dépendance excessive qui ferait perdre l'habitude de vérifier ou de raisonner par soi-même.