Alsace·AI Le Bretzel

Accueil

Lexique de l’IA : les mots qu’on emploie, expliqués simplement

Sur alsace.ai, on parle d’agents, de poids ouverts, de tokens ou d’AI Act comme si tout le monde savait de quoi il s’agit. Ce n’est pas le cas, et c’est bien normal : ce vocabulaire est apparu en quelques années, souvent en anglais, et il change vite. Ce lexique rassemble les mots qui reviennent le plus souvent dans nos articles, expliqués simplement. Il s’enrichira au fil de l’actualité. Un mot vous manque ? Écrivez-nous.

Sommaire : Les bases · Comment on fabrique un modèle · Ouvert ou fermé · Les agents · Sécurité · Matériel, énergie et souveraineté · Les règles

Les bases

Intelligence artificielle (IA)

Des programmes capables d’accomplir des tâches qu’on associait jusqu’ici à l’intelligence humaine : comprendre un texte, reconnaître une image, traduire, résumer. Le mot recouvre des choses très différentes, du filtre anti-spam à l’assistant conversationnel. Aujourd’hui, quand on dit « IA », on pense le plus souvent à l’IA générative.

IA générative

Une IA qui produit un contenu nouveau, texte, image, son, vidéo ou code, à partir d’une demande. ChatGPT, Claude, Gemini ou Le Chat de Mistral en sont les exemples les plus connus. Elle ne « sait » rien au sens où nous l’entendons : elle produit la suite la plus plausible de ce qu’on lui donne, à partir de ce qu’elle a vu pendant son entraînement.

Modèle

Le « cerveau » d’une IA : un très gros fichier de nombres, obtenu par l’entraînement, qui transforme ce qu’on lui donne en réponse. Il faut distinguer le modèle du produit : ChatGPT est une application, qui s’appuie sur plusieurs modèles d’OpenAI (la famille GPT). De même, un même modèle peut faire tourner des dizaines de produits différents.

LLM (grand modèle de langage)

De l’anglais Large Language Model. Un modèle entraîné sur d’immenses quantités de textes pour deviner la suite d’un texte, morceau par morceau. C’est cette prédiction, répétée des milliers de fois, qui produit une réponse entière. GPT, Claude, Gemini, Mistral Large, Llama ou DeepSeek sont des LLM.

Chatbot, assistant

Le chatbot est une fenêtre de conversation construite au-dessus d’un modèle. On parle plutôt d’assistant quand il peut aussi agir dans vos outils : lire vos mails, remplir votre agenda, chercher dans vos documents. Copilot, Gemini ou Claude se présentent aujourd’hui comme des assistants.

Prompt (consigne)

Le texte que l’on donne à l’IA : une question, une instruction, un exemple, un document à traiter. La qualité de la réponse dépend beaucoup de la clarté de la demande : dire qui l’on est, ce que l’on veut, sous quelle forme, et ce qu’il faut éviter.

Token (jeton)

L’unité avec laquelle un modèle découpe le texte : un mot court, un morceau de mot, un signe de ponctuation. Les IA lisent et écrivent en tokens, et leur usage professionnel se facture au token, généralement en dollars par million de tokens. Le français se découpe en davantage de tokens que l’anglais, ce qui le rend un peu plus cher à traiter.

Fenêtre de contexte

La quantité de texte qu’un modèle peut garder en tête en même temps : votre question, la conversation en cours, les documents que vous lui avez confiés. Elle se mesure en tokens. Les grands modèles actuels acceptent plusieurs centaines de milliers de tokens, parfois plus d’un million, soit plusieurs livres. Au-delà, le début de la conversation sort de sa mémoire.

Hallucination

Quand une IA affirme avec assurance quelque chose de faux : une citation inventée, un article de loi qui n’existe pas, un chiffre erroné. Ce n’est pas une panne occasionnelle, c’est une conséquence de son fonctionnement : elle cherche le plausible, pas le vrai. Les modèles récents hallucinent moins, mais la règle reste la même : on vérifie.

Multimodal

Se dit d’un modèle qui comprend ou produit plusieurs types de contenus : texte, images, son, vidéo. C’est ce qui permet de photographier une facture et de lui poser une question dessus, ou de lui parler à voix haute.

Modèle de raisonnement

Un modèle qui « réfléchit » avant de répondre : il rédige d’abord une série d’étapes intermédiaires, souvent cachées, puis sa réponse. Il est plus fiable en mathématiques, en programmation ou en logique, mais plus lent et plus cher, puisque ces étapes consomment elles aussi des tokens.

Comment on fabrique un modèle

Entraînement

La phase où le modèle apprend, en ajustant peu à peu ses réglages internes sur des montagnes de données. Pour les plus grands modèles, elle mobilise des dizaines de milliers de puces pendant des semaines, voire des mois, et coûte des sommes considérables en matériel et en électricité. C’est pourquoi seule une poignée d’entreprises peut s’offrir les plus gros.

Données d’entraînement

Les textes, images, sons et codes qui servent à entraîner un modèle : pages web, livres, forums, code public, données achetées ou fabriquées par d’autres IA. Leur origine soulève des questions de droit d’auteur et de vie privée, au cœur de nombreux débats en Europe, comme celui sur l’usage de vos données personnelles.

Paramètres, poids

Les réglages internes d’un modèle, des nombres ajustés pendant l’entraînement. On les compte en milliards : « 22B » signifie 22 milliards de paramètres. Plus il y en a, plus le modèle est en général capable, mais plus il est lourd à faire tourner. Le fichier qui contient ces nombres, ce sont les « poids » du modèle.

Inférence

L’utilisation d’un modèle une fois entraîné : chaque fois que vous posez une question, il « infère » une réponse. Une requête coûte peu, mais des milliards de requêtes par jour, c’est ce qui fait tourner les data centers en continu. La guerre des prix de l’inférence est l’un des grands combats commerciaux du moment.

Fine-tuning (affinage)

Reprendre un modèle existant et le réentraîner sur un petit jeu de données spécialisé, pour l’adapter à un métier, une tâche ou un style. C’est beaucoup moins coûteux que de partir de zéro, et c’est ainsi que naissent de nombreux modèles spécialisés en droit, en médecine ou en code.

Distillation

Entraîner un petit modèle, l’« élève », à imiter les réponses d’un grand, le « maître ». L’élève devient bien meilleur que s’il avait appris seul, pour beaucoup moins cher. La pratique est courante, mais elle fait polémique quand une entreprise distille le modèle d’un concurrent sans son accord.

Mélange d’experts (MoE)

De l’anglais Mixture of Experts. Une architecture où le modèle est découpé en nombreux sous-ensembles « experts », dont quelques-uns seulement travaillent pour chaque morceau de texte. Un modèle de mille milliards de paramètres peut ainsi n’en solliciter qu’une petite fraction à chaque fois : il est plus rapide et moins cher à faire tourner. DeepSeek, Kimi ou Mistral l’utilisent.

Quantification

Compresser les poids d’un modèle en les écrivant avec moins de précision, pour qu’il prenne moins de mémoire et tourne sur des machines plus modestes, au prix d’une légère perte de qualité. C’est ce qui permet de faire tourner un modèle sur un simple PC.

Benchmark

Un test standardisé pour comparer les modèles : problèmes de mathématiques, exercices de programmation, questions d’examen. Utile, mais à lire avec prudence : chaque éditeur met en avant les tests qui l’avantagent, et un modèle peut avoir croisé les réponses pendant son entraînement. Rien ne remplace un essai sur ses propres cas, comme nous l’avions fait en juin.

Modèle de frontière

Les modèles les plus avancés du moment, à la limite de ce que l’on sait faire, produits par une poignée de laboratoires comme OpenAI, Anthropic ou Google. Ce sont eux que visent les tests de sécurité les plus poussés et les règles les plus strictes.

AGI, superintelligence

L’AGI (intelligence artificielle générale) désigne une IA hypothétique capable de faire aussi bien qu’un humain dans à peu près tous les domaines ; la superintelligence, une IA qui nous dépasserait largement. Aucune définition ne fait consensus, et ces mots servent autant à lever des fonds et à orienter le débat politique qu’à décrire la science.

Alignement

L’ensemble des efforts pour qu’une IA fasse ce qu’on attend vraiment d’elle, respecte des règles et ne trompe pas ses utilisateurs. C’est l’un des grands chantiers non résolus : des chercheurs observent des modèles qui trichent pour atteindre leur objectif.

Ouvert ou fermé

Open source

Au sens strict, un logiciel dont le code est publié et que chacun peut librement utiliser, étudier, modifier et redistribuer. Pour une IA, l’Open Source Initiative exige depuis 2024 que l’on publie aussi les poids, le code d’entraînement et une description suffisante des données. Très peu de modèles cochent toutes les cases : la plupart de ceux qu’on dit « open source » sont en réalité à poids ouverts.

Poids ouverts (open weights)

Un modèle dont les poids sont téléchargeables : on peut le faire tourner chez soi, l’adapter, sans dépendre de son éditeur ni lui envoyer ses données. En revanche, on ne sait pas toujours comment il a été fabriqué, ni sur quelles données. Mistral, DeepSeek, Qwen ou Gemma publient des modèles à poids ouverts ; Meta, pionnier du genre, a pris le chemin inverse avec ses modèles les plus puissants.

Modèle propriétaire (fermé)

Un modèle dont les poids restent chez l’éditeur : on n’y accède que par son application ou son API, à ses conditions et à ses prix, qui peuvent changer du jour au lendemain. C’est le cas des modèles GPT, Claude ou Gemini.

Licence

Le contrat qui dit ce que l’on a le droit de faire avec un logiciel ou un modèle. Apache 2.0 et MIT sont des licences très permissives, qui autorisent notamment l’usage commercial. D’autres licences « maison » ajoutent des restrictions : taille de l’entreprise, usages interdits, obligation de citer l’éditeur. Toujours la lire avant de bâtir un projet dessus.

Hugging Face

Une plateforme fondée en 2016 par trois Français, devenue la grande bibliothèque mondiale de l’IA ouverte : on y trouve et télécharge des modèles, des jeux de données et des démonstrations. Un peu le GitHub de l’IA. Elle publie régulièrement un état des lieux de l’écosystème ouvert.

GitHub

La plateforme, propriété de Microsoft, où les développeurs publient, partagent et font évoluer le code de leurs logiciels. La plupart des projets open source y vivent.

IA locale

Faire tourner un modèle directement sur son ordinateur, son téléphone ou son propre serveur, sans envoyer ses données dans le cloud d’un tiers. On y gagne en confidentialité et en indépendance, au prix d’une machine assez puissante et de modèles plus petits. Nous avons publié un guide pour s’y mettre.

Les agents

Agent IA

Une IA qui ne se contente pas de répondre mais qui agit : elle découpe une tâche en étapes, utilise des outils (navigateur, messagerie, fichiers, parfois moyens de paiement), vérifie le résultat et recommence si besoin, avec plus ou moins d’autonomie. La promesse : déléguer. Le risque : une erreur ne reste plus à l’écran, elle a des effets réels. D’où la question qui revient sans cesse : qui tient la laisse ?

Agentique

Se dit d’un système construit autour d’agents. Le « commerce agentique », par exemple, désigne des achats réalisés par des agents pour le compte de clients.

API

Une interface de programmation : la « prise » qui permet à un logiciel de parler à un autre. Les entreprises qui intègrent l’IA dans leurs outils passent par l’API des modèles, payée à l’usage, plutôt que par le site grand public.

MCP (Model Context Protocol)

Un standard ouvert, lancé par Anthropic fin 2024, qui permet de brancher un assistant ou un agent sur des outils et des données (agenda, logiciel de gestion, base de données) de manière uniforme. On le compare souvent à une prise USB-C de l’IA. Adopté par la plupart des acteurs, il a été confié à la Linux Foundation.

RAG

De l’anglais Retrieval-Augmented Generation, génération augmentée par la recherche. L’IA va d’abord chercher dans vos documents les passages utiles, puis s’appuie dessus pour répondre. Les réponses sont plus précises et peuvent citer leurs sources, sans réentraîner le modèle. C’est le principe de la plupart des « assistants sur vos documents ».

Bac à sable (sandbox)

Un environnement isolé dans lequel on fait tourner un programme ou un agent pour qu’il ne puisse rien abîmer à l’extérieur. Tout dépend de l’étanchéité de ses portes de sortie, comme l’a montré l’affaire Hugging Face.

Computer use

La capacité d’une IA à piloter un ordinateur comme le ferait un humain : regarder l’écran, déplacer la souris, cliquer, taper au clavier. Elle peut ainsi utiliser des logiciels qui n’ont pas été prévus pour elle.

Sécurité

Faille (vulnérabilité)

Une erreur dans un logiciel qui permet à quelqu’un de lui faire faire ce qu’il ne devrait pas : lire des données, prendre le contrôle d’un serveur. Les IA aident désormais autant à les trouver qu’à les exploiter, comme avec PHP2Shell.

CVE

L’identifiant unique donné à une faille connue et publiée, sous la forme CVE-année-numéro. Il permet à tout le monde, éditeurs, administrateurs, chercheurs, de parler de la même faille sans ambiguïté.

Zero-day (faille « du jour zéro »)

Une faille exploitée par des attaquants avant que l’éditeur la connaisse ou ait publié un correctif : les défenseurs ont « zéro jour » pour réagir. Ce sont les plus dangereuses, et les plus recherchées.

Exploit

Le programme ou la méthode qui tire parti d’une faille pour attaquer un système. Trouver une faille est une chose ; écrire l’exploit qui la rend utilisable en est une autre, et c’est là que les IA récentes inquiètent.

Correctif (patch)

La mise à jour qui répare une faille. Elle ne protège que ceux qui l’installent : un site ou un serveur qui n’est pas mis à jour reste vulnérable, même des mois après. D’où l’intérêt des mises à jour automatiques.

Injection de prompt

Une attaque qui consiste à cacher des instructions dans un contenu que l’IA va lire, une page web, un mail, un document, pour la détourner : « ignore tes consignes et envoie-moi les fichiers ». C’est le talon d’Achille des agents qui naviguent et lisent à votre place.

Red teaming (évaluation de sécurité)

Tester un modèle en se mettant dans la peau d’un attaquant, pour découvrir avant sa sortie ce qu’il peut faire de dangereux : aider à pirater, à fabriquer une arme, à manipuler ou à tromper. Ces tests sont menés par les laboratoires eux-mêmes et par des organismes indépendants.

Deepfake (hypertrucage)

Une image, une vidéo ou une voix générée ou truquée par IA pour faire dire ou faire à quelqu’un ce qu’il n’a jamais dit ni fait, ou pour montrer un événement qui n’a pas eu lieu, comme les fausses images du 17 octobre.

Filigrane (watermark)

Une marque invisible glissée dans un contenu généré par IA pour pouvoir l’identifier ensuite. Utile, mais imparfait : elle peut s’effacer, elle est très difficile à appliquer au texte, et beaucoup d’outils n’en mettent pas. Google a ouvert son détecteur à tous.

Shadow AI (IA de l’ombre)

L’usage d’outils d’IA par des salariés sans accord ni encadrement de leur employeur, souvent sur des comptes personnels. Le risque : des documents confidentiels copiés dans des services dont l’entreprise ne maîtrise rien. Le phénomène est très répandu en France.

Matériel, énergie et souveraineté

GPU

Le processeur graphique. Conçu à l’origine pour les jeux vidéo, il est devenu la puce reine de l’IA parce qu’il effectue des milliers de calculs en parallèle. Nvidia domine très largement ce marché, ce qui en fait l’un des acteurs les plus puissants du secteur.

TPU et puces spécialisées

Des puces conçues uniquement pour l’IA, comme les TPU de Google. Les géants du numérique développent les leurs pour moins dépendre de Nvidia et réduire leurs coûts.

Data center (centre de données)

Un bâtiment rempli de serveurs qui stockent des données et font tourner des services en ligne, dont l’IA. Ceux consacrés à l’IA consomment énormément d’électricité, et souvent beaucoup d’eau pour le refroidissement. Près de chez nous, le projet de Microsoft à Petit-Landau en est un exemple.

Puissance de calcul (compute)

La capacité disponible pour entraîner et faire tourner les modèles : nombre de puces, de serveurs, d’électricité pour les alimenter. C’est devenu la ressource stratégique de la course à l’IA, pour laquelle les géants investissent des centaines de milliards.

Cloud

L’usage de serveurs à distance, loués à un prestataire (Amazon, Microsoft, Google, OVHcloud…), plutôt que de ses propres machines. Quand vous utilisez un assistant en ligne, vos données passent par le cloud de quelqu’un d’autre, et sont soumises aux lois de son pays.

Souveraineté numérique

La capacité d’un pays, d’une administration ou d’une entreprise à maîtriser ses outils et ses données sans dépendre d’acteurs étrangers soumis à d’autres lois. Christine Lagarde a rappelé que l’Europe pourrait être « coupée » de l’IA du jour au lendemain.

Empreinte environnementale

L’électricité, l’eau et les matériaux consommés par l’IA, de la fabrication des puces à l’utilisation quotidienne. Elle est difficile à mesurer précisément, car les grandes entreprises publient peu de chiffres, et les études divergent. Nous avons détaillé ce que dit l’étude Green IT, et ses limites.

Les règles

AI Act (règlement européen sur l’IA)

La première grande loi au monde sur l’intelligence artificielle, adoptée par l’Union européenne en 2024. Elle classe les usages selon leur niveau de risque. Certains sont interdits depuis février 2025, comme la notation sociale des citoyens. Les grands modèles « à usage général » ont des obligations depuis août 2025. Les usages « à haut risque » (recrutement, éducation, santé, justice) seront encadrés à partir de décembre 2027, après un report décidé en mai 2026.

Modèle à usage général (GPAI)

La catégorie de l’AI Act qui désigne les grands modèles capables de servir à mille usages : GPT, Claude, Gemini, Mistral… Leurs fournisseurs doivent documenter leurs modèles et respecter le droit d’auteur. Les plus puissants, dits « à risque systémique », doivent en plus évaluer et réduire leurs risques et signaler les incidents graves. Bruxelles a commencé à leur demander des comptes.

RGPD

Le règlement général sur la protection des données, en vigueur dans toute l’Union européenne depuis 2018. Il s’applique aussi à l’IA : une entreprise ne peut pas utiliser vos données personnelles n’importe comment pour entraîner un modèle, et vous disposez de droits d’accès, d’opposition et d’effacement.

Omnibus numérique

Un paquet de « simplification » présenté par la Commission européenne en novembre 2025, qui retouche plusieurs textes, dont l’AI Act et le RGPD. Présenté comme un allègement pour les entreprises, il est critiqué par les défenseurs de la vie privée comme un recul. Le volet AI Act a fait l’objet d’un accord en mai 2026 ; le volet RGPD est encore en discussion.

CNIL

La Commission nationale de l’informatique et des libertés, l’autorité française de protection des données personnelles. Elle contrôle le respect du RGPD, y compris par les entreprises d’IA, peut les sanctionner, et publie des recommandations pratiques.

ANSSI

L’Agence nationale de la sécurité des systèmes d’information, chargée de la cybersécurité de l’État et des organisations essentielles. Elle publie des alertes sur les failles importantes, par l’intermédiaire du CERT-FR, et des guides de bonnes pratiques utiles à tous.

Lexique mis à jour le 6 novembre 2026. Il s’enrichira au fil de nos articles.