Le petit lexique de l’IA : 20 termes enfin clairs

Prompt, token, hallucination, LLM, RAG, fine-tuning : les conversations sur l’IA ressemblent parfois à un dîner où tout le monde parle une langue étrangère — et où l’on hoche la tête en espérant que personne ne pose de question. Bonne nouvelle : ce vocabulaire intimidant recouvre des idées **simples**, qui s’expliquent en quelques phrases avec les bonnes images. Voici le lexique des 20 termes qui reviennent partout — enfin clairs, pour suivre les conversations, lire les articles et comprendre ce que vous utilisez déjà.

Les fondamentaux : la machine et son apprentissage

Intelligence artificielle (IA) : terme parapluie — tout programme accomplissant des tâches qui demanderaient de l’intelligence humaine (comprendre, reconnaître, décider). Apprentissage automatique (machine learning) : la méthode **reine** — au lieu de programmer des règles, on montre des millions d’exemples et la machine en tire les régularités ; comme apprendre à reconnaître un chat en voyant mille chats, pas en lisant sa définition. Réseau de neurones : l’architecture inspirée (de très loin) du cerveau — des millions de petites unités de calcul connectées, qui s’ajustent pendant l’apprentissage. Deep learning (apprentissage profond) : des réseaux de neurones à très nombreuses **couches** — la recette derrière les progrès spectaculaires de la décennie. Modèle : le résultat de l’apprentissage — le « cerveau » entraîné qu’on utilise ensuite ; quand on dit « un nouveau modèle est sorti », comprenez « une nouvelle version du cerveau ».

L’IA générative et ses vedettes

IA générative : celle qui crée — textes, images, sons, **vidéos** — au lieu de seulement classer ou reconnaître. LLM (grand modèle de langage) : le moteur des assistants conversationnels — un modèle géant entraîné sur des océans de textes, devenu expert de la **langue**. Prompt : votre consigne — la demande que vous formulez ; l’art de bien la rédiger s’appelle le prompt engineering. Token : l’unité de découpage du texte (un mot court, un morceau de mot long) — les limites et les prix des IA se comptent en tokens ; retenez « morceau de **mot** ». Hallucination : le défaut **célèbre** — l’IA affirme avec aplomb quelque chose de faux, car elle optimise la vraisemblance, pas la vérité ; d’où la règle de toujours vérifier l’important. Multimodal : qui comprend et produit plusieurs « modes » — texte, image, son — dans une même **conversation**.

Le bon réflexe. Pour ancrer ces notions, demandez à une IA elle-même : « explique-moi [terme] avec une analogie du quotidien, puis un exemple concret ». Le vocabulaire de l’IA expliqué par l’IA, à votre rythme et avec vos images : c’est l’exercice parfait pour joindre l’utile au métalinguistique — et vérifier au passage que vous savez désormais dialoguer avec elle.

Sous le capot : les termes techniques qui reviennent

Entraînement : la phase (longue et coûteuse) où le modèle **apprend** sur les données. Inférence : la phase d’usage — quand le modèle entraîné répond à vos **demandes** ; chaque réponse est une inférence. Fine-tuning (ajustement) : spécialiser un modèle généraliste sur un **domaine** — comme envoyer un bon généraliste en formation d’expert. RAG : brancher l’IA sur des documents de référence qu’elle consulte avant de répondre — l’examen à livre ouvert, qui réduit les hallucinations et permet de répondre sur vos **contenus**. Paramètres : les milliards de réglages internes d’un modèle — l’ordre de grandeur qu’on cite pour donner sa « taille ». Open source / open weights : modèles librement téléchargeables et utilisables sur ses propres **machines** — par opposition aux modèles fermés accessibles uniquement via leur éditeur.

L’écosystème et les débats

Agent : une IA qui ne se contente plus de répondre mais enchaîne des **actions** (chercher, utiliser des outils, exécuter) pour accomplir une mission — la grande tendance actuelle. Biais : les préjugés hérités des données d’entraînement — l’IA reflète ce qu’on lui a montré, défauts **compris**. AGI (intelligence artificielle générale) : l’hypothétique IA égalant l’humain dans tous les **domaines** — objet de débats enflammés et d’aucune réalité actuelle ; quand vous lisez AGI, comprenez « spéculation ». Alignement : le champ qui travaille à ce que les IA fassent ce qu’on attend d’elles, de façon sûre et conforme à nos **valeurs** — plus important à mesure qu’elles gagnent en autonomie.

Questions fréquentes

Faut-il connaître ces termes pour utiliser l’IA ?

Non — on utilise très bien un assistant sans **vocabulaire**. Mais les connaître aide à comprendre les limites (hallucination, biais), à lire l’actualité sans se faire balader, et à choisir ses outils en connaissance de **cause**.

Quelle différence entre ChatGPT, un LLM et l’IA ?

Emboîtement simple : l’IA est le domaine **entier** ; le LLM est un type de modèle spécialisé dans le langage ; les assistants connus sont des produits construits autour d’un LLM. Comme « le transport », « le moteur à essence » et « une marque de **voiture** ».

Le vocabulaire va-t-il encore changer ?

Oui — chaque vague apporte ses mots (les « agents » hier encore confidentiels sont **partout**). Mais les fondamentaux de cette page restent stables : ils vous serviront de socle **durable**.

Ce qu’il faut retenir

Le jargon de l’IA recouvre des idées **simples** : la machine apprend par l’exemple (machine learning, réseaux de neurones), les assistants reposent sur des modèles de langage géants (LLM) qu’on pilote par des consignes (prompts), leurs défauts ont des noms (hallucinations, biais) et leurs évolutions aussi (agents, multimodal, RAG). Avec ces vingt termes, vous suivez les conversations, décodez les annonces et repérez les vendeurs de brouillard. Et souvenez-vous du meilleur professeur de vocabulaire IA : l’IA elle-même — une analogie et un exemple à la demande, jusqu’à ce que ce soit **limpide**.