Lexique de l’IA
en entreprise.

Un programme qui enchaîne plusieurs étapes pour atteindre un objectif, en choisissant lui-même certaines de ces étapes. Il se distingue d’un automatisme classique par cette latitude de décision.

En entreprise, la question utile n’est pas de savoir si un agent est autonome, mais où s’arrête son autonomie : ce qu’il peut décider seul, et ce qui repasse par une validation humaine.

Le fait de contraindre un modèle à répondre à partir de documents que vous fournissez, plutôt qu’à partir de ce qu’il a mémorisé à l’entraînement. On parle aussi de RAG.

C’est ce qui permet de citer une source vérifiable, et donc de rendre une réponse contestable.

L’ensemble des informations qu’un modèle a sous les yeux au moment de répondre : la question, les documents joints, l’historique de la conversation.

Sa taille est bornée. Au-delà, il faut choisir ce qu’on donne, et ce choix est souvent ce qui distingue un système utile d’un système décevant.

La quantité maximale de texte qu’un modèle peut prendre en compte d’un seul tenant.

Une fenêtre large ne dispense pas de trier : donner trop d’information dégrade souvent la réponse au lieu de l’améliorer.

Une réponse fausse énoncée avec la même assurance qu’une réponse juste. Le modèle ne ment pas : il produit ce qui ressemble le plus à une réponse plausible.

On ne l’élimine pas, on la rend détectable : en exigeant des citations, en restreignant le périmètre, en gardant une validation humaine là où l’erreur coûte cher.

L’unité de découpage du texte par un modèle : environ trois quarts d’un mot en français. La facturation et les limites de contexte se comptent en jetons.

Un système entraîné à prédire la suite d’un texte, et qui en tire une capacité générale à rédiger, résumer, classer et extraire.

Il n’a ni base de connaissances consultable ni mémoire de vos échanges passés, sauf si on lui en fournit une.

L’instruction donnée au modèle. En usage professionnel, ce n’est pas une phrase mais un document : rôle, contraintes, format attendu, exemples.

Le fait de poursuivre l’entraînement d’un modèle sur vos propres données pour l’adapter à un usage précis.

Souvent envisagé trop tôt : l’ancrage documentaire et un bon prompt résolvent la majorité des cas, pour une fraction du coût et sans figer la connaissance.

Un réglage qui gouverne la variabilité des réponses. Basse, le modèle est prévisible et répétitif ; haute, il est plus inventif et moins fiable.

Pour de l’extraction ou de la classification, on la veut basse. Pour de la rédaction, un peu moins.