Le vocabulaire IA dont les managers ont vraiment besoin : quinze termes, expliqués par leurs conséquences

La plupart des glossaires IA définissent les termes techniquement et s'arrêtent là. Pour un manager, un terme ne compte que par ses conséquences : ce qu'il change au coût, à la qualité ou au risque dans une décision réelle. Voici le vocabulaire de travail à cette aune.

Comment les modèles lisent et facturent

Un token est l'unité que les modèles lisent et que la facturation compte — grossièrement les trois quarts d'un mot. Conséquence : les coûts d'API suivent le volume de texte entrant et sortant, ce qui rend chères les conceptions « collons toute l'archive » et explique l'existence des étapes de résumé.

La fenêtre de contexte est ce que le modèle peut considérer à la fois. Conséquence : c'est une mémoire de travail, pas un savoir — ce qui est hors fenêtre n'existe pas pour le modèle, d'où les longues conversations qui « oublient » les premières consignes et les outils documentaires qui découpent vos fichiers.

L'inférence est l'exécution du modèle pour obtenir une sortie (par opposition à l'entraînement, qui construit le modèle). Conséquence : l'inférence est le coût récurrent payé à l'usage, et l'empreinte environnementale par requête ; la plupart des décisions business sont des décisions d'inférence.

Les paramètres d'un modèle et sa classe de taille (frontière contre petit) échangent capacité contre coût et vitesse. Conséquence : la décision produit récurrente « quel modèle suffit pour cette tâche » est un jugement de coût, de latence et de qualité à la fois — tout router vers le plus gros modèle est la version IA de voyager partout en première.

Pourquoi les sorties sont ce qu'elles sont

L'hallucination est un contenu fabriqué, fluide et assuré. Conséquence : toute affirmation vérifiable non vérifiée est un passif, et les workflows doivent budgéter une étape de vérification.

Température et échantillonnage : les modèles génèrent de façon probabiliste, le même prompt peut donner des réponses différentes. Conséquence : le non-déterminisme est une qualité pour le brainstorming et un défaut pour un texte réglementaire ; sachez de quel mode votre cas d'usage relève.

La date de coupure d'entraînement : le savoir intégré du modèle s'arrête à une date. Conséquence : tout ce qui est daté exige récupération ou recherche, sous peine d'être répondu depuis un monde périmé, avec assurance.

Un prompt système est une consigne permanente que l'utilisateur ne voit pas. Conséquence : le prompt système de votre fournisseur façonne ton, refus et mentions ; quand le comportement paraît étrange, cette couche invisible en est souvent la cause.

Les façons de spécialiser un modèle

Le RAG — génération augmentée par récupération — fait chercher le modèle dans vos documents avant de répondre, en citant ce qu'il a trouvé. Conséquence : l'ancrage réduit l'hallucination et permet un savoir frais, mais la récupération peut rapporter le mauvais passage ; les citations demandent un contrôle par échantillon, et le corpus demande de l'entretien.

Le fine-tuning ré-entraîne un modèle sur vos exemples pour changer son comportement par défaut. Conséquence : c'est pour la forme (style, format, taxonomie), rarement pour les faits — un savoir qui change relève de la récupération, pas des poids. La plupart des équipes qui veulent du fine-tuning ont besoin de RAG ou d'un meilleur prompt.

Un agent est un modèle branché à des outils pour agir — naviguer, écrire, exécuter, envoyer. Conséquence : les erreurs deviennent des actions au lieu de paragraphes ; permissions, points de contrôle et journaux deviennent la surface de contrôle, et la conception de délégation une compétence de management.

Juger les affirmations sur l'IA

Un benchmark est une batterie de tests standardisée derrière les titres sur les capacités. Conséquence : les scores mesurent les conditions du benchmark ; la seule évaluation qui prédit vos résultats est un essai sur vos tâches avec vos données.

Le biais désigne ici une distorsion systématique héritée des données d'entraînement. Conséquence : dans les domaines à conséquences — embauche, crédit, admissions — c'est une propriété mesurable, auditée, de plus en plus réglementée, pas une impression.

Les garde-fous sont les filtres et règles qui bornent le comportement du modèle. Conséquence : ils sont probabilistes, pas absolus ; les promesses de sécurité des fournisseurs décrivent des tendances, et votre propre étape de relecture reste une pièce du système.

Et la dérive de modèle / le versionnage : les fournisseurs mettent à jour les modèles, changeant le comportement sous votre produit. Conséquence : figez les versions là où la constance compte, et re-testez quand la version bouge — l'évaluation d'hier n'engage pas le modèle d'aujourd'hui.

Quinze termes, chacun un levier dans une décision réelle. C'est le test de la littératie IA pour les managers : non pas définir les mots, mais savoir ce que chacun change au prochain choix posé sur votre bureau.