Prompt, MCP, skill, artéfact, RAG, API : le vocabulaire de l'intelligence artificielle s'est imposé partout sans jamais être expliqué. Ce glossaire...
Réunions, articles, propositions commerciales de prestataires: le vocabulaire de l'intelligence artificielle s'est imposé partout en deux ans, souvent sans que personne prenne le temps de l'expliquer. Résultat, beaucoup de responsables de PME hochent la tête sur des mots comme « MCP », « artéfact » ou « RAG » sans savoir précisément ce qu'ils désignent — et se retrouvent mal armés pour juger si une solution proposée correspond vraiment à leur besoin.
Cet article est écrit pour vous si vous travaillez dans une PME et que l'IA n'est pas votre métier. Aucune connaissance technique n'est nécessaire. Chaque terme est expliqué en langage courant, accompagné d'un exemple concret d'entreprise. L'objectif n'est pas de faire de vous un expert, mais de vous permettre de suivre une conversation, de poser les bonnes questions à un prestataire et de repérer quand on vous vend de la complexité inutile.
Les termes sont regroupés par thème plutôt que par ordre alphabétique: cela suit l'ordre dans lequel on les rencontre en pratique. Vous pouvez lire d'un bout à l'autre ou aller directement à la section qui vous intéresse. Intelligence artificielle (IA) — Terme générique désignant un logiciel capable d'effectuer des tâches qui demandaient jusqu'ici un jugement humain: comprendre un texte, reconnaître une image, faire une recommandation. C'est un mot-valise: dire qu'un outil « utilise l'IA » ne dit presque rien de ce qu'il fait réellement. Demandez toujours quelle tâche précise est automatisée.
Apprentissage automatique (machine learning) — La méthode qui domine l'IA actuelle. Au lieu de programmer des règles une par une, on montre au logiciel des milliers d'exemples et il en déduit lui-même des régularités. C'est pourquoi une IA n'est jamais « juste ou fausse » comme une formule de tableur: elle produit une réponse probable, pas une réponse certaine.
IA générative — La famille d'IA qui produit du contenu nouveau: texte, image, code, audio. C'est celle dont tout le monde parle depuis 2023. À distinguer de l'IA prédictive, plus ancienne et très présente en entreprise, qui se contente de classer ou d'anticiper (détecter un e-mail frauduleux, prévoir un volume de commandes).
Modèle — Le « moteur » de l'IA: le fichier, souvent très volumineux, qui contient tout ce que le système a appris. Quand on parle de GPT, Claude, Gemini, Mistral ou Llama, on parle de modèles. Une même application peut changer de modèle sous le capot, comme on changerait de moteur dans une voiture.
Grand modèle de langage (LLM, pour Large Language Model) — Le type de modèle derrière les assistants conversationnels. Son principe de base est simple à énoncer: il prédit le mot le plus plausible pour continuer un texte, puis le suivant, et ainsi de suite. Cette mécanique produit des résultats remarquables, mais elle explique aussi sa faiblesse principale: le modèle cherche à produire une suite vraisemblable, pas nécessairement vraie.
Multimodal — Se dit d'un modèle capable de traiter plusieurs formats à la fois: lire un texte, analyser une photo, écouter un enregistrement. Concrètement pour une PME, cela signifie qu'on peut photographier une facture papier ou un tableau imprimé et demander à l'IA d'en extraire les données, sans passer par un logiciel de reconnaissance dédié.
Entraînement et inférence — Deux phases distinctes qu'on confond souvent. L'entraînement, c'est la fabrication du modèle: des mois de calcul, des budgets colossaux, réservés à quelques acteurs mondiaux. L'inférence, c'est chaque utilisation du modèle terminé — votre question, sa réponse. Vous ne faites jamais que de l'inférence. Cette distinction compte: elle explique pourquoi vos conversations ne « ré-entraînent » pas automatiquement le modèle, sauf si l'éditeur le prévoit explicitement dans ses conditions.
Token (ou jeton) — L'unité de découpage du texte utilisée par les modèles. Un token correspond à un fragment de mot: en français, un mot courant en représente souvent un ou deux. Le terme revient partout parce que la facturation des services d'IA se fait au token consommé, en entrée comme en sortie. Le découpage exact varie d'un modèle à l'autre: si la volumétrie a un enjeu budgétaire pour vous, appuyez-vous sur le compteur de tokens fourni par votre éditeur plutôt que sur une règle générale.
Fenêtre de contexte — La quantité de texte que le modèle peut garder « sous les yeux » en une seule fois: votre question, l'historique de la conversation, les documents que vous avez joints. Au-delà de cette limite, les éléments les plus anciens sortent du champ et le modèle les oublie. C'est la raison pour laquelle une longue conversation finit par perdre le fil, et pourquoi il vaut mieux ouvrir une nouvelle discussion quand on change de sujet.
Hallucination — Le terme, mal choisi mais désormais installé, désigne une réponse inventée présentée avec le même aplomb qu'une réponse exacte: une référence légale qui n'existe pas, un chiffre plausible mais faux, un article de loi mal numéroté. Ce n'est pas un bug qu'un correctif éliminera, c'est une conséquence directe du fonctionnement statistique de ces modèles. La seule parade fiable en entreprise: vérifier systématiquement tout élément factuel — nom, montant, date, référence — avant de l'utiliser.
Date de coupure des connaissances — Un modèle a été entraîné sur des données arrêtées à une date donnée. Il ignore tout ce qui s'est passé depuis, et il ne le sait pas toujours lui-même. Pour toute question d'actualité — un tarif, une réglementation, un dirigeant en poste — il faut un modèle relié à une recherche web, ou vérifier soi-même.
2. Dialoguer avec l'IA: le vocabulaire de l'usage quotidien
Prompt — Simplement l'instruction que vous donnez à l'IA. Le mot anglais s'est imposé faute d'équivalent français élégant. La qualité du prompt détermine largement la qualité du résultat: « fais-moi un mail » et « rédige un mail de relance à un client qui a 30 jours de retard sur une facture de 4 200 euros, ton ferme mais courtois, en rappelant nos conditions de règlement » ne produisent pas du tout la même chose.
Prompt système (ou instructions système) — Un cadrage permanent, défini une fois, qui s'applique à toutes les conversations: le rôle de l'assistant, le ton attendu, les règles à respecter, les informations sur votre entreprise. C'est là qu'une PME gagne le plus de temps: plutôt que de répéter le contexte à chaque échange, on le fixe une fois pour toutes.
Ingénierie de prompt (prompt engineering) — L'art de formuler ses demandes efficacement. Derrière le nom pompeux, quatre réflexes suffisent dans la grande majorité des cas: donner le contexte, préciser à qui le résultat est destiné, fournir un exemple de ce que vous attendez, et indiquer le format voulu (tableau, liste, courriel, longueur).
Exemples fournis (few-shot) — Technique consistant à joindre deux ou trois exemples de résultats corrects à votre demande. C'est le levier le plus rentable et le plus sous-utilisé: pour faire rédiger des descriptions produits dans votre style, joindre trois descriptions existantes est plus efficace que dix lignes de consignes.
Température — Un réglage, visible surtout dans les outils techniques, qui contrôle le degré de liberté du modèle. Basse, les réponses sont prévisibles et régulières; haute, plus variées et créatives. Pour de l'extraction de données ou du traitement de dossiers, on veut une température basse. Pour du brainstorming, l'inverse.
Raisonnement (ou chaîne de pensée) — Mode dans lequel le modèle prend le temps de dérouler des étapes intermédiaires avant de répondre. Plus lent et plus coûteux, mais nettement plus fiable sur les calculs, les comparaisons de contrats ou les problèmes à plusieurs contraintes. À réserver aux tâches qui le méritent.
Itération — Le principe de fonctionnement normal: on obtient un premier jet, on corrige, on relance. Attendre le résultat parfait du premier coup est la source d'insatisfaction la plus fréquente chez les nouveaux utilisateurs. Traitez l'IA comme un collaborateur junior rapide à qui l'on donne des retours, pas comme une machine à réponses définitives.
3. Les briques techniques: ce qui relie l'IA à vos outils
C'est la section où le vocabulaire devient opaque. Ces termes reviennent systématiquement dans les propositions de prestataires — les comprendre change votre capacité à négocier.
API (interface de programmation) — Une porte d'entrée qui permet à deux logiciels de se parler directement, sans intervention humaine. Votre logiciel de facturation peut, via l'API d'un modèle d'IA, faire résumer automatiquement chaque devis entrant. En pratique, « est-ce que ça a une API? » revient à demander « est-ce qu'on peut le connecter à nos autres outils? ». Si la réponse est non, toute automatisation sera bancale.
Clé d'API — L'identifiant secret qui autorise et facture ces appels. À traiter exactement comme un mot de passe: une clé qui fuite, c'est une consommation facturée sur votre compte, et parfois un accès à vos données. Elle ne doit jamais circuler par courriel ni figurer dans un document partagé.
MCP (Model Context Protocol) — Une norme ouverte, créée par Anthropic et aujourd'hui portée comme projet open source par la Linux Foundation, qui standardise la façon dont un assistant IA se branche sur des outils extérieurs: votre messagerie, votre CRM, votre espace de fichiers, votre outil de tickets. Avant, chaque connexion demandait un développement spécifique; avec MCP, un même connecteur fonctionne avec différents assistants. La documentation officielle du protocole propose l'analogie du port USB-C: une prise unique là où il fallait auparavant un câble propriétaire par appareil. Pour une PME, l'intérêt est double — moins de développement sur mesure, et moins de dépendance à un fournisseur unique. Le fait que la norme soit désormais gouvernée par une fondation plutôt que par un seul éditeur renforce cet argument de réversibilité. (Source: documentation officielle du protocole, modelcontextprotocol.io, consultée le 29 juillet 2026.)
Connecteur — La mise en œuvre concrète du principe précédent: le module qui relie l'assistant à une application donnée. Quand un prestataire annonce « on connecte l'IA à votre CRM », c'est de cela qu'il parle. Deux questions à poser avant de valider: quelles données le connecteur peut-il lire, et peut-il aussi écrire ou supprimer?
Outil (tool, ou appel de fonction) — Une capacité d'action donnée au modèle: chercher sur le web, interroger une base, envoyer un message, exécuter un calcul. Un modèle sans outils ne fait que produire du texte; avec des outils, il agit sur votre système d'information. Le périmètre des outils accordés est votre principal levier de contrôle — et le premier point à examiner en matière de sécurité.
Agent — Un assistant à qui l'on confie un objectif plutôt qu'une instruction unique, et qui enchaîne lui-même les étapes nécessaires: consulter, décider, agir, vérifier. Exemple: « trie les demandes entrantes du support, classe-les par urgence et prépare une réponse pour chacune ». C'est puissant et c'est là que se joue l'essentiel des gains de productivité, mais cela exige un garde-fou clair sur les actions irréversibles — un agent ne doit pas envoyer un message à un client ou supprimer un fichier sans validation humaine.
Skill (compétence) — Un mode d'emploi réutilisable que l'on fournit à l'assistant pour une tâche récurrente: la procédure de votre entreprise, le modèle de document à respecter, les étapes à suivre dans l'ordre. Concrètement, c'est un document d'instructions que l'assistant charge quand la situation s'y prête. L'intérêt pour une PME est considérable et pourtant peu exploité: on encapsule un savoir-faire interne — la façon dont vous rédigez un compte rendu de visite, dont vous qualifiez un prospect — une fois, et il est appliqué de façon constante ensuite. Une compétence bien écrite vaut mieux que dix formations.
Artéfact — Un livrable que l'assistant produit dans une fenêtre à part, que l'on peut relire, modifier et conserver, au lieu d'un simple bloc de texte noyé dans la conversation: un document, un tableau de bord, un modèle de courrier, une petite application. La distinction est utile en entreprise: la conversation est éphémère, l'artéfact est le résultat qu'on garde et qu'on réutilise.
Automatisation ou flux de travail (workflow) — Une suite d'étapes déclenchée par un événement, dont une ou plusieurs font appel à l'IA. Exemple typique en PME: à l'arrivée d'un courriel sur l'adresse de contact, l'IA classe la demande, rédige un brouillon de réponse et crée une tâche dans l'outil de suivi. C'est souvent ici que se trouve le retour sur investissement le plus rapide, sur des tâches répétitives à faible enjeu.
4. Faire travailler l'IA sur vos propres données
Un modèle générique ne connaît ni vos tarifs, ni vos procédures, ni l'historique de vos clients. Voici les trois grandes façons de combler cet écart — leurs coûts et leurs contraintes n'ont rien à voir.
RAG (génération augmentée par la recherche) — La méthode la plus courante et la plus adaptée aux PME. Le principe: avant de répondre, le système va chercher les passages pertinents dans vos documents et les fournit au modèle, qui rédige à partir de ces éléments. C'est ainsi que fonctionne un assistant capable de répondre « d'après votre convention collective, article 12… ». Trois avantages décisifs: vos documents restent à leur place, la mise à jour est immédiate quand un document change, et les réponses peuvent citer leurs sources — donc être vérifiées.
Embedding et base vectorielle — La mécanique interne du RAG. Chaque paragraphe de vos documents est converti en une série de nombres qui représente son sens, stockée dans une base spécialisée. Cela permet de retrouver un passage par le sens et non par les mots exacts: une recherche sur « congé maternité » remontera un paragraphe intitulé « absence pour naissance ». Vous n'aurez pas à manipuler ces notions, mais vous les verrez apparaître dans les devis.
Affinage (fine-tuning) — Modifier le modèle lui-même en le ré-entraînant sur vos données. Coûteux, long, à refaire à chaque évolution, et sans effet sur l'exactitude factuelle: cela ajuste le style et le format, pas la connaissance. Dans la très grande majorité des cas en PME, un bon RAG accompagné d'instructions système bien écrites suffit. Si un prestataire propose d'emblée un affinage, demandez-lui pourquoi le RAG ne suffirait pas.
Ancrage et citation des sources (grounding) — Le fait d'obliger le modèle à appuyer chaque affirmation sur un document identifiable, avec le lien vers la source. C'est la contre-mesure la plus efficace aux hallucinations, et un critère de choix non négociable dès qu'un assistant doit répondre sur des sujets contractuels, réglementaires ou financiers.
5. Où tourne le modèle: la question qui décide de la confidentialité
Cloud (ou SaaS) — Le modèle tourne chez le fournisseur; vos données transitent par ses serveurs. C'est l'option la plus simple, la moins chère et la plus performante. Le point à vérifier n'est pas tant le lieu que le contrat: vos données sont-elles utilisées pour entraîner les modèles, combien de temps sont-elles conservées, où sont-elles hébergées? Les offres professionnelles excluent en général la réutilisation pour l'entraînement — les offres gratuites, souvent pas.
Local ou sur site (on-premise) — Le modèle tourne sur votre propre matériel, rien ne sort. Séduisant sur le papier, exigeant en pratique: matériel spécialisé, compétences internes, performances inférieures aux meilleurs modèles du marché. Justifié quand vous traitez des données de santé, des secrets industriels ou des dossiers sous contrainte réglementaire forte. Rarement nécessaire pour rédiger des comptes rendus de réunion.
Modèle ouvert / modèle fermé — Un modèle « ouvert » (ou à poids ouverts, comme Mistral ou Llama) peut être téléchargé et installé où vous voulez. Un modèle « fermé » (GPT, Claude, Gemini) est accessible uniquement via le service de son éditeur. Ouvert ne veut pas dire gratuit à l'usage: il faut le matériel pour le faire tourner. Le vrai avantage est la maîtrise et la réversibilité.
Souveraineté et hébergement européen — La question de savoir sous quelle juridiction se trouvent vos données. Les grands fournisseurs proposent aujourd'hui des hébergements dans l'Union européenne, mais un hébergement en Europe par une société de droit américain ne répond pas exactement à la même question qu'un fournisseur européen. Le niveau d'exigence dépend de votre secteur: parlez-en à votre prestataire plutôt que de trancher sur une intuition.
6. Risques et cadre: ce qu'il faut surveiller
Confidentialité et réutilisation des données — La règle de prudence la plus utile à diffuser en interne: ne collez jamais dans un outil d'IA grand public ce que vous ne publieriez pas. Contrats, données de santé, fichiers clients, code source, éléments de paie: ces contenus doivent passer par un service professionnel dont les conditions excluent explicitement la réutilisation. C'est une décision d'entreprise, pas un choix laissé à chaque salarié.
Shadow AI (IA fantôme) — L'usage d'outils d'IA par les collaborateurs sans que la direction en ait connaissance. C'est aujourd'hui l'un des principaux risques de fuite de données en PME, et il naît presque toujours d'une bonne intention: gagner du temps. La réponse efficace n'est pas l'interdiction, qui pousse l'usage dans la clandestinité, mais la mise à disposition d'un outil validé et une règle claire sur ce qui peut y être saisi.
RGPD — Le règlement européen sur les données personnelles s'applique intégralement à l'IA. Trois points de vigilance: une base légale est nécessaire pour tout traitement de données personnelles, les personnes concernées doivent être informées, et les décisions individuelles entièrement automatisées font l'objet d'un encadrement spécifique (article 22 du RGPD). La CNIL publie des recommandations dédiées à l'IA sur cnil.fr: c'est la référence à consulter en premier, avant tout article de presse ou support commercial. Concrètement, faire trier des CV par une IA sans intervention humaine vous expose; l'utiliser pour préparer une synthèse relue par un recruteur, non.
AI Act (règlement européen sur l'IA) — Le cadre européen sur l'intelligence artificielle, adopté sous la référence règlement (UE) 2024/1689. Il classe les usages en quatre niveaux de risque — inacceptable, élevé, lié à la transparence, minime — et ses obligations entrent en application par étapes successives. D'après la page officielle de la Commission européenne, mise à jour le 27 juillet 2026: huit des neuf pratiques interdites sont effectives depuis février 2025, les règles sur les modèles à usage général depuis août 2025, les obligations de transparence à compter d'août 2026, et les obligations pesant sur les systèmes à haut risque à compter du 2 décembre 2027.
Ce qu'une PME doit en retenir concrètement. D'abord, l'échéance la plus proche la concerne directement: les obligations de transparence. Elles imposent notamment d'informer une personne lorsqu'elle dialogue avec une machine et non avec un humain — un agent conversationnel sur votre site est visé — et de rendre identifiable le contenu généré par IA. La Commission a publié le 20 juillet 2026 des lignes directrices sur ces obligations, ainsi qu'un code de bonnes pratiques sur le marquage des contenus générés par IA. Ensuite, la grande majorité des usages courants — rédaction, synthèse, tri de documents, support de premier niveau — relève du risque minime, pour lequel le règlement n'introduit pas d'obligation particulière. Enfin, les obligations lourdes visent des usages précisément énumérés, parmi lesquels les logiciels de tri de CV pour le recrutement, la gestion des salariés et l'évaluation de solvabilité: si votre projet touche à l'un de ces domaines, l'échéance de décembre 2027 vous laisse du temps, mais la qualification du système mérite un avis juridique dès la conception.
(Source: Commission européenne, « AI Act », digital-strategy.ec.europa.eu, dernière mise à jour du 27 juillet 2026, consultée le 29 juillet 2026. Ce calendrier a déjà été modifié par le paquet dit « AI Omnibus »: vérifiez-le à la source avant toute décision plutôt que dans une synthèse, celle-ci comprise.)
Injection de prompt — Une attaque propre à l'IA: glisser des instructions cachées dans un contenu que l'assistant va lire — une page web, une pièce jointe, un courriel — pour le détourner. Un agent qui a accès à votre messagerie et lit un courriel piégé peut être manipulé. C'est la raison pour laquelle un assistant ne doit jamais exécuter une action sensible sur la seule base de ce qu'il a lu quelque part, sans confirmation humaine.
Hypertrucage (deepfake) — Imitation synthétique convaincante d'une voix ou d'un visage. En entreprise, le détournement à surveiller en priorité est la fraude au faux ordre de virement, qui peut désormais s'appuyer sur un appel téléphonique où la voix d'un dirigeant est reproduite. Le dispositif public cybermalveillance.gouv.fr documente ce type d'escroquerie et la conduite à tenir. La seule défense qui fonctionne est procédurale: toute demande de virement inhabituelle est validée par un second canal connu, sans exception, y compris et surtout quand elle est urgente.
Humain dans la boucle — Le principe selon lequel une personne valide avant toute conséquence réelle: envoi à un client, engagement contractuel, décision sur un dossier. Ce n'est pas de la défiance envers l'outil, c'est ce qui rend son usage défendable — devant un client, un salarié ou une autorité de contrôle.
Traçabilité — Conserver la trace de qui a utilisé quoi, avec quelles données, pour quel résultat. Souvent négligé au démarrage, indispensable dès que l'IA touche à des décisions ayant un effet sur des personnes.
7. Ce qu'il faut retenir
Ce vocabulaire peut sembler intimidant, mais il recouvre en réalité peu d'idées. Un modèle génère du texte plausible; un prompt le guide; des outils, des connecteurs et le MCP le relient à vos applications; le RAG l'ancre dans vos documents; une compétence encapsule votre savoir-faire; un agent enchaîne les étapes; un artéfact est ce qui reste à la fin. Tout le reste est du réglage.
Le mot le plus important de cette liste n'est pourtant aucun de ceux-là: c'est hallucination. Un outil d'IA vous fera gagner un temps considérable sur la rédaction, la synthèse et le tri, à une condition — que rien de factuel n'en sorte sans avoir été vérifié. Si un prestataire vous propose une solution d'IA, ces cinq questions suffisent à séparer une offre sérieuse d'un discours commercial:
1. Quelle tâche précise est automatisée, et combien d'heures par semaine cela représente-t-il aujourd'hui?
2. Où vont nos données, combien de temps sont-elles conservées, et sont-elles utilisées pour entraîner des modèles?
3. Comment les réponses sont-elles vérifiables — l'outil cite-t-il les documents sur lesquels il s'appuie?
4. Quelles actions l'outil peut-il exécuter seul, et lesquelles exigent une validation humaine?
5. Si nous voulons partir dans deux ans, que récupérons-nous, et à quel prix?
Une réponse claire aux cinq est bon signe. Une réponse floue sur la deuxième ou la quatrième mérite d'insister. Le meilleur premier projet d'IA en PME est décevant de banalité: une tâche répétitive, à faible enjeu, qui prend du temps à quelqu'un chaque semaine. Comptes rendus de réunion, réponses de premier niveau au support, mise en forme de documents, extraction de données de factures. On mesure le temps gagné pendant un mois, on ajuste, et on passe à la suite. Les projets ambitieux lancés d'emblée sont ceux qui échouent le plus souvent — non par limite technique, mais parce que personne n'avait défini ce qu'était le succès.
Si vous souhaitez faire le point sur les usages pertinents dans votre contexte, sur le cadre de confidentialité à mettre en place ou sur la formation de vos équipes, nos équipes sont à votre disposition.
Sources et références utiles
Ce glossaire est une rédaction originale de TICLIC: les définitions sont formulées dans nos propres termes, à destination d'un lecteur non technique. Aucun chiffre de marché, aucune statistique et aucune projection n'y figurent volontairement — ce type de données circule beaucoup, se périme vite et s'avère souvent invérifiable. Les seules valeurs citées sont des ordres de grandeur techniques explicitement présentés comme tels.
Pour approfondir, nous recommandons de partir des sources institutionnelles, qui sont tenues à jour et font foi:
CNIL (cnil.fr) — recommandations sur l'IA et les données personnelles, RGPD, décisions automatisées., Commission européenne — page officielle « AI Act » (digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai): niveaux de risque, calendrier d'application à jour, lignes directrices sur les obligations de transparence. Source des dates citées dans cet article, consultée le 29 juillet 2026., EUR-Lex (eur-lex.europa.eu) — texte intégral du règlement (UE) 2024/1689 et du RGPD., ANSSI (cyber.gouv.fr) — recommandations de sécurité, y compris sur les usages de l'IA en entreprise., Cybermalveillance.gouv.fr — fiches pratiques grand public et PME: hameçonnage, faux ordre de virement, hypertrucage. et Documentation des éditeurs — pour les notions techniques: documentation officielle du Model Context Protocol (modelcontextprotocol.io), et conditions contractuelles de traitement des données de chaque fournisseur, à lire avant tout engagement.
Le vocabulaire de l'IA évolue rapidement et certains termes n'ont pas encore de définition stabilisée ni de traduction française consacrée. Cet article sera mis à jour. Pour toute décision engageante — contractuelle, réglementaire ou budgétaire — vérifiez l'information à sa source institutionnelle plutôt que dans un article de synthèse, celui-ci compris.