Vous assistez à une réunion produit, un pitch investisseur ou un panel tech, et soudain les mots fusent : LLM, RAG, RLHF, puis ce nouveau venu qui fait frémir les chercheurs en sécurité, l’« opaque recurrence ». En quelques mois, l’intelligence artificielle a inventé un vocabulaire entier pour décrire ses propres mécanismes. Même les plus avertis se retrouvent parfois à sourire poliment en espérant que personne ne leur demande une définition précise. Ce glossaire est pensé pour combler ce fossé. Il s’adresse aux fondateurs de startups, aux marketeurs digitaux, aux product managers et à tous ceux qui doivent naviguer dans cet univers sans se noyer dans le jargon.

L’objectif n’est pas de transformer chaque lecteur en chercheur en deep learning, mais de fournir des explications claires, concrètes et directement utilisables dans un contexte business. Chaque terme est illustré par des cas d’usage réels, des enjeux de coût, de sécurité ou de différenciation concurrentielle. Le langage évolue vite : ce document se veut vivant, à l’image des systèmes qu’il décrit.

AGI : le Graal encore flou de l’intelligence artificielle

L’intelligence artificielle générale, ou AGI, reste l’un des concepts les plus discutés et les moins précisément définis du secteur. Pour certains dirigeants, il s’agit d’un système capable de réaliser la plupart des tâches économiques de valeur mieux qu’un humain moyen. D’autres laboratoires y voient simplement une IA qui égale les capacités cognitives humaines sur la majorité des domaines. Cette absence de consensus n’est pas anodine : elle influence directement les roadmaps, les levées de fonds et les discours marketing.

Dans le quotidien d’une startup, l’AGI sert souvent d’horizon stratégique plutôt que d’objectif opérationnel immédiat. Les équipes qui communiquent trop tôt sur ce terme risquent de créer des attentes irréalistes auprès des investisseurs ou des clients. Mieux vaut se concentrer sur des capacités mesurables et démontrables dès aujourd’hui, tout en gardant un œil sur les progrès qui pourraient transformer radicalement les modèles économiques.

Les agents IA : bien plus que des chatbots

Un agent IA ne se contente pas de répondre à une question. Il enchaîne des actions pour atteindre un objectif : réserver un billet, classer des dépenses, écrire et maintenir du code, ou orchestrer plusieurs outils. Contrairement à un simple assistant conversationnel, il dispose d’une certaine autonomie et peut interagir avec des API, des bases de données ou des interfaces web.

Pour les entreprises, cette capacité ouvre des perspectives considérables en automatisation marketing, support client ou opérations internes. Pourtant l’infrastructure nécessaire reste encore en construction. Les agents actuels souffrent parfois de fiabilité limitée sur les tâches complexes à long horizon. Les équipes qui réussissent sont celles qui commencent par des cas d’usage étroits et bien définis, puis élargissent progressivement le périmètre.

API endpoints : les portes dérobées que les agents apprennent à ouvrir

Les API endpoints fonctionnent comme des boutons invisibles situés à l’arrière d’un logiciel. D’autres programmes peuvent les actionner pour déclencher des actions ou récupérer des données. Jusqu’à récemment, seuls les développeurs les utilisaient. Avec la montée en puissance des agents, ces points d’accès deviennent des leviers d’automatisation majeurs.

Dans un contexte marketing ou e-commerce, un agent capable d’identifier et d’utiliser ces endpoints peut synchroniser des campagnes, mettre à jour des inventaires ou déclencher des workflows sans intervention humaine. Cette puissance s’accompagne de nouveaux risques de sécurité et de conformité. Les organisations doivent désormais cartographier leurs endpoints exposés et définir des politiques d’accès claires.

Chain of thought : raisonner étape par étape

Face à une question simple, le cerveau humain répond souvent instinctivement. Dès que le problème se complexifie, on sort le papier et le stylo pour décomposer le raisonnement. Les modèles de langage font désormais la même chose grâce au chain of thought. Au lieu de produire directement une réponse, ils génèrent une série d’étapes intermédiaires qui améliorent nettement la précision, surtout en logique et en code.

Cette technique allonge le temps de réponse, mais réduit les erreurs. Les modèles dits « de raisonnement » sont spécifiquement optimisés pour ce comportement via du renforcement. Pour les équipes produit, le trade-off est clair : accepter une latence plus élevée en échange d’une fiabilité supérieure sur les tâches critiques.

Coding agents : l’interne qui ne dort jamais

Les coding agents représentent une spécialisation des agents IA appliquée au développement logiciel. Ils ne se contentent plus de suggérer des lignes de code. Ils écrivent, testent, déboguent et peuvent même pousser des corrections dans un dépôt, le tout de manière itérative.

Imaginez un stagiaire ultra-rapide, capable de travailler 24 heures sur 24 sans perdre de concentration. Le parallèle est tentant, mais incomplet : comme avec n’importe quel collaborateur junior, une revue humaine reste indispensable. Les startups qui intègrent ces outils constatent des gains de productivité significatifs sur les tâches répétitives, tout en maintenant un contrôle qualité strict sur l’architecture et les décisions critiques.

Compute : le carburant invisible de toute l’industrie

Le terme compute désigne la puissance de calcul nécessaire pour entraîner et faire tourner les modèles. Derrière ce mot se cachent des GPU, des TPU, des clusters entiers et des factures qui peuvent rapidement atteindre plusieurs millions d’euros. Dans l’écosystème startup, l’accès au compute est devenu un avantage concurrentiel aussi important que le talent ou les données.

Les entreprises qui optimisent leur consommation – en choisissant le bon type de matériel pour l’inférence plutôt que pour l’entraînement, ou en utilisant des techniques de distillation – libèrent des budgets pour d’autres priorités. La pénurie actuelle de composants mémoire, parfois surnommée « RAMageddon », ne fait qu’accentuer cette pression.

Deep learning et réseaux de neurones : les fondations de la révolution

Le deep learning s’appuie sur des réseaux de neurones artificiels à plusieurs couches, inspirés du fonctionnement du cerveau. Contrairement aux modèles plus simples, ces architectures détectent d’elles-mêmes les caractéristiques importantes dans les données. Elles apprennent de leurs erreurs et s’améliorent par répétition.

Le prix à payer est élevé : volumes de données massifs et temps d’entraînement longs. C’est précisément l’arrivée des GPU issus de l’industrie du jeu vidéo qui a permis de débloquer le potentiel de ces réseaux. Aujourd’hui, presque tous les grands modèles de langage reposent sur cette base.

Diffusion : de la destruction contrôlée à la création

Les modèles de diffusion ont révolutionné la génération d’images, de musique et parfois de texte. Le principe s’inspire de la physique : on ajoute progressivement du bruit jusqu’à détruire complètement la structure d’une donnée, puis on apprend à inverser le processus. Le modèle devient capable de reconstruire une image cohérente à partir de bruit pur.

Pour les équipes marketing et créatives, ces systèmes offrent un contrôle fin sur le style et le contenu. Ils permettent de produire des visuels à grande échelle tout en gardant une cohérence de marque, à condition de bien maîtriser les prompts et les techniques de fine-tuning.

Distillation : transmettre le savoir d’un géant à un nain

La distillation consiste à faire apprendre à un petit modèle (l’élève) les comportements d’un grand modèle (le professeur). On interroge le professeur, on enregistre ses réponses, puis on entraîne l’élève à les reproduire. Le résultat est souvent un modèle plus rapide et moins coûteux, avec une perte de performance limitée.

Cette technique est largement utilisée en interne par les laboratoires. Lorsqu’elle est pratiquée à partir d’un modèle concurrent via des API publiques, elle viole généralement les conditions d’utilisation. Les startups qui souhaitent réduire leurs coûts d’inférence ont tout intérêt à explorer la distillation sur leurs propres modèles ou sur des bases open source.

Fine-tuning : spécialiser un modèle généraliste

Le fine-tuning consiste à poursuivre l’entraînement d’un modèle déjà pré-entraîné sur un corpus plus ciblé. C’est la stratégie adoptée par de nombreuses startups qui partent d’un grand modèle de langage et l’adaptent à un secteur précis : juridique, médical, e-commerce ou support client.

Cette approche permet de gagner en pertinence et en précision sans repartir de zéro. Elle exige cependant des données de qualité et une attention particulière aux risques de sur-apprentissage. Dans un contexte concurrentiel, la qualité du fine-tuning devient souvent le vrai différenciateur produit.

GAN : le duel qui génère du réalisme

Les réseaux antagonistes génératifs (GAN) mettent face à face deux réseaux de neurones : un générateur qui crée des données et un discriminateur qui tente de repérer les faux. Ce jeu permanent pousse le générateur à produire des sorties de plus en plus réalistes.

Bien que les modèles de diffusion aient pris le dessus pour de nombreuses applications créatives, les GAN restent pertinents dans des cas d’usage étroits où le réalisme photo est critique. Ils illustrent parfaitement l’idée qu’une compétition interne peut faire progresser un système sans supervision humaine constante.

Hallucination : quand l’IA invente avec assurance

Le terme hallucination désigne la tendance des modèles à générer des informations incorrectes ou inventées. Le problème est particulièrement dangereux dans des domaines sensibles comme la santé, le droit ou la finance. Il trouve souvent son origine dans des lacunes du corpus d’entraînement.

Pour y remédier, de nombreuses entreprises se tournent vers des modèles plus spécialisés et des techniques de récupération d’information (RAG). Réduire les hallucinations n’est pas seulement un enjeu technique : c’est une condition de confiance client et de conformité réglementaire.

Inference et training : deux phases, deux réalités économiques

L’entraînement consiste à faire apprendre des patterns à un modèle à partir de données. L’inférence correspond à l’utilisation du modèle déjà entraîné pour produire des réponses. La première phase est extrêmement coûteuse en compute. La seconde représente le coût récurrent qui pèse sur chaque requête utilisateur.

Les équipes qui conçoivent des produits IA doivent optimiser les deux. Un modèle trop lourd en inférence peut rendre un service non rentable dès qu’il atteint une certaine échelle. C’est pourquoi les techniques d’optimisation comme le caching, la distillation ou les architectures Mixture of Experts deviennent stratégiques.

Large language model : le moteur des assistants modernes

Les grands modèles de langage (LLM) constituent le cœur des assistants conversationnels que nous utilisons quotidiennement. Ils apprennent les relations entre les mots à partir de quantités massives de textes et construisent une représentation multidimensionnelle du langage. Lorsqu’on leur fournit un prompt, ils prédisent la suite la plus probable.

Pour les entreprises, ces modèles offrent une base polyvalente que l’on peut ensuite spécialiser. Leur capacité à utiliser des outils externes (navigation web, interpréteurs de code, bases de données) les transforme progressivement en véritables plateformes d’exécution de tâches complexes.

Memory cache et token throughput : la quête de la vitesse

Le memory cache, notamment le KV caching, permet de stocker des calculs intermédiaires pour éviter de les refaire à chaque requête. Cette optimisation accélère considérablement l’inférence. Le token throughput, quant à lui, mesure la quantité de texte qu’un système peut traiter par unité de temps.

Dans un environnement concurrentiel, un throughput élevé se traduit par une meilleure expérience utilisateur et une capacité à servir davantage de clients simultanément. Les équipes infrastructure passent d’innombrables heures à maximiser ces métriques, car chaque milliseconde gagnée a un impact direct sur les coûts et la satisfaction.

Model Context Protocol : le USB-C de l’IA

Le Model Context Protocol (MCP) est un standard ouvert qui permet aux modèles de se connecter facilement à des outils et des sources de données externes sans développer un connecteur spécifique pour chaque combinaison. Introduit puis confié à une fondation, il a été adopté rapidement par plusieurs grands acteurs.

Pour les développeurs et les product managers, ce protocole réduit drastiquement la friction d’intégration. Il accélère la création d’agents capables d’agir dans des environnements réels (fichiers, bases de données, applications métier) et favorise l’émergence d’un écosystème d’outils interopérables.

Mixture of Experts : la spécialisation à grande échelle

L’architecture Mixture of Experts (MoE) divise un réseau en de nombreux sous-réseaux spécialisés. Un routeur interne active uniquement quelques experts pour chaque requête. On obtient ainsi des modèles énormes qui restent relativement rapides et économiques, puisque seule une fraction des paramètres travaille à chaque instant.

Cette approche séduit de plus en plus de laboratoires. Elle permet de concilier échelle et efficacité, deux contraintes souvent opposées. Pour les entreprises qui déploient des modèles en production, comprendre si leur fournisseur utilise une architecture MoE peut éclairer les performances observées et les coûts associés.

Opaque recurrence et recurrent depth : le raisonnement qui se cache

L’opaque recurrence, parfois appelée recurrent depth, désigne une technique où le modèle fait boucler une requête plusieurs fois à travers ses couches internes au lieu de produire un raisonnement explicite en langage naturel. Le gain d’efficacité est réel : de plus petits modèles peuvent rivaliser avec de plus grands. Le revers de la médaille est la diminution des traces lisibles.

Les chercheurs en sécurité s’inquiètent précisément de ce point. Les journaux de chain of thought constituent aujourd’hui l’un des principaux outils pour détecter des comportements indésirables. Réduire leur lisibilité complique le monitoring. Le terme « neuralese » désigne le scénario extrême dans lequel un modèle raisonnerait entièrement dans ses représentations numériques internes, devenant une boîte noire totale. Aucun modèle commercial n’en est encore là, mais l’opaque recurrence est perçue comme un premier pas dans cette direction.

Les logs de raisonnement restent l’un des rares moyens concrets d’observer ce que fait réellement un modèle. Toute technique qui les rend plus opaques mérite une attention particulière de la part des équipes sécurité et conformité.

– Synthèse des discussions actuelles dans la communauté recherche

Open source versus closed source : le débat structurant

Les modèles open source publient leurs poids et souvent leur code, permettant à quiconque de les inspecter, de les modifier et de les redéployer. Les modèles closed source restent propriétaires. Ce clivage structure une grande partie des discussions actuelles sur l’innovation, la sécurité et la souveraineté technologique.

Pour une startup, le choix n’est pas purement idéologique. L’open source offre de la flexibilité et la possibilité d’audits indépendants. Le closed source peut apporter des performances de pointe et un support commercial. De nombreuses stratégies hybrides coexistent aujourd’hui.

Parallelization : faire plus en même temps

La parallélisation consiste à exécuter de nombreuses opérations simultanément plutôt que séquentiellement. Les GPU modernes excellent dans cet exercice, ce qui explique en grande partie leur domination dans l’entraînement des modèles. À mesure que les architectures grossissent, la capacité à répartir le travail sur des milliers de puces devient un facteur déterminant de vitesse et de coût.

Les équipes qui maîtrisent les stratégies de parallélisation avancées réduisent leurs temps d’entraînement et d’inférence de façon spectaculaire. C’est un domaine de recherche à part entière, avec des implications directes sur la rentabilité des produits IA.

RAMageddon : la pénurie qui touche tout le monde

Le terme RAMageddon décrit de façon imagée la pénurie actuelle de mémoire vive. Les grands laboratoires et hyperscalers absorbent d’énormes quantités de RAM pour leurs centres de données, laissant le reste de l’industrie face à des prix en hausse et des délais allongés.

Les conséquences se font sentir dans le gaming, l’électronique grand public et l’informatique d’entreprise. Pour les startups qui construisent des produits hardware ou qui dépendent de serveurs dédiés, cette tension sur l’offre de mémoire devient un paramètre stratégique à intégrer dans les prévisions budgétaires.

Recursive self-improvement : le seuil qui fait rêver et frémir

L’amélioration récursive de soi désigne la capacité d’un système à concevoir et améliorer sa propre version suivante sans intervention humaine. Certains y voient le prélude à une accélération explosive des capacités. D’autres le traitent simplement comme un objectif de recherche technique.

Plusieurs jeunes entreprises se positionnent explicitement sur ce terrain. La plupart écartent les scénarios catastrophiques et présentent la démarche comme la suite logique de l’automatisation du cycle de développement des modèles. Pour les observateurs externes, il reste prudent de distinguer les annonces marketing des démonstrations concrètes.

Reinforcement learning et RLHF : apprendre par récompense

Le reinforcement learning entraîne un modèle en lui attribuant des récompenses lorsqu’il produit les bons comportements. Contrairement à l’apprentissage supervisé classique, le système explore et s’ajuste en continu. La variante RLHF (reinforcement learning from human feedback) intègre des préférences humaines dans la boucle.

Cette approche s’est révélée particulièrement efficace pour aligner les grands modèles de langage sur des critères d’utilité, de sécurité et de politesse. Elle reste cependant coûteuse en annotations humaines et sujette à des biais si le feedback n’est pas suffisamment diversifié.

Tokens et tokenisation : le langage des machines

Les tokens sont les unités de base que les modèles de langage manipulent. Un mot peut être découpé en un ou plusieurs tokens selon l’algorithme de tokenisation. La plupart des fournisseurs facturent à l’usage en fonction du nombre de tokens traités.

Comprendre cette métrique est essentiel pour maîtriser les coûts. Un prompt mal optimisé ou une réponse trop verbeuse peut faire exploser la facture à grande échelle. Les équipes qui surveillent attentivement leur consommation de tokens et qui compressent intelligemment les contextes gagnent un avantage économique durable.

Transfer learning et validation loss : réutiliser et mesurer

Le transfer learning consiste à repartir d’un modèle déjà entraîné pour l’adapter à une nouvelle tâche. C’est un levier d’efficacité majeur lorsque les données disponibles sont limitées. La validation loss sert de thermomètre pendant l’entraînement : plus elle est basse, mieux le modèle généralise. Une validation loss qui stagne ou remonte peut signaler un sur-apprentissage.

Ces deux notions forment le couple quotidien des équipes qui itèrent sur des modèles. Savoir quand arrêter l’entraînement, quand ajuster les hyperparamètres et quand collecter davantage de données de validation fait souvent la différence entre un modèle mediocre et un modèle performant en production.

Weights : les curseurs invisibles qui donnent du sens

Les weights (poids) sont les paramètres numériques qui déterminent l’importance relative de chaque caractéristique dans les données. Au début de l’entraînement ils sont souvent aléatoires. Au fil des itérations ils s’ajustent pour minimiser l’erreur. Dans un modèle de prédiction de prix immobiliers, par exemple, les weights indiquent l’influence relative du nombre de chambres, de la présence d’un garage ou de la localisation.

Comprendre le rôle des weights aide à démystifier ce qui se passe à l’intérieur d’un réseau. Même si les modèles modernes contiennent des milliards de ces paramètres, le principe reste le même : ce sont ces valeurs qui encapsulent la « connaissance » acquise pendant l’entraînement.

Comment utiliser ce glossaire au quotidien

Maîtriser ces termes ne consiste pas à les réciter dans les réunions. Il s’agit de les relier à des décisions concrètes : choisir une architecture plutôt qu’une autre, arbitrer entre coût et performance, évaluer les risques de sécurité, ou expliquer clairement une roadmap à des investisseurs non techniques.

Voici quelques réflexes utiles :

• Lorsqu’un fournisseur met en avant un nouveau modèle, demandez s’il utilise du chain of thought explicite ou de l’opaque recurrence.
• Avant de lancer un agent en production, cartographiez les API endpoints auxquels il aura accès et définissez des garde-fous.
• Surveillez votre token throughput et votre coût par requête dès les premières semaines d’utilisation.
• Privilégiez le fine-tuning et le transfer learning plutôt que l’entraînement from scratch dès que cela est possible.
• Intégrez systématiquement des mécanismes de détection des hallucinations dans les parcours utilisateurs critiques.

Le vocabulaire de l’IA continuera d’évoluer. De nouveaux termes apparaîtront, d’autres deviendront obsolètes. L’essentiel est de conserver une curiosité active et de relier chaque concept à des enjeux business tangibles : temps de mise sur le marché, coût marginal, différenciation, conformité et confiance utilisateur.

En restant attentif à ces dynamiques, les équipes marketing, produit et tech se donnent les moyens de transformer un jargon parfois intimidant en levier de décision éclairée. L’intelligence artificielle n’est plus seulement une technologie de pointe réservée aux laboratoires. Elle est devenue un langage commun que les acteurs du digital, des startups et de la communication doivent apprendre à parler avec précision.

Ce glossaire ne prétend pas à l’exhaustivité. Il vise à offrir un socle solide et actualisé pour naviguer dans les conversations de 2026 et au-delà. À mesure que les techniques progressent, de nouveaux entrées viendront enrichir la liste. En attendant, maîtriser ces notions déjà établies constitue un atout concurrentiel non négligeable pour quiconque souhaite construire, investir ou simplement comprendre les produits qui redessinent actuellement le paysage technologique et économique.