Ce glossaire définit les 60 mots de l'intelligence artificielle que tu croises le plus en 2026, du plus basique (algorithme, LLM, prompt) au plus récent (MCP, computer use, vibe coding). Chaque définition tient en 2 ou 3 phrases, sans jargon, avec un lien vers un guide quand tu veux creuser

Si tu ne dois en retenir que 10, commence par le tableau ci-dessous

Les 10 mots à connaître en premier

A

• Agent IA : un système qui reçoit un objectif, choisit les actions à mener et utilise des outils (navigateur, fichiers, logiciels) pour l'atteindre, en plusieurs étapes. Voir notre article agent IA : définition

• AGI (intelligence artificielle générale) : une IA qui égalerait l'humain sur la plupart des tâches intellectuelles. Sa définition et son arrivée font débat, voir notre article sur la singularité de l'IA

• AI Act : le règlement européen sur l'intelligence artificielle (règlement 2024/1689). Il classe les usages de l'IA par niveau de risque. Son article 4 demande depuis le 2 février 2025 aux entreprises de former leurs équipes à l'IA

• Algorithme : une suite d'étapes qui transforme des données d'entrée en résultat. La CNIL prend l'exemple d'une recette de cuisine

• Alignement : l'ensemble des méthodes qui font qu'une IA agit selon les intentions et les valeurs de ses concepteurs et de ses utilisateurs

• Annotation : le fait d'étiqueter des données à la main pour entraîner une IA, par exemple écrire « chien » sur une photo de chien

• API : une porte d'entrée qui permet à un logiciel d'utiliser un modèle d'IA directement, sans passer par l'application de chat. La plupart des API sont facturées au token

• Apprentissage automatique (machine learning) : la branche de l'IA où la machine apprend à partir de données au lieu de suivre des règles écrites à la main

• Apprentissage par renforcement : une méthode où le modèle apprend par essais et erreurs, en recevant une récompense quand il agit bien

• Apprentissage supervisé et non supervisé : en supervisé, le modèle apprend à partir d'exemples étiquetés (« spam » ou « pas spam »). En non supervisé, il cherche seul des regroupements dans des données brutes

• Attention : le mécanisme qui permet à un modèle de repérer quels mots d'un texte comptent pour comprendre chaque autre mot. C'est le cœur de l'architecture Transformer

B

• Benchmark : un test standard qui sert à comparer les modèles entre eux. Voir notre classement des IA et notre article sur le benchmark DeepSWE

• Biais : une erreur systématique de l'IA qui vient en général de ses données d'entraînement, par exemple associer un métier à un genre

C

• Chatbot : un programme avec lequel tu discutes par écrit ou à l'oral. Les chatbots actuels comme ChatGPT reposent sur des LLM

• Computer use : la capacité d'un agent IA à utiliser un ordinateur comme un humain, en lisant l'écran, en cliquant et en tapant. Voir notre guide de l'agent IA qui contrôle un ordinateur

• Contexte : tout ce que l'IA a sous les yeux au moment de répondre : ta demande, la conversation, les fichiers joints, les consignes

D

• Données d'entraînement : l'ensemble des textes, images ou sons sur lesquels un modèle a appris

• Deep learning (apprentissage profond) : le machine learning avec des réseaux de neurones à plusieurs couches. Toute l'IA générative actuelle en dépend. Voir notre article sur les types d'IA

• Deep research : un mode où l'assistant mène une recherche en plusieurs étapes sur le web pendant plusieurs minutes et rend un rapport sourcé

• Distillation : une technique qui entraîne un petit modèle à imiter un grand, pour obtenir un modèle plus rapide et moins cher

E

• Embedding : la traduction d'un mot, d'une phrase ou d'une image en une liste de nombres qui capture son sens. Deux textes proches ont des embeddings proches, ce qui sert à la recherche dans les documents

• Entraînement : la phase où le modèle ajuste ses paramètres sur ses données. On distingue le pré-entraînement, sur d'énormes volumes, et le post-entraînement, qui en fait un assistant utile

• Évaluation (eval) : un test conçu pour mesurer si une IA fait bien une tâche précise. Voir notre méthode pour évaluer un agent IA

F

• Fenêtre de contexte : la quantité maximale de texte qu'un modèle peut traiter d'un coup, en tokens. Les modèles phares de 2026 vont jusqu'à 1 million de tokens

• Few-shot : le fait de donner quelques exemples dans ton prompt pour montrer à l'IA ce que tu attends

• Fine-tuning : un entraînement complémentaire sur des données choisies pour spécialiser un modèle dans un domaine ou un style

• Modèle de fondation : un grand modèle généraliste, entraîné une fois, sur lequel on construit ensuite de nombreux usages

G

• GEO (Generative Engine Optimization) : l'art de rédiger du contenu pour qu'il soit repris et cité par les moteurs de réponse IA, comme ChatGPT ou les résumés de Google

• GPU : le processeur graphique sur lequel on entraîne et fait tourner les modèles d'IA, parce qu'il fait des milliers de calculs en parallèle

H

• Hallucination : une réponse fausse mais présentée avec assurance, comme une source ou un chiffre inventé. Voir notre article sur les hallucinations de l'IA

• Human in the loop : un point de contrôle où un humain valide le travail de l'IA avant qu'il parte. Voir notre guide du human in the loop

I

• IA agentique : des systèmes qui coordonnent un ou plusieurs agents IA capables d'agir dans des applications, des bases de données ou un ordinateur

• IA générative : une IA qui crée du contenu nouveau, comme du texte, des images, du son, de la vidéo ou du code

• IA prédictive : une IA qui analyse des données passées pour prévoir ou classer, comme un filtre anti-spam ou une détection de fraude

• Inférence : le moment où le modèle déjà entraîné produit une réponse. C'est ce que tu paies quand tu utilises une IA

• Injection de prompt : une attaque qui cache des instructions dans un texte, une page web ou un fichier pour détourner une IA. Les agents qui naviguent sur le web y sont particulièrement exposés

• Interprétabilité : la recherche qui cherche à comprendre ce qui se passe à l'intérieur d'un modèle. Voir notre article comment pense une IA

L

• LLM (grand modèle de langage) : un modèle entraîné sur d'énormes quantités de texte pour prédire la suite d'une phrase. C'est le moteur des assistants IA. Voir notre article LLM : c'est quoi

M

• MCP (Model Context Protocol) : un standard ouvert lancé par Anthropic en novembre 2024 pour connecter les assistants IA à des outils et des données. Voir notre article sur le MCP

• Mémoire : la capacité d'un assistant à retenir des informations d'une conversation à l'autre. Voir notre article sur la mémoire d'un agent IA

• Mixture of experts (MoE) : une architecture où seule une partie du modèle s'active à chaque token. Un nom comme « 397B A17B » veut dire 397 milliards de paramètres au total, dont 17 milliards actifs

• Modèle : le programme entraîné qui produit les réponses, par exemple GPT-6 Astra ou Claude Opus 5.5. L'application, comme ChatGPT ou Claude, est l'interface autour

• Multimodal : se dit d'un modèle qui comprend ou produit plusieurs types de contenus : texte, images, son, vidéo

N

• NLP (traitement du langage naturel) : la branche de l'IA qui traite le langage humain : traduction, résumé, analyse de sentiment, extraction d'informations

O

• Open source et poids ouverts : un modèle à poids ouverts se télécharge et peut tourner sur tes propres machines. On parle d'open source au sens strict quand le code et les données d'entraînement sont aussi publiés. Voir notre guide pour faire tourner une IA en local

• Orchestration : la coordination de plusieurs agents ou outils qui se répartissent une tâche. Voir notre guide pour orchestrer plusieurs agents IA

P

• Paramètres (poids) : les milliards de nombres qu'un modèle ajuste pendant l'entraînement et qui contiennent ce qu'il a appris

• Prompt : la demande que tu écris à l'IA. Voir notre méthode pour faire un bon prompt

• Prompt système : les consignes permanentes données à l'IA avant la conversation, qui fixent son rôle, son ton et ses règles

R

• RAG (génération augmentée par récupération) : une méthode qui va chercher les passages utiles dans tes documents et les donne au modèle avant qu'il réponde. Elle réduit les inventions sur tes propres données

• Raisonnement : le temps que le modèle passe à réfléchir étape par étape avant de répondre. Beaucoup de modèles proposent plusieurs niveaux, de faible à maximal, qui changent la qualité, le temps et le coût

• Réseau de neurones : un ensemble de « neurones » artificiels connectés en couches, qui transforment des données d'entrée en résultat. C'est la base du deep learning

• RLHF : l'apprentissage par renforcement à partir de retours humains. Des évaluateurs comparent des réponses et le modèle apprend à produire celles qu'ils préfèrent

S

• Skill : un ensemble de consignes, de fichiers et de scripts qu'un agent charge quand il en a besoin pour une tâche précise. Voir notre guide pour créer un skill d'agent IA

T

• Température : un réglage qui dose la part d'aléatoire d'une réponse. Basse, l'IA répond de façon plus prévisible. Haute, de façon plus variée

• Token : l'unité de texte que lit et écrit un modèle : un mot, un morceau de mot ou un signe. En anglais, 1 token fait environ 4 caractères selon OpenAI

• Transformer : l'architecture de réseau de neurones présentée par des chercheurs de Google en 2017 dans l'article « Attention Is All You Need ». Tous les grands LLM actuels en dérivent

V

• Vibe coding : créer une application en décrivant ce que tu veux à une IA, sans écrire le code toi-même. Le terme a été popularisé par le chercheur Andrej Karpathy en février 2025. Voir notre guide pour créer une application mobile avec l'IA sans coder

• Vision par ordinateur : la branche de l'IA qui analyse les images et les vidéos : reconnaissance d'objets, lecture de documents, détection de défauts

Z

• Zero-shot : le fait de demander une tâche à l'IA sans lui donner d'exemple, en comptant sur ce qu'elle sait déjà

FAQ

Quelle est la différence entre IA, machine learning et deep learning ?

L'IA est le domaine entier. Le machine learning est la branche où la machine apprend à partir de données. Le deep learning est une partie du machine learning qui utilise des réseaux de neurones à plusieurs couches. Notre article sur les types d'IA détaille la différence

Où trouver un glossaire officiel de l'IA en français ?

La CNIL publie un glossaire de l'IA orienté vers la protection des données. Ce glossaire-ci se concentre sur les mots que tu croises en utilisant les outils au quotidien

Faut-il connaître tous ces mots pour utiliser l'IA ?

Non. Les 10 premiers suffisent pour bien démarrer. Les autres deviennent utiles quand tu passes aux agents et aux automatisations

Les mots ne suffisent pas, la pratique fait le reste

Connaître le vocabulaire t'aide à lire la documentation, à comparer les outils et à ne pas te faire impressionner par le jargon. Le vrai déclic vient en l'appliquant à tes propres tâches. Notre plan pour apprendre l'IA en 30 jours te donne un parcours concret

C'est ce que tu apprends dans l'axe Apprendre à piloter l'IA avec Kryve