Glossaire IA entreprise : 50 termes expliqués (2026)

TL;DR : Ce glossaire définit les 50 termes d'IA qui reviennent dans un projet d'entreprise, du token au RAG, de l'agent IA au MCP, du TCO à l'AI Act. Chaque définition tient en une réponse autonome de 40 à 70 mots, avec sa traduction concrète en PME et ETI. Sept familles couvrent les fondamentaux, les modèles, les données, les agents, les coûts, la conformité et le GEO. Faits arrêtés au 15 août 2026.

À retenir

• Trois termes suffisent à lire un devis IA : le token (votre unité de coût), le RAG (faire répondre une IA sur vos documents) et l'agent (un système qui agit, donc qui vous engage).
• Fine-tuning et RAG ne répondent pas au même besoin : le premier change la forme des réponses, le second apporte le contenu à jour.
• Le calendrier de l'AI Act a bougé : selon la Commission européenne, transparence, AI literacy et sanctions s'appliquent, mais le haut risque est reporté à 2027 et 2028.
• La localisation des données ne suffit pas : le CLOUD Act suit la nationalité juridique du fournisseur, pas l'adresse du serveur.
• Le coût se cache dans l'inférence et le run : d'après la grille Koïno 2026, l'année 1 vaut environ 1,5 fois le devis de développement.
• Le GEO devient un sujet de direction : vos prospects interrogent ChatGPT et Perplexity avant Google.

Quels sont les 50 termes d'IA à connaître en entreprise en 2026 ?

Les 50 termes d'IA à connaître en entreprise se répartissent en sept familles : les fondamentaux (LLM, token, contexte, prompt), les modèles et l'entraînement (fine-tuning, hallucination), les données et le RAG, les agents et l'outillage (MCP, function calling, guardrails), le déploiement et les coûts (inférence, TCO), la conformité et les risques (RGPD, AI Act, souveraineté), et le GEO.

Le vocabulaire de l'IA coûte cher, non parce qu'il est compliqué, mais parce qu'un mot flou permet de facturer trois choses différentes sous le même nom. Un « agent » vendu au prix d'un agent quand le besoin réel est un chatbot, un « fine-tuning » proposé là où un bon prompt suffisait : tout part d'un terme que personne n'a défini en réunion.

Les 9 termes qui décident d'un projet IA en PME

Ce vocabulaire sert à arbitrer, pas à briller. Pour le traduire en feuille de route chiffrée, voyez comment Koïno cadre un projet IA.

Fondamentaux : que signifient LLM, token, contexte et prompt ?

Ces huit termes décrivent ce qu'est un modèle de langage et comment se compte ce qu'on lui envoie. La CNIL publie son propre glossaire de l'intelligence artificielle, utile pour les définitions juridiques.

1. IA générative

L'IA générative est une famille de systèmes qui produisent un contenu nouveau (texte, image, code, son) à partir d'une consigne, au lieu de classer ou de prédire. En pratique : c'est ce qui alimente ChatGPT, Claude, Gemini et Mistral, et la plupart des projets IA lancés en PME depuis 2023.

2. IA prédictive

L'IA prédictive estime une valeur ou une probabilité à partir de données historiques : risque d'impayé, prévision de ventes, panne machine, score d'attrition. Elle repose sur l'apprentissage automatique, que la CNIL définit comme la capacité d'apprendre à partir de données. En pratique : sur une prévision chiffrée, préférez-la à un LLM.

3. LLM (grand modèle de langage)

Un LLM (large language model) est un modèle statistique entraîné sur d'immenses corpus de texte pour prédire la suite la plus probable d'une séquence de mots. C'est le moteur de ChatGPT, Claude, Gemini ou Mistral. En pratique : ce n'est pas une base de connaissances, mais un générateur de texte plausible.

4. Token

Un token est l'unité que le modèle lit et produit : un fragment de mot, un mot court ou un signe de ponctuation. La documentation tarifaire d'Anthropic retient environ 4 caractères, soit 0,75 mot en anglais. En pratique : tout se facture au token, en entrée comme en sortie.

5. Fenêtre de contexte

La fenêtre de contexte est la quantité de texte qu'un modèle prend en compte dans une même requête, sa réponse comprise. Anthropic la décrit comme une mémoire de travail et documente jusqu'à 1 million de tokens dans son guide dédié. En pratique : plus le contexte est chargé, plus la précision se dégrade.

6. Prompt

Un prompt est l'instruction envoyée au modèle : la consigne, le contexte, les exemples et le format de sortie attendu. C'est la seule interface entre votre métier et le modèle. En pratique : en production, c'est un document versionné et testé, pas une phrase improvisée.

7. Prompt engineering

Le prompt engineering consiste à concevoir, tester et versionner les instructions envoyées à un modèle pour obtenir un résultat fiable et reproductible. Il combine exemples, contraintes de format et jeux de tests. En pratique : c'est le levier de qualité le moins cher, à épuiser avant tout fine-tuning coûteux.

8. NLP (traitement automatique du langage)

Le NLP (natural language processing) est le champ de l'IA qui traite le langage humain : extraction d'entités, classification, analyse de sentiment. Il précède les LLM et reste pertinent sur des tâches simples et massives. En pratique : classer des dizaines de milliers d'e-mails coûte moins cher avec un modèle NLP dédié.

Modèles et entraînement : faut-il un fine-tuning ou un bon prompt ?

Ces six termes décrivent ce qu'on fait d'un modèle après son entraînement, et comment on mesure sa qualité. Ils tranchent la question la plus fréquente : entraîner un modèle maison, ou simplement bien l'alimenter ?

9. Fine-tuning

Le fine-tuning est le réentraînement d'un modèle existant sur des exemples propres à votre métier, pour ajuster son style, son format ou son vocabulaire. Il exige des données annotées et une évaluation. En pratique : il change la forme des réponses, pas la connaissance. Pour la connaissance, c'est le RAG.

10. Distillation

La distillation consiste à entraîner un petit modèle à reproduire un grand modèle sur un domaine précis. Le résultat est plus rapide et bien moins coûteux, au prix d'une polyvalence réduite. En pratique : c'est le levier classique pour faire tomber la facture d'un cas d'usage à fort volume.

11. Temperature

La temperature est le paramètre qui règle le degré d'aléa dans la génération. Proche de 0, le modèle choisit toujours la suite la plus probable ; plus haute, il varie et invente. En pratique : sur un cas métier, travaillez à température basse. La créativité n'est pas une qualité de back-office.

12. Hallucination

Une hallucination est une réponse fausse produite avec assurance par un modèle, faute de savoir dire qu'il ne sait pas. L'OWASP Top 10 for LLM Applications la classe parmi les dix risques majeurs, sous l'intitulé « Misinformation ». En pratique : on les contient par le RAG, les sources citées et la relecture.

13. Évaluation

L'évaluation (ou eval) est le jeu de tests qui mesure la qualité des réponses d'un système IA sur des cas réels, avec une note et un seuil d'acceptation. En pratique : sans elle, vous ne pouvez ni changer de modèle ni prouver une amélioration. C'est le test unitaire de l'IA.

14. Benchmark

Un benchmark est un test standardisé qui compare des modèles sur des tâches publiques : raisonnement, code, mathématiques. Il donne un ordre de grandeur, pas une réponse à votre besoin. En pratique : un modèle premier au classement peut échouer sur vos documents. Le seul benchmark utile est bâti sur vos cas.

Données et RAG : comment une IA répond-elle sur vos documents ?

Le RAG et ses briques forment le cœur de la majorité des projets IA d'entreprise. Ces sept termes expliquent pourquoi vos données pèsent plus lourd que le choix du modèle.

15. RAG (génération augmentée par la recherche)

Le RAG (retrieval augmented generation) est une architecture qui cherche les passages pertinents dans vos documents, puis fait rédiger la réponse à partir de ces seuls extraits, sources citées. En pratique : c'est la façon standard de faire répondre une IA sur votre documentation. Voir notre guide du RAG et notre grille de prix d'un chatbot documentaire.

16. Embedding

Un embedding est la traduction d'un texte en un vecteur de nombres qui représente son sens. Deux textes proches par le sens produisent deux vecteurs proches, d'où une recherche par similarité. En pratique : c'est ce qui retrouve une clause de « résiliation » dans un contrat qui parle de « fin d'engagement ».

17. Base vectorielle

Une base vectorielle stocke des embeddings et retrouve en quelques millisecondes les vecteurs les plus proches d'une question. Qdrant, Weaviate, pgvector ou Elasticsearch remplissent ce rôle. En pratique : l'OWASP classe les faiblesses des bases vectorielles parmi les dix risques majeurs, à commencer par le cloisonnement des droits.

18. Données structurées

Les données structurées sont rangées dans un schéma explicite : un ERP, un CRM, un fichier de commandes. Les non structurées sont les PDF, e-mails, contrats, appels et photos. En pratique : l'essentiel du gisement d'un projet IA en PME se trouve dans le non structuré.

19. OCR

L'OCR (optical character recognition) transforme une image ou un PDF scanné en texte exploitable. Les modèles récents lisent aussi la mise en page et les tableaux : Mistral publie un modèle OCR dédié dans son catalogue officiel. En pratique : sans OCR, un RAG posé sur des documents scannés ne renvoie rien.

20. IDP (traitement intelligent de documents)

L'IDP (intelligent document processing) va plus loin que l'OCR : il identifie la nature du document (facture, bon de commande, contrat), extrait les champs utiles et les envoie dans votre système de gestion. En pratique : c'est souvent le cas d'usage IA au ROI le plus rapide en PME.

21. Gouvernance des données

La gouvernance des données est l'ensemble des règles qui définissent qui possède quelle donnée, qui peut y accéder et pour combien de temps. En pratique : un RAG hérite des droits de votre base documentaire. Si les habilitations sont fausses, l'IA devient une fuite d'information à grande vitesse.

Le repère chiffré. Chez Adviso Partners, les agents documentaires livrés par Koïno ont fait gagner plus de 120 heures par mois et 45 % de productivité, après le cadrage de 100 cas d'usage. Le cas est public.

Agents et outillage : qu'est-ce qui distingue un agent d'un chatbot ?

Un agent ne se distingue pas d'un chatbot par le modèle ni par l'interface, mais par sa capacité à agir. Ces onze termes décrivent la couche qui transforme un générateur de texte en exécutant fiable.

22. Agent IA

Un agent IA est un système qui reçoit un objectif, décompose la tâche, appelle des outils (API, base de données, ERP, messagerie) et enchaîne les étapes jusqu'au résultat. En pratique : la différence avec un chatbot tient en un mot, l'action. Notre grille de prix d'un agent IA chiffre chaque configuration.

23. Copilote

Un copilote est un assistant IA intégré dans un outil déjà utilisé par vos équipes (bureautique, CRM, développement) : il suggère, rédige ou résume sous contrôle humain. En pratique : il améliore une tâche, il ne supprime pas un processus. Le gain se mesure en minutes, pas en équivalents temps plein.

24. Chatbot

Un chatbot est une interface conversationnelle qui répond en langage naturel à partir d'un scénario, d'une base documentaire ou d'un LLM. Il n'agit pas sur votre système. En pratique : bien construit, il absorbe la majorité des questions internes répétitives et se déploie plus vite qu'un agent.

25. Callbot

Un callbot est un agent vocal qui répond au téléphone, comprend la demande, puis traite ou route l'appel. En France, la loi SREN impose d'annoncer à l'appelant qu'il parle à une IA. En pratique : il se juge au taux de résolution sans transfert et au coût par minute, détaillés dans notre grille de prix d'un agent vocal.

26. Speech to text

Le speech to text, ou reconnaissance vocale, transcrit la parole en texte exploitable, en direct ou en différé. Les modèles récents gèrent le bruit, les accents et les locuteurs. En pratique : c'est la brique d'entrée de tout projet vocal, et la source de vos données les plus sensibles.

27. Text to speech

Le text to speech, ou synthèse vocale, transforme un texte en voix, avec timbre, rythme et intonation paramétrables. Mistral publie par exemple des modèles Voxtral de transcription et de synthèse. En pratique : la latence pèse autant que la qualité. Deux secondes de blanc au téléphone font raccrocher.

28. Orchestration

L'orchestration est la couche qui enchaîne les étapes d'un traitement IA : quel modèle appeler, dans quel ordre, avec quels outils, quand rendre la main à un humain. n8n, LangGraph et Copilot Studio jouent ce rôle. En pratique : c'est là que se décident la fiabilité et le coût réel.

29. Function calling

Le function calling est le mécanisme par lequel un modèle demande l'exécution d'une fonction déclarée (créer un ticket, envoyer un devis) en produisant les paramètres au bon format. En pratique : chaque fonction exposée est une porte ouverte sur votre système. Elle se documente, se limite et se journalise.

30. MCP (Model Context Protocol)

Le MCP (Model Context Protocol) est un standard ouvert qui connecte une application d'IA à des données et à des outils externes. Sa documentation officielle le compare à un port USB-C pour l'IA. En pratique : il évite de recoder un connecteur par modèle, comme l'explique notre article sur le protocole MCP.

31. Guardrails

Les guardrails sont les garde-fous qui encadrent ce qu'un système IA peut recevoir, dire et faire : filtrage des entrées, contrôle des sorties, limitation des outils. L'OWASP place l'injection de prompt en tête des risques. En pratique : sans guardrails, un agent connecté à votre système est une faille d'exécution.

32. Human in the loop

Le human in the loop désigne un point de contrôle humain inséré dans un processus automatisé : validation avant envoi, avant paiement, avant toute décision engageante. En pratique : c'est le meilleur compromis entre sécurité et vitesse. Le contrôle se retire ensuite cas par cas, quand l'évaluation le justifie.

Quelles confusions de vocabulaire coûtent le plus cher ?

Huit confusions expliquent la plupart des devis surdimensionnés. Elles portent sur des couples de termes voisins employés indifféremment.

Les 8 faux amis du vocabulaire IA et ce que la confusion coûte

Un devis IA sur la table ? Faites-le relire par Koïno avant de signer : nous vérifions que chaque terme du périmètre correspond à un livrable observable et à une ligne de coût.

Déploiement et coûts : qu'est-ce qui fait vraiment le budget d'un projet IA ?

C'est la famille où se perdent les budgets. Selon le rapport MIT State of AI in Business 2025, 95 % des pilotes d'IA générative ne produisent aucun retour mesurable.

33. POC (preuve de concept)

Un POC (proof of concept) est une maquette qui teste la faisabilité d'un cas d'usage sur un périmètre réduit, avec un critère de succès et un point d'arrêt écrits. En pratique : un POC sans critère d'arrêt devient un projet sans fin.

34. Mise en production

La mise en production est le moment où un système IA sert des utilisateurs réels, avec des engagements de disponibilité et de supervision. En pratique : c'est la marche que la plupart des projets ne franchissent pas. La méthode Sx4 de Koïno vise cet objectif : de l'audit aux agents en production en quatre semaines.

35. Inférence

L'inférence est l'exécution d'un modèle déjà entraîné pour produire une réponse. C'est ce que vous payez à chaque requête, contrairement à l'entraînement, payé une fois. En pratique : le coût d'un projet IA en production croît avec l'usage. Un pilote à 50 utilisateurs ne préjuge pas de la facture à 5 000.

36. Latence

La latence est le délai entre la demande et la réponse, mesuré de bout en bout : recherche, appel au modèle, génération, affichage. En pratique : au téléphone, deux secondes font décrocher ; sur un traitement de nuit, elle n'a aucune importance. L'exigence se fixe par cas d'usage.

37. GPU

Un GPU (graphics processing unit) est le processeur spécialisé qui exécute les calculs massivement parallèles de l'entraînement et de l'inférence. Il se loue à l'heure dans le cloud ou s'achète pour un hébergement interne. En pratique : une PME n'a presque jamais besoin d'acheter des GPU.

38. Coût au token

Le coût au token est le prix facturé par million de tokens, distinct en entrée et en sortie. Anthropic publie Claude Haiku 4.5 à 1 dollar le million en entrée et 5 dollars en sortie, avec 50 % de remise par lots. En pratique : choisir le bon modèle par tâche divise une facture par cinq à dix.

39. TCO (coût total de possession)

Le TCO est le coût complet d'une solution IA sur une période donnée : conception, développement, intégration, consommation des modèles, hébergement et supervision. En pratique : d'après la grille Koïno 2026, le coût réel de l'année 1 vaut environ 1,5 fois le devis de développement.

40. MLOps

Le MLOps est l'ensemble des pratiques qui industrialisent le cycle de vie d'un modèle d'apprentissage automatique : versionnement des données et des modèles, entraînement reproductible, déploiement, surveillance de la dérive. En pratique : il concerne surtout les modèles prédictifs entraînés en interne et leurs équipes data.

41. LLMOps

Le LLMOps applique la même logique aux applications bâties sur des LLM : versionnement des prompts, jeux d'évaluation, traçabilité des appels, suivi des coûts et des incidents. En pratique : c'est le poste que les devis oublient le plus, et celui qui décide si votre agent tient six mois.

Conformité et souveraineté : que dit la réglementation au 15 août 2026 ?

Ces huit termes décident de ce que vous avez le droit de faire. Le calendrier a bougé : la transparence s'applique, le haut risque est reporté.

42. RGPD

Le RGPD est le règlement européen sur la protection des données personnelles. Il s'applique à tout projet IA traitant des données de personnes identifiables : base légale, finalité, minimisation, conservation, sécurité. La CNIL rappelle dans ses recommandations IA et RGPD qu'un fournisseur d'IA est un sous-traitant au sens de l'article 28.

43. AI Act

L'AI Act est le règlement (UE) 2024/1689, qui classe les systèmes d'IA par niveau de risque. Selon la Commission européenne, interdictions et AI literacy s'appliquent depuis le 2 février 2025, les règles GPAI depuis le 2 août 2025, transparence et sanctions depuis le 2 août 2026. Voir notre checklist AI Act.

44. Souveraineté numérique

La souveraineté numérique est la capacité à garder la maîtrise de vos données et de vos fournisseurs, sans dépendre d'un droit étranger. Elle tient en trois questions : où sont les données, qui peut y accéder légalement, pouvez-vous partir. En pratique : elle se contractualise, comme le montre notre guide pour héberger données et modèles en Europe.

45. Hébergement SecNumCloud

SecNumCloud est la qualification délivrée par l'ANSSI aux offres cloud jugées de confiance. L'agence indique sur sa page SecNumCloud qu'elle vise à protéger les données sensibles face à la menace cybercriminelle et à l'application de lois extraterritoriales. En pratique : elle porte sur l'infrastructure du fournisseur, pas sur votre application.

46. CLOUD Act

Le CLOUD Act est une loi américaine de 2018 qui permet aux autorités des États-Unis d'exiger d'un fournisseur soumis au droit américain la communication de données stockées en Europe. En pratique : la localisation des serveurs ne suffit pas, c'est la nationalité juridique du fournisseur qui compte.

47. Biais

Un biais est une distorsion systématique des résultats d'un système IA, héritée des données d'entraînement ou du paramétrage. Il produit des écarts de traitement injustifiés, au recrutement ou au crédit. En pratique : il se mesure sur des jeux de tests dédiés, jamais par déclaration.

48. Explicabilité

L'explicabilité est la capacité à justifier une décision produite par un système IA : sur quelles données, avec quelle logique et quelle marge d'erreur. En pratique : sur un LLM, elle passe par la citation des sources et la traçabilité des appels, pas par l'ouverture du modèle.

49. Shadow AI

Le shadow AI désigne l'usage d'outils d'IA par les salariés sans validation de la DSI. Selon une étude Microsoft France et YouGov de janvier 2026 relayée par le Journal du Net, 61 % des utilisateurs d'IA en entreprise passent chaque semaine par leurs comptes personnels. En pratique : interdire ne fonctionne pas, fournir un outil validé fonctionne.

Le calendrier de l'AI Act, état au 15 août 2026

Légende : ✓ applicable, ◐ reporté par le Digital Omnibus publié au JOUE le 24 juillet 2026, ✗ non applicable. Les PME retiennent le montant le plus faible entre forfait et pourcentage.

Un point compte plus que le calendrier : l'AI Act n'annule pas le RGPD, il s'y ajoute. Pour un chatbot client, cela signifie annoncer que l'interlocuteur parle à une IA, documenter le traitement et former les équipes. L'ANSSI complète ce socle avec ses recommandations de sécurité pour un système d'IA générative.

Le point Koïno. Un mot mal défini coûte plus cher qu'une ligne de code mal écrite. Nous voyons régulièrement un « agent » facturé comme tel alors que le besoin réel est un chatbot documentaire. Notre règle : chaque terme du devis renvoie à un livrable observable et à une ligne de coût. Sur la souveraineté, trois questions précèdent toute architecture : où sont les données, quel droit s'applique au fournisseur, comment on récupère tout si on part.

GEO : comment votre entreprise devient-elle citable par ChatGPT ?

Vos prospects demandent à ChatGPT, Perplexity ou Claude quel prestataire consulter avant d'ouvrir un site. Ce dernier terme décide si votre entreprise figure dans ces réponses.

50. GEO (Generative Engine Optimization)

Le GEO (generative engine optimization) est l'optimisation d'un contenu pour être cité dans les réponses des moteurs génératifs : ChatGPT, Perplexity, Google AI Overviews, Claude. L'article fondateur d'Aggarwal et de ses coauteurs, accepté à KDD 2024, mesure jusqu'à 40 % de visibilité gagnée. En pratique : citer sources et chiffres reste la technique la plus rentable.

La conséquence est concrète : un moteur génératif découpe votre page en passages, note chacun isolément et cite les plus forts. Trois propriétés rendent un passage citable.

• Autonome : il se comprend sans le paragraphe précédent, comme chaque définition de ce glossaire.
• Chiffré et attribué : une donnée avec sa source nommée bat une affirmation qualitative.
• Structuré : un tableau ou une liste s'extrait mieux qu'un pavé.

Notre comparatif des outils de suivi de visibilité IA passe douze plateformes en revue.

À propos de l'auteur

Maxence Morin est co-fondateur Tech & Ops de Koïno, cabinet français spécialisé en IA et data pour les PME et ETI. Il cadre des projets d'agents IA, de RAG et d'automatisation documentaire, de l'audit à la production, et anime des ateliers IA en comité de direction. Retrouvez-le sur LinkedIn.