En trois ans, l'intelligence artificielle est passée du laboratoire au quotidien. ChatGPT, Claude, Gemini et les agents IA sont désormais utilisés par des millions d'entrepreneurs, d'artisans et d'étudiants. Mais avec cette adoption est arrivé un vocabulaire dense, parfois intimidant : LLM, RAG, MCP, embeddings, tokens, fine-tuning, quantization…
Ce guide a un objectif simple : donner à chacun les mots-clés pour comprendre ce qui se joue, sans jargon inutile. Pas besoin d'être développeur pour saisir ces notions. Chaque terme y est défini en langage clair, illustré d'un exemple concret, et résumé en une phrase « à retenir ». Un dictionnaire vivant, pensé pour être enrichi au fil des évolutions du domaine.
💡 Le saviez-vous ?
Section 1
Les bases de l'IA
Avant de parler d'agents, de RAG ou de MCP, commençons par les fondations. Ces dix notions structurent tout le reste.
Intelligence Artificielle (IA)
Définition — Ensemble de techniques informatiques qui permettent à une machine d'accomplir des tâches qui, jusqu'ici, exigeaient l'intelligence humaine : comprendre, décider, reconnaître, générer.
🚀 Exemple — Un logiciel qui lit une facture, en extrait le montant et la classe automatiquement dans la bonne catégorie comptable.
À retenir — L'IA n'est pas une technologie unique, mais un vaste domaine qui regroupe des dizaines d'approches.
IA Générative
Définition — Sous-catégorie de l'IA qui ne se contente pas de classer ou de prédire, mais qui crée du contenu : texte, image, audio, vidéo, code.
🚀 Exemple — Demander à ChatGPT de rédiger une fiche produit, ou à Midjourney de générer une illustration.
À retenir — L'IA générative produit du nouveau contenu à partir de ce qu'elle a appris — elle ne recopie pas.
Machine Learning (apprentissage automatique)
Définition — Approche qui consiste à faire apprendre un modèle à partir d'exemples plutôt qu'à lui coder des règles à la main.
🚀 Exemple — Au lieu de programmer « si l'objet est rond et rouge, c'est une pomme », on montre 10 000 photos et le modèle apprend seul les critères.
À retenir — Le machine learning apprend par l'exemple. Sans données, pas d'apprentissage.
Deep Learning (apprentissage profond)
Définition — Branche du machine learning qui utilise des réseaux de neurones à plusieurs couches pour apprendre des représentations complexes.
🚀 Exemple — La reconnaissance de visages sur une photo, la traduction automatique, ChatGPT : tout cela repose sur le deep learning.
À retenir — Le deep learning est ce qui a rendu possible l'IA moderne, à partir des années 2012-2015.
Réseau de neurones
Définition — Structure mathématique inspirée du cerveau, composée d'unités simples (les neurones) connectées entre elles, qui apprend en ajustant l'intensité de ses connexions.
🚀 Exemple — Chaque connexion est un chiffre (un poids). Ces poids se règlent automatiquement pendant l'entraînement pour minimiser les erreurs.
À retenir — Un réseau de neurones ne « pense » pas — il ajuste des milliards de petits paramètres.
Modèle
Définition — Résultat d'un apprentissage. Un fichier contenant les paramètres appris, capable de faire des prédictions ou de générer du contenu.
🚀 Exemple — GPT-5, Claude 3.7 Sonnet, Llama 4, Mistral Large : ce sont des modèles, entraînés sur d'immenses corpus.
À retenir — Un modèle, c'est le cerveau figé après l'apprentissage. On ne parle plus à un algorithme mais à un modèle.
Foundation Model (modèle de fondation)
Définition — Grand modèle généraliste, entraîné sur d'énormes volumes de données, qui sert de base à de nombreuses applications spécialisées.
🚀 Exemple — GPT ou Claude sont des foundation models : on peut les utiliser tels quels ou les spécialiser (fine-tuning) pour un métier.
À retenir — Un foundation model est une brique universelle. On construit dessus au lieu de repartir de zéro.
LLM (Large Language Model)
Définition — Grand modèle de langage. IA spécialisée dans le texte, capable de comprendre et de générer du langage naturel dans de nombreuses langues.
🚀 Exemple — ChatGPT, Claude, Gemini, Mistral et Llama sont tous des LLM.
À retenir — Un LLM est le type d'IA qui domine 2024-2026. Tout l'écosystème actuel gravite autour.
VLM (Vision-Language Model)
Définition — Modèle qui comprend à la fois le texte et l'image, et qui peut raisonner sur les deux ensemble.
🚀 Exemple — Envoyer une photo de facture à Claude et demander « quel est le total TTC ? » — c'est un VLM qui répond.
À retenir — Le VLM fusionne l'écrit et le visuel. C'est la voie vers des assistants réellement multimodaux.
Multimodal
Définition — Capacité d'un modèle à traiter plusieurs types d'entrée : texte, image, audio, vidéo, parfois même code ou capteurs.
🚀 Exemple — GPT-5 peut recevoir une capture d'écran, un fichier audio et une question écrite dans le même prompt, et répondre en tenant compte des trois.
À retenir — Multimodal = « plusieurs sens ». C'est l'évolution naturelle des LLM.
⚠ Erreur fréquente
Section 2
Les termes utilisés tous les jours
Ces mots reviennent dans chaque discussion sur l'IA générative. Les maîtriser, c'est déjà parler la langue du domaine.
Prompt
Définition — Instruction donnée à un modèle d'IA. C'est le texte, la question ou la consigne que vous écrivez.
🚀 Exemple — « Rédige-moi une fiche produit pour ce robinet, ton professionnel, 150 mots » est un prompt.
À retenir — La qualité du prompt conditionne la qualité de la réponse. Un bon prompt, c'est de la précision.
Prompt Engineering
Définition — Art et méthode de rédiger des prompts efficaces : structuration, contexte, exemples, contraintes, formats de sortie.
🚀 Exemple — Ajouter « réponds au format JSON avec les champs titre et description » transforme radicalement la sortie du modèle.
À retenir — Le prompt engineering n'est pas un métier magique, mais une discipline concrète, apprenable en quelques heures.
Token
Définition — Unité de base qu'un LLM manipule. Ce n'est ni un caractère ni un mot, mais un fragment de texte issu de son tokenizer.
🚀 Exemple — « Bonjour » ≈ 2 tokens en français. Une page A4 ≈ 500 à 700 tokens.
À retenir — Les API IA se paient au token. Comprendre les tokens, c'est comprendre son budget.
Context Window (fenêtre de contexte)
Définition — Quantité maximale de texte (en tokens) qu'un modèle peut lire d'un coup — prompt et documents joints inclus.
🚀 Exemple — Claude 3.7 accepte 200 000 tokens, soit environ 500 pages. GPT-5 peut aller au-delà.
À retenir — Plus la fenêtre est grande, plus vous pouvez fournir de documents. Mais plus le coût monte.
Température
Définition — Paramètre qui contrôle le niveau de créativité d'un modèle. Basse : réponses stables et prévisibles. Haute : réponses plus variées.
🚀 Exemple — Température 0.2 pour extraire un numéro de facture. Température 0.9 pour brainstormer un slogan.
À retenir — Basse pour la précision, haute pour la créativité. Deux réglages, deux usages.
Hallucination
Définition — Réponse générée avec assurance mais qui est fausse, inventée ou incohérente avec les faits.
🚀 Exemple — Un LLM cite un article scientifique qui n'existe pas, avec un titre plausible et un DOI inventé.
À retenir — Toute IA générative peut halluciner. Le RAG et la vérification humaine réduisent fortement le risque.
Inference (inférence)
Définition — Étape où le modèle, une fois entraîné, produit une réponse à partir d'un prompt. C'est la phase d'utilisation.
🚀 Exemple — Chaque message que vous envoyez à ChatGPT déclenche une inférence sur les serveurs du fournisseur.
À retenir — Entraînement = apprendre. Inférence = utiliser. C'est l'inférence qu'on paie au quotidien.
API
Définition — Application Programming Interface. Pont technique qui permet à un logiciel d'appeler un service (ici, un modèle d'IA) de manière automatisée.
🚀 Exemple — Un site e-commerce qui envoie automatiquement les avis clients à Claude pour synthèse, via son API.
À retenir — Sans API, l'IA reste manuelle. Avec API, elle s'intègre à vos outils.
CLI (Command Line Interface)
Définition — Interface en ligne de commande, où l'on tape des instructions dans un terminal plutôt que de cliquer.
🚀 Exemple — Utiliser Ollama pour tester un modèle localement avec la commande « ollama run llama3 ».
À retenir — La CLI est souvent le premier chemin pour les développeurs et les tests rapides.
UI (User Interface)
Définition — Interface utilisateur graphique. Ce qui est affiché à l'écran et avec quoi on interagit.
🚀 Exemple — La fenêtre de conversation de ChatGPT, avec ses boutons et sa zone de texte, est l'UI.
À retenir — L'UI, c'est le visage du produit. Deux logiciels avec le même moteur peuvent avoir des UI radicalement différentes.
UX (User Experience)
Définition — Expérience globale ressentie par l'utilisateur : rapidité, clarté, fluidité, plaisir d'usage. Va au-delà du design visuel.
🚀 Exemple — Un LLM très puissant mais avec une UX confuse rebutera vite un dirigeant non-technique.
À retenir — Une bonne IA sans bonne UX n'est pas adoptée. Toujours penser à l'humain qui utilise.
🚀 Exemple concret
Section 3
Les agents IA
L'agent est la grande évolution 2025-2026. Il ne se contente plus de parler : il agit. Voici les termes clés pour suivre la conversation.
Agent IA
Définition — Système capable de raisonner, de choisir des outils et d'exécuter des actions pour accomplir une tâche, pas seulement de produire du texte.
🚀 Exemple — Un agent qui lit vos mails entrants, catégorise chaque demande, prépare un brouillon de réponse et vous propose de valider.
À retenir — Un chatbot parle. Un agent fait.
Agentic AI
Définition — Approche design qui met les agents au cœur des applications, avec autonomie, mémoire et outils intégrés.
🚀 Exemple — Un poste de travail où plusieurs agents collaborent pour trier, analyser, décider et exécuter.
À retenir — L'agentic AI est le paradigme dominant qui remplace progressivement les chatbots classiques.
Multi-Agent
Définition — Architecture où plusieurs agents spécialisés travaillent ensemble, chacun expert d'un domaine, coordonnés par un chef d'orchestre.
🚀 Exemple — Un agent « recherche », un agent « rédaction » et un agent « vérification » collaborent pour produire un rapport fiable.
À retenir — La spécialisation surpasse souvent l'agent unique généraliste.
Workflow
Définition — Enchaînement d'étapes automatisées entre plusieurs services, avec ou sans IA.
🚀 Exemple — Nouveau formulaire reçu → extraction des données → envoi Slack → création d'une tâche dans le CRM.
À retenir — Un workflow relie ce que vous faites déjà. L'IA y ajoute l'intelligence là où c'est utile.
Tool Calling
Définition — Capacité d'un LLM à décider d'appeler un outil externe (fonction, API, base de données) et à formater l'appel correctement.
🚀 Exemple — Le modèle décide d'appeler l'outil « get_weather(paris) » et injecte le résultat dans sa réponse.
À retenir — Le tool calling est ce qui transforme un modèle en agent utile.
Function Calling
Définition — Version historique du tool calling, popularisée par OpenAI en 2023. Aujourd'hui souvent utilisée comme synonyme.
🚀 Exemple — Définir une fonction « create_invoice(client, montant) » que le LLM peut décider d'appeler.
À retenir — Function calling = tool calling. Deux mots, un même mécanisme.
MCP (Model Context Protocol)
Définition — Standard ouvert publié par Anthropic en 2024 pour connecter des modèles d'IA à des outils, données et services externes de manière uniforme.
🚀 Exemple — Un serveur MCP « Notion » permet à n'importe quel agent compatible de lire et modifier votre Notion, sans intégration sur mesure.
À retenir — MCP est à l'IA ce que l'USB est aux périphériques : un standard universel.
Memory (mémoire)
Définition — Capacité d'un agent à retenir des informations entre plusieurs conversations : préférences, historique, contexte utilisateur.
🚀 Exemple — Un agent qui se souvient que vous préférez les réponses courtes et en français, sans avoir à le redire à chaque fois.
À retenir — Sans mémoire, l'agent recommence de zéro à chaque échange. Avec mémoire, il devient un assistant durable.
Planning (planification)
Définition — Étape où l'agent découpe une intention complexe en une suite d'étapes ordonnées avant de les exécuter.
🚀 Exemple — Demande : « prépare un devis complet ». L'agent planifie : lire la demande → consulter le catalogue → calculer → mettre en forme → envoyer.
À retenir — Le planning distingue l'agent d'un simple exécutant réflexe.
Observation
Définition — Étape où l'agent examine le résultat d'une action pour décider de la suite : succès, erreur, ajustement.
🚀 Exemple — Après avoir envoyé une requête API, l'agent lit la réponse HTTP et adapte son prochain choix.
À retenir — Observer avant de continuer : c'est ce qui rend les agents robustes face à l'imprévu.
Feedback Loop (boucle de rétroaction)
Définition — Cycle intention → action → observation → correction que l'agent parcourt jusqu'à atteindre l'objectif.
🚀 Exemple — L'agent tente une action, constate qu'elle échoue, reformule et réessaie, jusqu'à réussir.
À retenir — La feedback loop est le mécanisme qui approche l'IA de la résolution de problèmes réels.
Pour aller plus loin, notre article dédié explique en détail en quoi les agents IA se distinguent des logiciels traditionnels.
Section 4
Les données
Sans données, pas d'IA — c'est vrai à l'entraînement, et ça reste vrai à l'utilisation. Sept notions à connaître pour comprendre comment l'IA « lit » vos documents.
Dataset (jeu de données)
Définition — Ensemble organisé de données utilisées pour entraîner, ajuster ou évaluer un modèle d'IA.
🚀 Exemple — Un dataset de 100 000 photos de plantes étiquetées pour entraîner un classificateur botanique.
À retenir — Sans dataset, pas d'IA. La qualité du dataset conditionne la qualité du modèle.
Embedding
Définition — Représentation numérique du sens d'un texte, d'une image ou d'un son sous forme de vecteur de plusieurs centaines de nombres.
🚀 Exemple — « Le chat dort sur le canapé » et « Un félin repose sur le sofa » ont des embeddings proches : leur sens est similaire.
À retenir — L'embedding capture le sens, pas les mots. C'est la clé de la recherche sémantique.
Vector (vecteur)
Définition — Suite de nombres (souvent 768, 1536 ou 3072) qui représente un embedding.
🚀 Exemple — Un texte devient un vecteur comme [0.12, -0.87, 0.03, ..., 0.44] avec 1536 dimensions.
À retenir — Le vecteur est la forme mathématique que la machine sait comparer.
Vector Database (base vectorielle)
Définition — Base de données spécialisée qui stocke des vecteurs et retrouve rapidement les plus proches d'une requête.
🚀 Exemple — Qdrant, Pinecone, pgvector : autant de bases capables d'indexer des millions d'embeddings.
À retenir — Une vector database est le moteur de recherche sémantique moderne.
Chunking (découpage)
Définition — Étape qui consiste à découper un document long en morceaux (chunks) plus petits, pour les indexer et les retrouver plus finement.
🚀 Exemple — Un PDF de 40 pages découpé en chunks de 500 tokens avec un léger recouvrement entre eux.
À retenir — Un bon chunking, c'est 80 % de la qualité d'un RAG. Découper trop gros ou trop petit dégrade tout.
Similarité sémantique
Définition — Mesure du rapprochement de sens entre deux textes, calculée à partir de la distance entre leurs embeddings.
🚀 Exemple — « Comment annuler ma commande ? » et « Procédure de retour d'un achat » ont une forte similarité sémantique.
À retenir — Ce n'est plus la présence des mots qui compte, mais leur sens.
Indexation
Définition — Processus qui prépare un contenu pour la recherche rapide : découpage, embedding, stockage dans une base vectorielle ou classique.
🚀 Exemple — Indexer tout un site pour permettre à un chatbot de répondre à partir des pages existantes.
À retenir — Sans indexation, la recherche est lente. Avec indexation, elle est instantanée.
💡 Le saviez-vous ?
Section 5
Le RAG
Le RAG (Retrieval-Augmented Generation) est aujourd'hui la manière la plus utilisée pour connecter un LLM à vos propres données, sans les envoyer à l'entraînement.
RAG (Retrieval-Augmented Generation)
Définition — Technique qui permet à un LLM de répondre en s'appuyant sur une base documentaire externe. Le système cherche d'abord les passages pertinents, puis les fournit au modèle pour composer la réponse.
🚀 Exemple — Un assistant interne qui répond aux salariés sur les procédures RH en s'appuyant sur les documents PDF de l'entreprise.
À retenir — Le RAG permet au LLM de « connaître » vos données sans les avoir apprises.
Base documentaire
Définition — Ensemble des documents que l'on rend disponibles au RAG : PDF, pages web, fiches produits, articles, contrats.
🚀 Exemple — Le manuel qualité, les procédures internes et les fiches techniques d'une PME industrielle.
À retenir — La qualité de la base documentaire fait 90 % de la qualité des réponses.
Recherche vectorielle
Définition — Recherche qui compare les embeddings au lieu des mots-clés : elle retrouve les passages proches par le sens, même sans mots communs.
🚀 Exemple — Chercher « facture impayée » retrouve aussi les documents parlant de « créance en souffrance ».
À retenir — La recherche vectorielle comprend l'intention, pas juste les mots.
Reranking
Définition — Deuxième étape de tri des résultats d'une recherche : un modèle spécialisé réordonne les passages retenus selon leur pertinence réelle.
🚀 Exemple — Sur 20 chunks trouvés, le reranker choisit les 5 les plus utiles à passer au LLM final.
À retenir — Le reranking coûte peu mais améliore beaucoup la pertinence des réponses.
Grounding (ancrage)
Définition — Fait de forcer le modèle à baser sa réponse sur les documents fournis, avec citations, plutôt que sur sa mémoire d'entraînement.
🚀 Exemple — « Réponds uniquement à partir des extraits ci-dessous, et cite la source à chaque affirmation. »
À retenir — Le grounding réduit fortement les hallucinations et rend l'IA vérifiable.
Section 6
Les modèles
Choisir un modèle, l'ajuster, l'alléger, l'héberger : les décisions clés qui séparent un projet pilote d'un déploiement durable.
Fine-Tuning
Définition — Ré-entraînement partiel d'un modèle existant sur vos propres données, pour l'adapter à un style, un domaine ou une tâche précise.
🚀 Exemple — Fine-tuner un LLM sur 5 000 réponses de votre service client pour reproduire votre ton et vos formulations.
À retenir — Le fine-tuning spécialise. Il ne remplace pas le RAG, il le complète.
LoRA (Low-Rank Adaptation)
Définition — Méthode de fine-tuning très légère : au lieu de modifier tout le modèle, on entraîne un petit module d'adaptation greffé dessus.
🚀 Exemple — Adapter Llama 3 à un style rédactionnel spécifique avec quelques centaines de mégaoctets, pas 70 gigas.
À retenir — LoRA rend le fine-tuning accessible à des budgets modestes, sur un simple GPU.
Quantization (quantification)
Définition — Compression d'un modèle : on réduit la précision des nombres (16 bits vers 4 ou 8 bits) pour diviser sa taille et accélérer l'inférence.
🚀 Exemple — Un modèle de 14 Go quantifié en 4 bits ne pèse plus que 4-5 Go et tourne sur un GPU grand public.
À retenir — La quantization ouvre les modèles aux machines locales sans perte majeure de qualité.
Distillation
Définition — Technique qui consiste à entraîner un petit modèle à imiter un grand, pour obtenir des performances proches à moindre coût.
🚀 Exemple — Un modèle « mini » distillé depuis un modèle « pro » : moins puissant, mais 10 fois plus rapide et moins cher.
À retenir — La distillation, c'est l'équivalent d'un stagiaire formé par un expert.
Open Source (open weight)
Définition — Modèle dont les poids sont librement téléchargeables et utilisables, souvent avec le code d'inférence. Le degré d'ouverture varie selon la licence.
🚀 Exemple — Llama, Mistral, Qwen, DeepSeek, Gemma : tous téléchargeables et utilisables localement.
À retenir — Open source = souveraineté possible. Vos données peuvent rester chez vous.
Closed Source (propriétaire)
Définition — Modèle uniquement accessible via l'API du fournisseur, sans possibilité de le télécharger ou de l'héberger soi-même.
🚀 Exemple — GPT-5, Claude, Gemini : accessibles uniquement via les serveurs d'OpenAI, Anthropic et Google.
À retenir — Closed source = simplicité maximale, mais dépendance et données envoyées à l'extérieur.
⚠ Erreur fréquente
Section 7
L'infrastructure
L'IA ne tourne pas dans le vide. Voici les briques techniques qui la font vivre au quotidien, du serveur au format d'échange.
Docker
Définition — Outil qui empaquette une application avec toutes ses dépendances dans un conteneur, pour qu'elle tourne à l'identique partout.
🚀 Exemple — Déployer Ollama, n8n ou une base vectorielle sur un serveur en une seule commande, sans se soucier des versions Linux.
À retenir — Docker rend l'infrastructure reproductible. C'est la norme moderne du déploiement.
VPS (Virtual Private Server)
Définition — Serveur virtuel loué chez un hébergeur, entièrement à vous, sur lequel vous installez ce que vous voulez.
🚀 Exemple — Un VPS chez Contabo pour héberger n8n, un LLM local via Ollama ou une base de données.
À retenir — Un VPS, c'est un ordinateur toujours allumé, accessible depuis n'importe où.
GPU (Graphics Processing Unit)
Définition — Processeur spécialisé dans les calculs massivement parallèles. Indispensable pour entraîner ou faire tourner rapidement de gros modèles.
🚀 Exemple — Une carte NVIDIA RTX 4090 ou une A100 en centre de données pour l'inférence de LLM.
À retenir — Le GPU est le moteur de l'IA moderne. Sans GPU, tout devient lent.
CPU (Central Processing Unit)
Définition — Processeur généraliste d'un ordinateur. Suffisant pour les petits modèles et les tâches classiques, insuffisant pour les gros LLM.
🚀 Exemple — Un mini-modèle de 1 à 3 milliards de paramètres peut tourner correctement sur un bon CPU récent.
À retenir — CPU pour le léger, GPU pour le lourd. Deux mondes complémentaires.
API REST
Définition — Style d'API le plus répandu, qui échange des données au format JSON via des requêtes HTTP (GET, POST, PUT, DELETE).
🚀 Exemple — Envoyer un POST à /v1/chat/completions avec un JSON contenant votre prompt.
À retenir — L'API REST est le lingua franca du web. Toutes les IA modernes en exposent une.
JSON
Définition — Format texte structuré, lisible par l'humain et par la machine, qui sert à échanger des données entre applications.
🚀 Exemple — {"nom": "Dupont", "montant": 1290, "urgent": true} est un objet JSON.
À retenir — JSON est partout. Comprendre sa structure, c'est parler la langue des API.
Section 8
Les outils connus
Un tour d'horizon rapide des noms qui reviennent le plus souvent en 2026. L'objectif : savoir à quoi sert chacun. Aucun classement, aucune publicité.
ChatGPT (OpenAI)
Définition — Assistant conversationnel grand public d'OpenAI, reposant sur la famille des modèles GPT.
🚀 Exemple — Utiliser ChatGPT pour rédiger un mail, résumer un rapport, brainstormer une baseline.
À retenir — ChatGPT a popularisé les LLM auprès du grand public en 2022-2023.
Claude (Anthropic)
Définition — Assistant conversationnel d'Anthropic, apprécié pour sa qualité rédactionnelle, sa fenêtre de contexte large et son approche « safety-first ».
🚀 Exemple — Utiliser Claude pour analyser un contrat de 80 pages ou rédiger un long article.
À retenir — Claude excelle sur les tâches nécessitant nuance, contexte long et rigueur.
Gemini (Google)
Définition — Famille de modèles multimodaux de Google, profondément intégrés à Workspace (Gmail, Docs, Meet).
🚀 Exemple — Utiliser Gemini directement dans Google Docs pour reformuler un paragraphe.
À retenir — Gemini est fort là où Google est déjà installé : au sein de son écosystème.
Mistral (Mistral AI)
Définition — Éditeur français qui publie des modèles ouverts et propriétaires performants, avec un fort ancrage européen.
🚀 Exemple — Utiliser Mistral Large via son API, ou télécharger un modèle open source Mistral pour le faire tourner en local.
À retenir — Mistral est l'option européenne crédible face aux géants américains.
DeepSeek
Définition — Éditeur chinois de modèles open source de très haut niveau, notamment sur le raisonnement.
🚀 Exemple — DeepSeek-R1 a démontré que le raisonnement avancé n'est plus le monopole des modèles propriétaires.
À retenir — DeepSeek est un signal fort : la performance IA n'est plus corrélée au seul budget.
Ollama
Définition — Outil open source qui permet de télécharger et de faire tourner des LLM localement, en une commande.
🚀 Exemple — « ollama run llama3 » démarre un modèle sur votre machine, sans envoyer vos données à l'extérieur.
À retenir — Ollama est la porte d'entrée la plus simple vers l'IA locale et souveraine.
n8n
Définition — Plateforme d'automatisation open source qui permet de créer des workflows entre applications, avec ou sans code, et de brancher des LLM et des agents.
🚀 Exemple — Automatiser la lecture des demandes de devis reçues par mail, leur analyse par un LLM et leur enregistrement dans un CRM.
À retenir — n8n orchestre l'IA dans la vraie vie : les données, les mails, les APIs, les alertes.
Lovable
Définition — Plateforme de développement assistée par IA qui permet de créer des applications web à partir d'instructions en langage naturel.
🚀 Exemple — Générer une première version fonctionnelle d'un site vitrine ou d'un dashboard en quelques heures.
À retenir — Lovable accélère les phases de prototypage et de première mise en ligne.
Hermes
Définition — Famille de modèles open source spécialisés dans les usages d'agent et de tool calling, réputés pour leur robustesse.
🚀 Exemple — Utiliser un modèle Hermes pour piloter un agent local capable d'appeler des outils.
À retenir — Hermes est un choix apprécié quand on veut un modèle open source pensé pour l'agentique.
Récapitulatif : IA générative, agent, RAG, fine-tuning
Quatre notions se recoupent souvent dans les discussions. Ce tableau les remet à leur place.
Rôle principal Bon pour... -------------------------------------------------------------------------- IA générative Produire du contenu Texte, image, code, audio Agent IA Décider et agir Automatiser une tâche RAG Répondre avec vos docs FAQ interne, support, wiki Fine-tuning Spécialiser un modèle Ton, style, domaine rare
Ces briques ne s'opposent pas — elles se combinent. Un agent peut utiliser un LLM, appeler un RAG et écrire une réponse au bon format. Un modèle fine-tuné peut être exposé via une API et intégré dans un workflow n8n. Le vocabulaire n'est pas qu'une affaire de mots : c'est la carte mentale qui aide à concevoir de bonnes solutions.
🛠 Les outils utilisés chez BlackShield
Chez BlackShield Web, nous utilisons quotidiennement plusieurs de ces briques pour construire des sites, automatiser des processus et déployer des agents IA chez nos clients : Lovable pour la création rapide de sites, n8n pour l'automatisation des workflows, Contabo pour l'hébergement de nos VPS, et une pile RAG maison pour les cas d'usage qui exigent une base documentaire privée. Nous documentons régulièrement ces choix dans le blog.
La sélection détaillée de nos outils et partenaires est disponible sur notre page partenaires, et notre approche complète est expliquée sur la page à propos.
Pour aller plus loin
- Les agents IA vont-ils remplacer les logiciels traditionnels ?
- Comment l'IA peut redonner du temps aux personnes en situation de handicap ou atteintes de maladies chroniques
- Pourquoi nous développons avec Lovable
- Automatiser son activité avec n8n sur VPS dédié
- Discuter d'un projet IA avec BlackShield Web
Questions fréquentes
Quelle est la différence entre IA et LLM ?+
L'IA (intelligence artificielle) est un terme générique qui regroupe toutes les techniques permettant à une machine de simuler des capacités cognitives : voir, écouter, comprendre, décider. Un LLM (Large Language Model) est une catégorie précise d'IA spécialisée dans le langage. ChatGPT, Claude et Gemini reposent sur des LLM. Autrement dit : tout LLM est une IA, mais toutes les IA ne sont pas des LLM.
Qu'est-ce qu'un agent IA ?+
Un agent IA est un système capable de raisonner, de choisir des outils et d'agir pour accomplir une tâche, pas seulement de répondre à une question. Là où un chatbot parle, l'agent envoie un mail, consulte un CRM, exécute une requête ou appelle une API. Il enchaîne les étapes de manière autonome, sous supervision humaine.
Que signifie MCP ?+
MCP signifie Model Context Protocol. C'est un standard ouvert publié par Anthropic en 2024 qui permet à un modèle d'IA de se connecter à des outils et des données externes de manière uniforme. Comparable à l'USB pour les périphériques, MCP évite de développer une intégration sur mesure pour chaque service.
À quoi sert un token ?+
Un token est l'unité de base qu'un modèle de langage manipule. Ce n'est ni un mot ni une lettre, mais un fragment de texte (par exemple « bonjour » peut valoir 2 tokens). Le prix des API IA se calcule au token, et chaque modèle a une limite de tokens qu'il peut traiter d'un coup (le context window).
Qu'est-ce qu'un RAG ?+
RAG signifie Retrieval-Augmented Generation. C'est une technique qui permet à un LLM de répondre en s'appuyant sur une base documentaire externe (vos PDF, votre site, votre wiki interne). Le système cherche d'abord les passages pertinents, puis les fournit au modèle pour qu'il compose une réponse ancrée sur vos données, sans les avoir apprises à l'entraînement.
Pourquoi parle-t-on autant des embeddings ?+
Les embeddings sont des représentations numériques du sens d'un texte. Deux phrases proches par le sens auront des vecteurs proches, même si les mots diffèrent. C'est la brique fondamentale des moteurs de recherche modernes, des systèmes de recommandation et des RAG. Sans embeddings, la recherche sémantique n'existe pas.
Quelle est la différence entre fine-tuning et RAG ?+
Le fine-tuning consiste à ré-entraîner un modèle sur des données spécifiques pour modifier son comportement. Le RAG, lui, ne modifie pas le modèle : il lui fournit des documents pertinents au moment de répondre. Le RAG est plus rapide à mettre en place, moins coûteux, et se met à jour en temps réel. Le fine-tuning reste utile pour changer le style ou spécialiser un modèle sur un domaine rare.
Un modèle open source est-il moins performant ?+
Plus en 2026. Les modèles open source comme Llama, Mistral, Qwen ou DeepSeek atteignent, sur beaucoup de tâches, un niveau proche des modèles propriétaires. Ils offrent surtout un avantage : la souveraineté. On peut les héberger soi-même, sans envoyer ses données à un fournisseur externe.
Qu'est-ce qu'une hallucination ?+
Une hallucination, c'est quand un LLM invente une information avec assurance : une source qui n'existe pas, une date fausse, une citation apocryphe. Cela arrive parce que le modèle génère du texte plausible sans vérifier les faits. Les techniques comme le RAG et le grounding réduisent fortement le risque.
Faut-il un GPU pour utiliser l'IA ?+
Pour utiliser ChatGPT, Claude ou Gemini via une API, non : le calcul se fait chez le fournisseur. Pour faire tourner un modèle localement (par exemple via Ollama), un GPU accélère considérablement l'inférence, surtout pour les modèles de plus de 7 milliards de paramètres. Un CPU suffit pour de petits modèles ou des cas d'usage sans exigence de vitesse.
Demandez gratuitement votre maquette de site internet.
Nous créons votre site sans avancer un euro. Vous ne payez ensuite qu'un abonnement simple à partir de 29 €/mois pour l'hébergement et la maintenance.
Ce dictionnaire est un document vivant. Il est enrichi au fil des évolutions du domaine (nouveaux protocoles, nouveaux modèles, nouvelles pratiques). Si un terme vous semble manquant ou mérite d'être clarifié, écrivez-nous : nous mettrons ce guide à jour.
