Lexique de l’IA
Ce lexique explique en quelques phrases les mots que vous croisez dès que l’on parle d’IA, du token à l’agent. Quand un mot a sa vidéo de la série « L’IA en 90 sec et quelques », le lien vous y mène.
En bref : 62 mots en 5 familles, une définition courte pour chacun, et 22 vidéos dessinées déjà en ligne.
Aucun mot ne correspond. Essayez un synonyme, ou écrivez-moi : il manque peut-être au lexique.
1. Les fondamentaux
Les notions de base, de l’intelligence artificielle au modèle qui répond à votre prompt.
Intelligence artificielle (IA)
Une intelligence artificielle est aujourd’hui un programme qui apprend une tâche à partir d’exemples, plutôt que de règles écrites à la main. Elle reconnaît un visage, trie des spams, prévoit une demande ou repère une pièce défectueuse sur une ligne de production. Il n’existe pas une IA unique mais une famille d’outils (image, voix, texte, prévision, robot), chacun entraîné pour sa tâche.
Machine learning
Le machine learning, ou apprentissage automatique, est la branche de l’IA où un programme apprend à partir d’exemples au lieu de suivre des règles écrites à la main. Vous lui fournissez l’historique de vos commandes, il en tire une prévision des ventes du mois suivant. Le deep learning en est une sous-famille, qui s’appuie sur de grands réseaux de neurones.
Deep learning
Vidéo à venirLe deep learning, ou apprentissage profond, est une branche du machine learning qui utilise des réseaux de neurones à très nombreuses couches. Il excelle là où les règles sont impossibles à écrire, comme reconnaître une image, comprendre la voix ou produire du texte. Les LLM et la plupart des IA génératives reposent sur lui, au prix de beaucoup de données et de calcul.
Voir aussi
Réseau de neurones
Vidéo à venirUn réseau de neurones est un programme formé de couches de petites unités de calcul reliées entre elles, librement inspiré du cerveau. Chaque liaison porte un poids, ou paramètre, un nombre que l’entraînement ajuste peu à peu pour que le réseau donne la bonne réponse. Empiler beaucoup de couches, c’est le deep learning, lui-même une branche du machine learning.
Voir aussi
IA générative
Vidéo à venirL’IA générative est la famille d’IA qui produit un contenu nouveau à partir d’une demande, qu’il s’agisse de texte, d’image, de son, de vidéo ou de code. Elle rédige un mail, résume un rapport ou crée un visuel produit. Les autres IA classent ou prédisent sans rien créer, par exemple trier un mail en spam ou prévoir une rupture de stock.
Voir aussi
LLM
Un LLM, ou grand modèle de langage, est une machine qui prédit le mot le plus probable, puis le suivant, jusqu’à la réponse entière. Il a appris ces probabilités sur d’immenses quantités de textes, rangées dans des milliards de paramètres, ce qui lui permet de rédiger, résumer, traduire ou répondre. Parce qu’il vise le plausible, il peut se tromper avec assurance.
Token
Un token est un morceau de texte, l’unité que lit un modèle de langage. Avant de lire, le modèle découpe le texte en tokens, qui peuvent être un mot entier, un bout de mot, un signe, un chiffre ou un emoji. Tout se compte en tokens : ce que le modèle peut lire d’un coup, la longueur de sa réponse et le prix facturé.
Embedding
Un embedding est la traduction d’un texte ou d’une image en une liste de nombres, un vecteur, qui représente son sens. Deux textes qui parlent de la même chose obtiennent des vecteurs proches, même s’ils n’emploient pas les mêmes mots. C’est la matière première de la recherche sémantique, les vecteurs étant ensuite rangés dans une base de données vectorielle.
Entraînement
Vidéo à venirL’entraînement est la phase où un modèle apprend, en ajustant ses paramètres sur d’énormes quantités d’exemples jusqu’à donner de bonnes réponses. Il a lieu avant toute utilisation et demande énormément de données, de calculs et de temps. Viennent ensuite l’inférence, quand on se sert du modèle entraîné, et parfois le fine-tuning, quand on spécialise un modèle existant.
Voir aussi
Inférence
L’inférence est le moment où un modèle déjà entraîné produit un résultat à partir de nouvelles données, comme un étudiant le jour de l’examen. L’entraînement apprend, en amont ; l’inférence s’en sert, et recommence à chaque demande, qu’il s’agisse de traduire, de résumer ou de reconnaître un objet sur une photo. Chaque inférence coûte du calcul, du temps et de l’énergie.
Fine-tuning
Le fine-tuning, ou ajustement fin, est l’opération qui spécialise un modèle déjà entraîné en poursuivant son apprentissage sur des exemples propres à un métier. On l’utilise pour imposer un ton, un format ou un vocabulaire, par exemple des réponses au style de votre service client. Il modifie le modèle lui-même, alors que le RAG lui fournit des documents au moment de répondre, sans rien réapprendre.
Prompt
Un prompt est votre demande à l’IA, écrite en langage naturel, comme vous l’écririez à un collègue. L’IA n’a que ça, et ce que vous ne dites pas, elle le devine. Une bonne demande précise le rôle, la tâche, le contexte, le format et le ton attendus, et la réponse se relit toujours avant de servir.
Fenêtre de contexte
La fenêtre de contexte est la quantité d’informations qu’un modèle peut traiter pour répondre, mesurée en tokens. Elle contient vos messages, ses anciennes réponses, les documents et les images, et quand la limite est atteinte, des échanges sont écartés ou résumés, ou la demande est refusée. Une fenêtre plus grande ne garantit pas que chaque détail soit bien exploité.
Hallucination
Une hallucination est une réponse fausse qu’une IA présente avec assurance, comme si elle était vraie, par exemple une référence, un chiffre ou une citation inventés. Elle vient du fonctionnement même d’un LLM, qui produit la suite la plus plausible et non la plus exacte. Fournir les bons documents réduit le risque sans le supprimer, et la relecture humaine reste indispensable.
IA multimodale
L’IA multimodale désigne une IA capable de comprendre ou de produire plusieurs types de contenus, comme le texte, l’image, le son ou la vidéo. Vous photographiez une étiquette abîmée ou un tableau blanc, et elle en lit le texte, l’explique ou le range dans un tableau. Un modèle limité au texte, lui, ne voit ni n’entend rien.
Modèle open source
Un modèle open source est un modèle d’IA publié pour que chacun puisse le télécharger, le faire tourner sur ses machines et l’adapter. Beaucoup de modèles dits « open source » ne publient que leurs poids, les paramètres appris, sans les données ni le code d’entraînement : on parle alors d’« open weights ». Les licences diffèrent aussi, et l’usage commercial est plus ou moins libre selon le modèle.
2. Les outils et les technologies
Ce qui relie l’IA à vos logiciels et à vos documents, et les machines qui la font tourner.
API
Vidéo à venirUne API, ou interface de programmation, est une porte d’entrée qu’un logiciel ouvre aux autres programmes pour qu’ils lui demandent des données ou des actions, selon des règles précises. C’est par une API que votre logiciel de gestion peut envoyer un texte à un modèle d’IA et recevoir sa réponse. Avec une API, c’est vous qui interrogez quand vous en avez besoin, alors qu’un webhook vous prévient de lui-même.
Voir aussi
Webhook
Vidéo à venirUn webhook est un message qu’un logiciel envoie automatiquement à une adresse web dès qu’un événement se produit, par exemple une commande payée ou un formulaire rempli. Il déclenche aussitôt la suite, comme créer la fiche client ou prévenir l’équipe. La différence avec une API tient au sens de l’échange : avec une API on interroge, avec un webhook on est prévenu.
Voir aussi
MCP
Le MCP (Model Context Protocol) est un standard ouvert qui propose une prise commune entre l’IA et vos outils, en somme l’USB-C de l’IA. Chaque outil peut proposer un serveur MCP, qui indique ce que l’assistant peut consulter ou faire, et un même serveur sert plusieurs assistants compatibles. Trois réflexes s’imposent : des serveurs fiables, des droits limités, un humain qui valide les actions importantes.
Workflow
Vidéo à venirUn workflow est un enchaînement de tâches dans un ordre défini, qui précise qui fait quoi et quand pour mener un travail du début à la fin. Le traitement d’une commande en est un, de la réception du bon de commande à l’envoi de la facture. Un workflow peut être suivi à la main, automatisé avec des règles fixes, ou confier certaines étapes à une IA, voire à un agent.
Voir aussi
Automatisation
Vidéo à venirUne automatisation est une tâche qu’un logiciel exécute seul, sans intervention humaine, en suivant des règles fixées à l’avance. Par exemple, chaque facture reçue par mail est enregistrée dans le bon dossier et signalée à la comptabilité. Elle fait toujours la même chose, de façon fiable, alors qu’un agent IA choisit lui-même ses étapes selon la situation, avec plus de souplesse et plus de risque d’erreur.
Agent IA
Un agent IA est un LLM équipé d’outils (fichiers, mails, agenda, web, logiciels) qui passe à l’action au lieu de seulement répondre. Il choisit lui-même ses étapes, en boucle : il lit la demande, décide, agit, vérifie et recommence jusqu’à ce que ce soit fait. Comme il peut aussi se tromper en agissant, il lui faut des droits limités, des actions visibles et un humain qui valide.
RAG
Un RAG, ou génération augmentée par la recherche, est une IA qui cherche dans vos documents avant de répondre, au lieu de s’en tenir à ce qu’elle a appris. Il travaille en deux temps : retrouver les bons passages, puis les donner au modèle pour qu’il réponde avec, en citant sa source. Mettre un document à jour suffit, sans rien réapprendre, à la différence du fine-tuning.
Base de données vectorielle
Vidéo à venirUne base de données vectorielle est une base qui stocke des embeddings, ces vecteurs qui représentent le sens des textes, et retrouve très vite ceux qui sont les plus proches d’une question. C’est elle qui, dans un RAG, sort en un instant les passages de vos procédures qui parlent du sujet demandé. Elle ne calcule pas les vecteurs, c’est le rôle du modèle d’embedding, et elle ne rédige rien.
Voir aussi
Recherche sémantique
Vidéo à venirLa recherche sémantique est une façon de chercher dans des documents par le sens de la question plutôt que par ses mots exacts. Une recherche sur « retard de livraison » retrouve aussi une note qui parle d’« expédition décalée ». Elle compare des embeddings rangés dans une base vectorielle, et sert de première étape au RAG, qui donne ensuite les passages trouvés au modèle pour qu’il réponde.
Voir aussi
Modèle de raisonnement
Vidéo à venirUn modèle de raisonnement est un modèle de langage qui consacre plus de calcul à réfléchir avant de répondre, en passant par des étapes intermédiaires. Il est souvent plus fiable sur les problèmes à plusieurs étapes, comme un calcul de planning, l’analyse d’un contrat ou du code, mais il est plus lent et plus coûteux. Ces étapes intermédiaires forment sa chaîne de pensée.
Voir aussi
Modèle de langage spécialisé
Vidéo à venirUn modèle de langage spécialisé est un modèle conçu ou ajusté pour un domaine précis, comme le juridique, la santé ou la maintenance industrielle, plutôt que pour tout faire. Souvent plus petit qu’un grand modèle généraliste, il coûte moins cher à faire tourner, peut fonctionner en local et maîtrise mieux le vocabulaire du métier. Il perd en polyvalence ce qu’il gagne en précision.
Voir aussi
GPU
Un GPU, ou processeur graphique, est une puce spécialisée dans les calculs en parallèle, née pour calculer les images des jeux vidéo. Là où le CPU est un chef polyvalent, le GPU est une brigade de commis, idéale pour les réseaux de neurones qui multiplient et additionnent énormément de nombres. Sa mémoire vidéo limite la taille des modèles ; pour une IA en ligne, les calculs se font à distance.
Cloud
Vidéo à venirLe cloud est l’usage de serveurs distants, loués à un fournisseur et accessibles par Internet, au lieu de machines installées dans vos locaux. Quand vous utilisez un assistant IA en ligne, le modèle tourne dans le cloud, sur les GPU du fournisseur : rien à installer, mais vos demandes et vos documents passent par ses serveurs. L’IA locale fait l’inverse et tourne sur vos propres machines.
Voir aussi
IA locale
Vidéo à venirL’IA locale est une IA qui tourne sur vos propres machines, un ordinateur ou un serveur de l’entreprise, sans envoyer vos données chez un fournisseur. Elle convient aux documents sensibles et fonctionne sans Internet, mais demande du matériel adapté, souvent un GPU, et ses modèles sont en général moins puissants que les plus grands modèles du cloud. Elle s’appuie le plus souvent sur des modèles dont les poids sont publiés.
Voir aussi
Docker
Docker est un outil qui emballe un logiciel avec tout ce dont il a besoin pour fonctionner, dans une boîte isolée appelée conteneur. Ce conteneur tourne de la même façon sur un portable, sur un serveur de l’entreprise ou dans le cloud, sans conflit avec le reste. On s’en sert pour installer proprement un outil d’IA, une base vectorielle ou une automatisation, chaque service restant isolé des autres.
3. Les risques et les règles
Ce qu’il faut savoir avant de confier vos données et vos décisions à une IA.
Shadow AI
Le shadow AI, ou IA de l’ombre, est l’IA utilisée au travail hors de tout cadre, à l’insu de l’entreprise. Les salariés s’y mettent parce que c’est simple, rapide et que ça marche, mais des données partent sur des serveurs inconnus et des résultats circulent sans vérification. Interdire ne suffit pas : mieux vaut allumer la lumière, avec des outils choisis, des règles claires et des équipes formées.
AI Act
L’AI Act, ou règlement (UE) 2024/1689, est le règlement européen qui classe les usages de l’IA selon leur niveau de risque. Plus le risque est élevé, plus les obligations sont fortes : détecter les émotions des salariés est interdit (sauf raisons médicales ou de sécurité), trier des CV relève du haut risque, et un chatbot doit signaler qu’il est une IA, sauf si c’est évident. Un filtre anti-spam reste sans obligation spécifique.
Biais
Vidéo à venirUn biais de l’IA est une erreur systématique qui pousse un modèle à favoriser ou à défavoriser certains cas ou certaines personnes, souvent parce que ses données d’entraînement étaient déséquilibrées. Une IA de tri de CV entraînée sur les recrutements passés peut ainsi reproduire les préférences d’hier. On le repère en testant les résultats sur des cas variés, et on le limite par de meilleures données et un contrôle humain.
Voir aussi
RGPD
Vidéo à venirLe RGPD est le règlement européen qui protège les données personnelles, et il s’applique aussi quand ces données passent par une IA. Coller une liste de clients dans un assistant en ligne est un traitement de données personnelles, qui demande une base légale, une finalité claire et une sécurité adaptée. Vérifiez donc où partent les données et si le fournisseur les réutilise pour entraîner ses modèles.
Injection de prompt
Une injection de prompt est une attaque qui glisse de fausses instructions dans un contenu que l’IA va lire, pour détourner son comportement. Une phrase cachée dans une page web, un mail ou un document peut ainsi demander à un agent d’envoyer des données ou d’ignorer vos consignes. Le risque grandit quand l’IA a accès à vos outils, d’où des droits limités et une validation humaine des actions importantes.
Deepfake
Vidéo à venirUn deepfake est une image, une vidéo ou une voix fabriquée ou truquée par l’IA pour faire croire qu’une personne réelle a dit ou fait quelque chose. En entreprise, le risque typique est la fraude, par exemple un faux appel du dirigeant qui demande un virement urgent. Le bon réflexe est de vérifier par un autre canal, et l’AI Act prévoit que ces contenus soient signalés comme artificiels.
Voir aussi
Droit d’auteur
Vidéo à venirLe droit d’auteur face à l’IA soulève deux questions, celle des œuvres utilisées pour entraîner les modèles et celle des droits sur ce que l’IA produit. Les règles et les décisions de justice se construisent encore et varient selon les pays. Par prudence, lisez les conditions d’utilisation de l’outil, évitez de reproduire une œuvre, un logo ou un personnage existants, et retravaillez ce que l’IA produit avant de le publier.
IA souveraine
Vidéo à venirUne IA souveraine est une IA dont un pays, une région ou une entreprise garde la maîtrise, des modèles aux serveurs, en limitant sa dépendance envers des fournisseurs soumis à des lois étrangères. Pour une PME, la question est concrète : où sont hébergées ses données, quel droit s’y applique et qui peut y accéder. Un modèle européen, un hébergement en Europe ou une IA locale y répondent en partie.
Voir aussi
Charte d’usage de l’IA
Vidéo à venirUne charte d’usage de l’IA est un document interne qui fixe ce que les salariés peuvent faire, ou non, avec l’IA au travail. Elle liste les outils autorisés, les données à ne jamais y mettre, les vérifications à faire avant d’utiliser un résultat et la personne à contacter en cas de doute. C’est la réponse la plus simple au shadow AI, à condition d’être courte, expliquée et accompagnée d’une formation.
Voir aussi
Empreinte environnementale
Vidéo à venirL’empreinte environnementale de l’IA regroupe l’électricité, l’eau de refroidissement et les matériaux nécessaires pour fabriquer et faire tourner ses serveurs et ses puces. Elle vient de l’entraînement des modèles, mais aussi de chaque inférence, répétée à chaque demande de chaque utilisateur. Choisir un modèle à la taille du besoin, éviter les générations inutiles et réserver l’IA aux usages qui en valent la peine la réduisent.
Voir aussi
4. L’IA en entreprise
Les mots du déploiement : choisir un cas d’usage, le tester, mesurer, embarquer les équipes.
Cas d’usage
Vidéo à venirUn cas d’usage IA est une tâche précise de l’entreprise où l’IA apporte un gain mesurable, décrite avec ses utilisateurs, ses données et le résultat attendu. Préparer les réponses aux demandes de devis ou résumer les comptes rendus de chantier en sont des exemples, « faire de l’IA » n’en est pas un. Un bon cas d’usage part d’un problème réel et fréquent, dont on sait mesurer l’amélioration.
Voir aussi
POC
Vidéo à venirUn POC, ou preuve de concept, est un petit test mené sur un cas d’usage réel pour vérifier que l’IA tient ses promesses avant d’investir davantage. Il se limite à quelques utilisateurs, travaille sur de vraies données et se juge sur des critères de réussite fixés à l’avance. S’il est concluant, on passe au déploiement ; sinon, on arrête à moindre coût, et c’est aussi un bon résultat.
Voir aussi
ROI
Vidéo à venirLe ROI d’un projet IA, ou retour sur investissement, compare ce que le projet rapporte ou fait économiser à ce qu’il coûte. Côté gains : temps gagné, erreurs évitées, ventes en plus ; côté coûts : abonnements, intégration, formation et temps passé par les équipes. Il se mesure à partir d’une situation de départ chiffrée avant le projet, sans quoi il reste une impression.
Voir aussi
Maturité IA
Vidéo à venirLa maturité IA d’une entreprise est son niveau d’avancement dans l’usage de l’IA, des premiers essais individuels jusqu’à des usages encadrés, mesurés et intégrés aux processus. Elle s’évalue sur plusieurs axes : compétences des équipes, qualité des données, outils, règles et soutien de la direction. La connaître permet de choisir des projets à sa portée plutôt que de copier ceux des grands groupes.
Feuille de route IA
Vidéo à venirUne feuille de route IA est le plan qui ordonne dans le temps les projets d’IA d’une entreprise, en commençant souvent par les plus simples et les plus rentables. Elle relie chaque cas d’usage à ses moyens, ses responsables, ses étapes et ses indicateurs de réussite, sans oublier la formation des équipes. Elle se revoit régulièrement, car les outils évoluent vite et les premiers résultats changent les priorités.
Voir aussi
Acculturation à l’IA
Vidéo à venirL’acculturation à l’IA est la démarche qui fait monter les équipes en compréhension et en pratique de l’IA, pour qu’elles s’en servent bien et sans crainte. Elle passe par des ateliers, des démonstrations sur des tâches réelles et des règles partagées, et concerne aussi la direction. L’acculturation est le chemin, l’AI literacy le résultat visé, c’est-à-dire les compétences elles-mêmes.
Voir aussi
AI literacy
Vidéo à venirL’AI literacy, ou maîtrise de l’IA, désigne les compétences qui permettent d’utiliser l’IA à bon escient, en comprenant ce qu’elle fait, ses limites et ses risques. Elle concerne toutes les personnes qui s’en servent, pas seulement l’informatique, et l’AI Act, dans son article 4, en fait un sujet à part entière. L’acculturation est la démarche qui développe ces compétences dans l’entreprise.
IA agentique
Vidéo à venirL’IA agentique est une approche qui organise un système autour d’agents IA capables de planifier et d’exécuter eux-mêmes des tâches, plutôt que de seulement répondre à des questions. Elle combine des modèles, des outils, des règles et des points de contrôle humain, par exemple pour traiter une demande client de bout en bout. L’agent est la pièce ; l’IA agentique est la façon de construire avec, seul ou à plusieurs.
Human-in-the-loop
Vidéo à venirLe human-in-the-loop, ou humain dans la boucle, est le principe selon lequel une personne valide, corrige ou décide aux étapes clés d’un travail confié à l’IA. Un agent prépare les relances clients, mais un salarié les relit avant l’envoi. Ce contrôle limite les erreurs et garde une responsabilité claire ; l’AI Act impose d’ailleurs un contrôle humain pour les usages à haut risque.
Voir aussi
Assistant IA métier
Vidéo à venirUn assistant IA métier est un assistant configuré pour un poste ou un service précis, avec ses consignes, ses documents de référence et ses outils. Celui des achats connaît vos fournisseurs et vos conditions, celui du service après-vente vos fiches produits et vos procédures. À la différence d’un chatbot généraliste, il répond à partir de vos sources, souvent grâce à un RAG, et peut agir comme un agent.
Voir aussi
Second cerveau
Un second cerveau est une mémoire hors de votre tête, un seul endroit où tout ce qui compte est déposé, rangé et relié, avec un assistant IA qui range, retrouve et rédige. Mails, documents, vocaux et réunions y entrent, et une question trouve sa réponse avec la note d’origine. Il vaut ce que vous lui confiez, vous gardez la main, et tout reste à vous, dans des fichiers lisibles.
5. Les notions avancées
Les réglages, les architectures et les mesures qui font la différence entre deux modèles ou deux agents.
Température
Vidéo à venirLa température est un réglage du hasard dans le choix des mots d’un LLM, qui rend ses réponses plus prévisibles ou plus inventives. À température basse, le modèle retient presque toujours le mot le plus probable, ce qui convient pour extraire des données ou obtenir des réponses stables. À température haute, il ose des mots moins probables, utile pour chercher des idées, avec plus de risque d’erreur.
Voir aussi
Chaîne de pensée
Vidéo à venirLa chaîne de pensée est la suite d’étapes intermédiaires qu’un modèle écrit pour résoudre un problème avant de donner sa réponse finale. Lui demander de « raisonner étape par étape » améliore souvent les résultats en calcul ou en logique, et permet de suivre son raisonnement. Les modèles de raisonnement produisent ces étapes d’eux-mêmes, mais ce raisonnement affiché ne reflète pas toujours fidèlement le calcul réel du modèle.
Voir aussi
Quantification
Vidéo à venirLa quantification est une technique qui stocke les paramètres d’un modèle avec moins de précision, sous forme de nombres plus courts, pour réduire la mémoire et le calcul nécessaires. Elle permet de faire tourner un modèle sur un ordinateur ou un GPU plus modeste, ce qui rend l’IA locale accessible. La contrepartie est une petite perte de qualité, d’autant plus sensible que la compression est forte.
Voir aussi
Distillation
Vidéo à venirLa distillation est une technique qui entraîne un petit modèle, l’élève, à imiter les réponses d’un grand modèle, le professeur. L’élève conserve une bonne partie des capacités du professeur, tout en étant plus rapide et moins coûteux à faire tourner. La distillation crée un nouveau modèle plus petit, alors que la quantification compresse un modèle existant sans changer sa structure.
Mixture of Experts (MoE)
Vidéo à venirUn modèle Mixture of Experts, ou mélange d’experts, est un modèle découpé en nombreux sous-réseaux, les experts, dont seuls quelques-uns travaillent pour chaque token. Un aiguilleur interne choisit lesquels, ce qui donne un très grand modèle qui calcule vite, même s’il faut assez de mémoire pour le charger en entier. Malgré leur nom, ces experts ne correspondent pas à des métiers ou à des sujets lisibles par un humain.
Voir aussi
Benchmark
Vidéo à venirUn benchmark IA est un test standardisé, une série de tâches notées de la même façon, qui permet de comparer des modèles entre eux. Il en existe pour les mathématiques, le code, le raisonnement ou la compréhension de documents. Un bon score ne garantit pas un bon résultat sur vos tâches, car un modèle peut avoir vu les questions pendant son entraînement, d’où l’intérêt de tester sur vos propres cas.
Voir aussi
Évaluation d’agent
Vidéo à venirL’évaluation d’un agent IA est la mesure de sa capacité à mener une tâche jusqu’au bout, correctement et sans action indésirable. Elle ne juge pas seulement la réponse finale, mais aussi les étapes suivies, les outils appelés, le coût, le temps et les erreurs. Elle se fait sur un jeu de cas réels, rejoué à chaque modification comme un contrôle qualité, et complète les benchmarks publics.
Voir aussi
Architecture multi-agents
Vidéo à venirUne architecture multi-agents est une organisation où plusieurs agents IA, chacun avec son rôle, ses outils et ses consignes, coopèrent sur une même tâche. Un agent coordinateur répartit le travail, un autre cherche l’information, un troisième rédige, un quatrième vérifie. Elle convient aux tâches longues ou variées, mais multiplie les coûts et les points de défaillance, et un agent seul suffit souvent.
Voir aussi
Mémoire d’un agent
Vidéo à venirLa mémoire d’un agent IA est l’ensemble des informations qu’il peut retrouver pour agir, au-delà de la seule demande en cours. Elle combine trois niveaux : le contexte du moment, dans sa fenêtre de contexte ; l’historique des échanges ; et une mémoire persistante, des notes ou une base, qu’il relit d’une session à l’autre. Sans mémoire persistante, l’agent repart de zéro à chaque nouvelle session.
Voir aussi
NCM (Next Concept Modeling)
Le NCM (Next Concept Modeling) est une approche de recherche récente pour faire écrire une IA, l’idée d’abord, les détails ensuite. Au lieu d’écrire mot après mot comme les assistants actuels, il pose un brouillon minuscule du texte entier, puis l’affine en une dizaine d’étapes, jusqu’au mot. Ce sont encore des modèles de laboratoire, et personne ne sait ce que cela donne à grande échelle.
Les prochaines vidéos partent des questions qu’on me pose. Dites-moi lequel vous bloque, je l’ajoute.
