Termes IA, sans jargon technique

Ceux qui comparent des offres IA découvrent trois mots pour désigner la même chose dans trois propositions — et le même mot pour trois choses différentes. Ce n’est pas une mauvaise intention, le marché est plus jeune que son vocabulaire. Six termes suffisent toutefois pour situer la plus grande partie de ce qui est proposé aujourd’hui. Qui les distingue peut réduire chaque offre à trois questions : d’où vient le savoir, qui prend la décision, et qui vérifie le résultat ?

Les six termes en un coup d’œil

Modèle de langage (LLM, Large Language Model)

Un programme qui a appris à traiter et à générer du langage à partir de très grandes quantités de texte. Il maîtrise les connaissances générales et les schémas linguistiques — il ne connaît ni votre liste de prix, ni vos processus, ni votre historique client. Tout ce qu’il doit savoir sur votre entreprise doit lui être fourni de manière contrôlée à l’exécution.

Concrètement, cela signifie : le choix du modèle est rarement la décision la plus importante d’un projet IA. Le modèle est la partie interchangeable — la connexion à vos données et le contrôle qui en découle ne le sont pas. Une offre dans laquelle le nom du modèle joue le rôle principal traite du décor secondaire.

RAG (Retrieval-Augmented Generation)

La méthode par laquelle un modèle de langage sait quand même quelque chose sur votre entreprise. Avant chaque réponse, le système recherche dans vos documents, bases de données ou historiques de tickets les passages pertinents et les présente au modèle avec la question. La réponse s’appuie ainsi sur vos contenus — et peut citer sa source, au lieu de deviner.

Deux caractéristiques rendent cette méthode attrayante pour les entreprises : un nouveau document prend effet immédiatement, sans qu’il soit nécessaire de réentraîner quoi que ce soit. Et les autorisations restent applicables — celui qui ne doit pas voir un fichier ne le reçoit pas non plus dans la réponse. Cela ne vaut toutefois que si la recherche connaît les droits de la personne qui pose la question. C’est là que les projets RAG échouent, pas au niveau du modèle.

Agents IA (IA agentique)

Un modèle de langage répond à des questions. Un agent accomplit des tâches : il peut appeler des outils, consulter des systèmes, exécuter plusieurs étapes successives et réécrire les résultats — clôturer un ticket, créer une commande, enregistrer un justificatif.

Cela change la classe de risque. Une réponse fausse agace, une écriture comptable fausse coûte de l’argent. Un agent a donc besoin de la même chose qu’une personne nouvellement embauchée : des droits clairement limités, un protocole sur ce qu’il a fait, et des points définis où un humain approuve. La découpe viable est presque toujours plus étroite que la démo — un agent pour un processus l’emporte sur un agent censé tout savoir.

MCP (Model Context Protocol)

Un standard ouvert pour la manière dont les applications IA sont connectées aux données et aux outils : une prise unique au lieu d’un adaptateur propre à chaque appareil. Une connexion construite une fois à votre ERP fonctionne donc encore lorsque vous changez de modèle ou d’interface.

L’utilité est ici moins technique que contractuelle. Les connexions standardisées réduisent les coûts de changement — elles sont l’antidote à une offre dont les intégrations ne fonctionnent qu’à l’intérieur de la plateforme du fournisseur.

Fine-Tuning (Réentraînement d’un modèle)

Un modèle de langage existant est réentraîné avec des exemples propres, jusqu’à ce qu’il cible de manière fiable un jargon spécifique, un format ou un ton. Ce qu’il apprend est ensuite intégré au modèle — avec l’état du moment de l’entraînement.

C’est précisément là que réside la confusion la plus fréquente. Le Fine-Tuning convient pour le style, le format et les tâches récurrentes, pas pour enseigner au modèle un savoir d’entreprise à jour : chaque nouvelle liste de prix nécessiterait une nouvelle session d’entraînement, et ce qui est une fois intégré ne peut pas être retiré de manière ciblée. Le RAG est responsable du savoir. S’ajoute le fait qu’un prompt soigneusement formulé atteint très souvent le même résultat — sans coûts d’entraînement. Le Fine-Tuning est la réponse lorsque cela s’avère manifestement insuffisant.

Hallucination

C’est ainsi qu’on appelle le cas où un modèle de langage génère une réponse qui semble convaincante mais est fausse ou inventée : une réglementation qui n’existe pas, un numéro d’article qui paraît plausible.

L’essentiel est la mise en perspective. Ce n’est pas un défaut qui disparaîtra avec la prochaine génération de modèles, mais une propriété de la technologie — un système qui génère du langage génère du langage même lorsqu’il ne connaît pas la réponse. Une solution IA devient fiable non pas grâce à un meilleur modèle, mais grâce à l’architecture : appuyer les réponses sur des sources documentées, rendre les sources visibles, faire approuver les étapes critiques par un humain, vérifier les résultats par échantillonnage. Cela fait partie de la conception et n’est pas un filet qu’on tend a posteriori.

Qu’est-ce qui convient à quelle demande ?

Cinq questions à poser à toute offre IA

1. D’où vient le savoir ? De vos sources (RAG), de l’entraînement (Fine-Tuning) ou uniquement des connaissances générales du modèle ? Si la réponse est « le modèle le sait », la connexion manque.
2. Où les données sont-elles traitées ? Quel fournisseur, quelle région, combien de temps sont-elles stockées — et sont-elles utilisées pour entraîner ?
3. Que le système est-il autorisé à faire lui-même ? Lire seulement ou aussi écrire, dans quels systèmes, jusqu’à quelle limite, et à quel point une approbation humaine intervient-elle ?
4. Comment constatez-vous qu’une réponse était fausse ? Sans citations de sources, protocole et échantillonnage, il n’y a pas de déclaration de qualité, seulement une impression.
5. Que se passe-t-il en cas de changement de fournisseur ? À qui appartiennent les prompts, la base de connaissances et les analyses — et les connexions fonctionnent-elles aussi ailleurs ?

Ce qui en découle

Les trois termes qui sont le plus souvent confondus dans les offres sont le RAG, le Fine-Tuning et les agents. En résumé : le RAG apporte le savoir, le Fine-Tuning apporte le style, les agents apportent l’action. Qui les distingue reconnaît en quelques minutes si une offre convient à son cas d’usage — et laquelle des cinq questions y reste sans réponse.

Comment nous en construisons une solution productive — de l’évaluation initiale à l’architecture et aux données, jusqu’à l’exploitation — se trouve sur notre page consacrée aux AI Services.