Il y a dix mots d'IA qui reviennent dans chaque article, chaque démonstration commerciale et chaque discussion de couloir. Les glossaires en donnent la définition et s'arrêtent là. Or l'obstacle n'est presque jamais l'absence de définition : c'est le contresens que le mot installe une fois qu'on croit le tenir. Pour chacun, ci-dessous : une définition, une image, et la méprise qu'il provoque. C'est la troisième ligne qui sert.
1. Modèle
Définition. Un gros fichier de nombres, plus le programme qui s'en sert pour prédire la suite d'un texte.
L'image. Un instrument déjà accordé. Le fichier ne produit rien seul, il faut quelqu'un pour en jouer.
L'erreur. Confondre le modèle et le produit. ChatGPT, Copilot ou Le Chat ne sont pas des modèles : ce sont des applications qui en appellent un, en y ajoutant une interface, des filtres, parfois une recherche web et des outils. Quand un test compare « ChatGPT et son concurrent » sans dire quel modèle tourne derrière, il compare des interfaces, pas des capacités.
2. Paramètre
Définition. Un des nombres ajustés pendant l'entraînement. « 175 milliards de paramètres » décrit la taille du fichier de réglages, rien d'autre.
L'image. Les curseurs d'une table de mixage, réglés automatiquement, en très grand nombre.
L'erreur. Lire ce chiffre comme une note. En 2022, l'équipe de Jordan Hoffmann chez DeepMind publie Training Compute-Optimal Large Language Models : leur modèle Chinchilla, 70 milliards de paramètres, dépasse Gopher et ses 280 milliards, parce qu'il a vu beaucoup plus de texte pour un budget de calcul identique. Depuis, la plupart des éditeurs ne publient plus le chiffre. Un nombre qu'on cesse de communiquer est rarement un argument de vente.
3. Jeton
Définition. Le fragment de texte que le modèle manipule réellement. Souvent un morceau de mot, parfois un mot entier, parfois un signe de ponctuation. En anglais, on l'appelle token.
L'image. L'ordre de grandeur donné par OpenAI : environ quatre caractères, soit trois quarts d'un mot anglais.
L'erreur. Croire que le modèle voit des mots, ou des lettres. Il ne voit ni l'un ni l'autre, et c'est pour cela qu'il se trompe en comptant les r d'un mot alors qu'il rédige un contrat sans faiblir. Conséquence budgétaire, moins connue : le français se découpe en plus de jetons que l'anglais pour un sens équivalent, ce qui renchérit toute facturation à l'usage. Notre guide d'intégration de l'API OpenAI détaille ce que cela change sur une addition mensuelle.
4. Fenêtre de contexte
Définition. La quantité de jetons que le modèle peut avoir sous les yeux en une seule fois : votre question, l'historique de la conversation, les documents joints et sa propre réponse en cours.
L'image. Un plan de travail, pas une mémoire. Ce qui n'y tient plus tombe par terre.
L'erreur. Deux, en fait. Confondre contexte et mémoire d'abord : d'une conversation à l'autre, rien n'est retenu, sauf si le produit ajoute un mécanisme explicite de mémorisation. Prendre ensuite une grande fenêtre pour une lecture attentive. Nelson Liu et ses collègues de Stanford ont documenté en 2023 le phénomène dit lost in the middle : l'information placée au début ou à la fin d'un long contexte est bien mieux exploitée que celle enfouie au milieu. Un million de jetons annoncés n'est pas un million de jetons lus avec la même attention.
💡 Un glossaire pour aller plus loin
Ces dix mots ne couvrent pas tout le vocabulaire que vous croiserez dans un devis ou un cahier des charges. Nous tenons un glossaire du digital et de l'IA : chaque terme y est résumé en une phrase, puis expliqué en détail, avec les renvois entre notions.
5. Entraînement
Définition. La phase, achevée et datée, pendant laquelle les paramètres sont ajustés en faisant prédire au modèle la suite de milliards de textes.
L'image. Non pas un apprentissage par cœur, mais une compression avec pertes : ce qui revient souvent dans le corpus est bien restitué, ce qui n'y figure qu'une fois se perd ou se déforme.
L'erreur. Croire que le modèle apprend en vous parlant. Vos échanges ne modifient aucun paramètre. La conséquence est lourde : les déséquilibres du corpus sont figés dans le fichier, et aucune correction en cours de conversation ne les en retire. C'est là que commence l'origine réelle des biais algorithmiques.
6. Invite
Définition. Tout ce que vous envoyez au modèle : la question, les consignes, les documents fournis. En anglais, prompt.
L'image. Pas une commande passée à un logiciel, une amorce. Vous ne demandez pas une action, vous posez le début d'un texte que la machine continue.
L'erreur. Chercher la formule magique. Le marché des « 500 prompts secrets » vit de cette croyance. Ce qui change une réponse est prosaïque : la précision de la demande, le contexte fourni, le format attendu, les contraintes explicites. Le ton, lui, n'est pas un levier de qualité, comme le montrent les études contradictoires sur la politesse envers une IA.
7. Hallucination
Définition. Un énoncé plausible et faux, produit avec exactement le même aplomb que le reste.
L'image. Le mot est mal choisi et beaucoup de chercheurs le disent : halluciner suppose de percevoir. Confabulation serait plus juste, le terme désignant en clinique un récit cohérent produit pour combler un trou.
L'erreur. Y voir un défaut qu'un correctif finira par supprimer. En septembre 2025, Adam Kalai et ses coauteurs publient chez OpenAI Why Language Models Hallucinate : les procédures d'évaluation courantes récompensent la devinette. Un modèle qui répond « je ne sais pas » perd des points, un modèle qui tente sa chance en gagne parfois. Tant que la notation punit l'abstention, l'assurance est optimale. La parade est donc à chercher dans votre procédure de vérification, pas dans la prochaine version.
8. Poids ouverts
Définition. Le fichier de paramètres est téléchargeable et exécutable chez vous, sous une licence rédigée par l'éditeur.
L'image. Une voiture livrée sans plans d'usine, avec un contrat d'utilisation dans la boîte à gants.
L'erreur. Traduire par « open source ». L'Open Source Initiative a publié sa définition de l'IA open source le 28 octobre 2024 : code d'entraînement, paramètres, et information suffisante sur les données. Les licences Llama de Meta ne l'obtiennent pas, notamment à cause de la clause qui impose une autorisation au-delà de 700 millions d'utilisateurs mensuels et de l'interdiction d'entraîner des modèles concurrents. La distinction est vive dans le débat anglophone, où circule le terme openwashing ; la presse francophone reprend souvent « open source » sans réserve. Question pratique, pas philosophique : lisez la licence avant de bâtir un produit dessus.
9. Ajustement fin
Définition. Reprendre un modèle déjà entraîné et retoucher ses paramètres sur un jeu d'exemples à vous. En anglais, fine-tuning.
L'image. On n'ajoute pas des livres à une bibliothèque, on enseigne un style de maison.
L'erreur. En attendre des connaissances. « Je vais l'entraîner sur nos documents » désigne presque toujours un besoin qui relève non de l'ajustement fin, mais de la fourniture de ces documents dans le contexte au moment de la question. L'ajustement fin fixe un format, un ton, une manière de trancher les cas limites. Il coûte cher à refaire à chaque version du modèle de base.
10. Agent
Définition. Un modèle placé dans une boucle, doté d'outils et autorisé à décider lui-même des étapes suivantes.
L'image. La différence entre demander un itinéraire et confier le volant.
L'erreur. Appeler agent tout enchaînement de deux appels. La ligne de partage utile passe entre le workflow, où les étapes sont écrites par un humain et le modèle remplit les cases, et l'agent, où le modèle choisit la séquence. Le premier se teste et se rejoue à l'identique. Le second est plus souple et bien plus difficile à garantir : chaque degré d'autonomie ajoute de la surface d'erreur. Face à un fournisseur qui vend un « agent », la question qui compte est de savoir ce qu'il décide et ce qu'il ne décide pas.
Ce que ces mots ne règlent pas
Un vocabulaire propre ne fait pas un jugement. Il évite les erreurs qui coûtent du temps : acheter un ajustement fin pour un problème de documentation, prendre une fenêtre d'un million de jetons pour une garantie de lecture, croire qu'une conversation apprend quelque chose à la machine.
Deux de ces mots restent instables même chez les spécialistes. « Agent » n'a pas de définition partagée, et chacun le tire vers son offre. « Hallucination » nomme un phénomène réel avec un terme que ses propres utilisateurs jugent mauvais. Quand on vous les sert, demandez ce qu'ils recouvrent. Si votre interlocuteur ne sait pas répondre, vous venez d'apprendre l'essentiel.
Pour la suite, notre guide de l'IA pour les débutants reprend ces notions sur des usages concrets.
