Les mots de l'IA, expliqués sans jargon

Le mot recouvre des choses très différentes. Aujourd'hui, quand un article dit « l'IA », il parle presque toujours d'un modèle de langage entraîné sur d'immenses quantités de textes, capable de produire des réponses plausibles.

Un modèle qui, à chaque instant, calcule le mot suivant le plus probable. Répété des milliers de fois, ce petit calcul produit des textes cohérents, des traductions, du code. Toute sa force et toutes ses limites viennent de là.

La consigne donnée au modèle. Sa formulation change beaucoup le résultat : donner un rôle, un exemple, un format attendu améliore souvent la réponse davantage que de changer d'outil.

L'interface, pas le cerveau. Le chatbot est la fenêtre de conversation ; derrière, c'est un modèle de langage qui travaille. Le même modèle peut alimenter un chatbot, une application mobile ou un service invisible.

Un modèle auquel on a donné des outils et le droit de les utiliser en boucle, jusqu'à atteindre un but. C'est le grand chantier de 2025-2026, et la source de la plupart des annonces spectaculaires — comme des ratés.

L'unité de base que le modèle lit et écrit. Un mot courant fait un token, un mot rare en fait plusieurs. C'est aussi l'unité de facturation : quand un service parle de son prix, il parle en tokens.

La phase où le modèle ajuste ses paramètres en parcourant ses données. Elle a lieu une fois, coûte très cher, et fige les connaissances du modèle à une date — sa « date de coupure ». Ensuite, il ne réapprend plus en discutant avec vous.

Les nombres qui composent le modèle. On les compte en milliards, et ce chiffre sert de raccourci pour parler de la taille d'un modèle : « un 70 milliards » se dit comme on dirait la cylindrée d'un moteur.

La quantité de texte que le modèle peut traiter d'un coup, mesurée en tokens. Les modèles récents affichent des fenêtres énormes — un million de tokens, soit plusieurs livres. Au-delà, il faut découper, résumer, ou faire chercher le modèle dans des documents.

L'utilisation du modèle déjà entraîné. Chaque réponse consomme un peu d'électricité et coûte quelques fractions de centime. Rapporté aux centaines de millions d'utilisateurs quotidiens, c'est là que se joue l'essentiel de la facture énergétique.

Un modèle qui accepte plusieurs types d'entrées — texte, image, audio, vidéo — et parfois en produit plusieurs. C'est ce qui permet de photographier un problème de maths, de faire décrire une scène, ou de parler à voix haute à un assistant.

Une affirmation fausse présentée avec aplomb : une source qui n'existe pas, une date inventée, une citation attribuée au hasard. C'est le défaut le plus connu, et celui qui impose de vérifier toute information qui compte.

Une tendance systématique à favoriser certaines réponses : associer un métier à un genre, mieux traiter l'anglais que les autres langues, refléter le point de vue majoritaire de ses données. Ce n'est pas une erreur ponctuelle mais une déformation régulière.

Un contenu synthétique imitant une personne réelle. La technique est passée en quelques années de démonstrations de laboratoire à des applications grand public, ce qui déplace le problème du « peut-on le faire » vers « comment le prouver ».

Le contournement des règles de sécurité d'un modèle. Les méthodes se renouvellent sans cesse : jeu de rôle, langue rare, encodage, instruction cachée dans un document que l'assistant va lire.

Un modèle dont les paramètres sont publiés. On peut l'installer, l'adapter, le faire tourner sans connexion. C'est le choix stratégique de Meta, Mistral et de la plupart des acteurs chinois, face aux modèles fermés d'OpenAI, Anthropic et Google.

Le moyen technique de brancher une IA dans un logiciel : un site, une application, un tableur. C'est ce qui explique que tant d'outils « avec de l'IA » proposent la même chose — beaucoup appellent les mêmes modèles derrière.

Réentraîner légèrement un modèle existant sur des données spécifiques : le vocabulaire d'un métier, le ton d'une marque, un format de réponse. Beaucoup moins cher qu'un entraînement complet — quelques heures de calcul plutôt que des mois.

La technique derrière la plupart des assistants d'entreprise : chercher les passages pertinents dans une base documentaire, les glisser dans la consigne, puis laisser le modèle rédiger. C'est ce qui permet de citer ses sources et de rester à jour sans réentraîner.

Une série d'épreuves standardisées — raisonnement, code, culture générale — dont les scores nourrissent toutes les annonces. C'est le chiffre que vous verrez cité chaque fois qu'un nouveau modèle sort.