Glossaire de l’IA appliquée au Web

Les projets d’IA achoppent souvent sur le vocabulaire avant d’achopper sur la technique : trois personnes autour d’une table emploient les mêmes mots en leur donnant trois sens, et découvrent l’écart au moment du devis. Ce glossaire fixe les définitions nécessaires pour parler d’IA sur un site web, de la rédaction de contenu jusqu’aux agents connectés aux outils métier.

Mode d’emploi

Comment lire ce glossaire

Les quarante-huit entrées se répartissent en six sections de huit termes, de la mécanique des modèles jusqu’aux questions de qualité et de coût. Chaque entrée s’ouvre par une définition autonome de deux phrases, suivie le cas échéant d’une précision qui lève une confusion fréquente ou signale un piège.

L’ordre suit la logique d’un projet plutôt que l’alphabet : comprendre un modèle, savoir lui parler, lui donner accès à des données, le laisser agir, puis traiter la visibilité et l’exploitation. Les termes anglais devenus standards restent tels quels.

Fondamentaux techniques

Les modèles et leur fonctionnement

Intelligence artificielle générative

Famille de systèmes capables de produire du texte, des images, du son ou du code à partir d’une consigne en langage courant. Cette capacité couvre des tâches rédactionnelles qu’aucun programme classique ne traitait sans qu’un développeur ait prévu chaque cas.

À distinguer de l’IA prédictive, qui classe ou anticipe sans rien produire de nouveau. Les deux coexistent souvent, par exemple en génération de contenu adossée à une segmentation d’audience.

LLM

Modèle de langage entraîné sur de très grands volumes de texte pour prédire la suite la plus probable d’une séquence. Cette mécanique de prédiction produit des réponses cohérentes, sans aucune vérification de l’exactitude de ce qui est écrit.

Un LLM ne consulte aucune base de faits au moment de répondre, sauf si on lui en donne l’accès : c’est tout l’enjeu de l’intégration d’un LLM à une application existante.

Modèle de fondation

Modèle généraliste entraîné une seule fois sur des données massives, puis réutilisé comme socle pour des usages très différents. Cette mutualisation évite d’entraîner un modèle par tâche et met la technologie à portée d’entreprises sans laboratoire ni infrastructure de calcul.

Un modèle de fondation n’est pas forcément un modèle de texte : le terme désigne un statut dans la chaîne, pas une spécialité.

Paramètres

Valeurs numériques ajustées pendant l’entraînement, qui encodent ce que le modèle a appris de ses données. Leur nombre donne un ordre de grandeur de la capacité du modèle, sans dire à lui seul s’il conviendra à un usage précis.

À ne pas confondre avec les réglages d’appel, comme la température, qui se modifient à chaque requête sans rien changer au modèle.

Modèle ouvert

Modèle dont les poids sont publiés et peuvent être téléchargés, exécutés et parfois modifiés par un tiers. Cette disponibilité permet de l’exécuter sur une infrastructure choisie, ce qui compte quand les données traitées ne doivent pas quitter un périmètre défini.

Ouvert ne signifie pas libre de toute contrainte : chaque publication s’accompagne d’une licence qui délimite les usages autorisés.

Réglage fin

Entraînement complémentaire d’un modèle existant sur un jeu d’exemples propres à un domaine, un format ou un style. Le modèle adopte alors les comportements attendus sans qu’on ait à les redire dans chaque consigne.

Le réglage fin apprend une manière de répondre, pas des faits à jour : pour une connaissance qui évolue, une approche RAG convient mieux.

Modèle multimodal

Modèle capable de recevoir, et parfois de produire, autre chose que du texte : images, documents mis en page, son, vidéo. Sur un site, cela permet de traiter la photo qu’un visiteur envoie ou de lire un devis scanné sans passer par une étape séparée de reconnaissance de caractères.

Toutes les modalités annoncées ne se valent pas : un modèle peut très bien lire une image et rester médiocre pour en produire une, ce que vérifie tout projet de traitement de documents.

Modèle de raisonnement

Modèle qui produit une suite d’étapes intermédiaires avant de répondre, au lieu de formuler directement sa réponse. Cette délibération améliore les tâches d’analyse, de planification et de code, au prix d’un temps de réponse et d’un coût plus élevés.

Ce surcoût ne se justifie pas partout : sur une reformulation ou un classement simple, un modèle ordinaire rend le même service pour bien moins cher. L’arbitrage se pose à chaque projet de développement IA.

Consignes et réglages

Faire parler un modèle

Prompt

Consigne écrite adressée au modèle, qui décrit la tâche, le contexte utile et la forme attendue de la réponse. La qualité du résultat dépend directement de cette formulation, au point que la rédaction des prompts constitue une compétence à part entière.

Un prompt efficace tient rarement en une phrase : il précise le rôle, les contraintes et les exemples, premier sujet abordé en formation ChatGPT.

Prompt système

Consigne placée en amont de l’échange, qui fixe le rôle, le périmètre et le ton d’un assistant pour toutes ses conversations. Elle s’applique sans être visible par l’utilisateur final, ce qui cadre l’assistant une fois pour toutes plutôt qu’à chaque message.

Sur un site, le prompt système est l’endroit où l’on interdit à un chatbot de sortir de son sujet ou d’improviser une information commerciale.

Contexte

Ensemble des éléments dont le modèle dispose au moment de répondre : consignes, historique de la conversation et documents fournis. Tout ce qui n’y figure pas est ignoré, même si l’information existe ailleurs dans l’entreprise.

La fenêtre de contexte a une taille limitée, propre à chaque modèle : quand elle sature, les éléments les plus anciens sortent du champ.

Token

Unité de découpage du texte manipulée par le modèle, plus petite qu’un mot et plus grande qu’un caractère. Les longueurs de contexte et la facturation des appels se comptent en tokens, jamais en mots ni en signes.

Un même contenu ne consomme pas le même nombre de tokens selon la langue et la mise en forme, ce qui pèse directement sur le coût à l’usage.

Température

Réglage qui gouverne le degré de variation dans les réponses, entre restitution très stable et formulation plus libre. Une valeur basse convient aux tâches où la constance prime, une valeur haute aux tâches de rédaction où la répétition lasse.

La température ne rend pas un modèle plus exact : elle modifie le choix parmi les suites possibles, pas la connaissance disponible.

Sortie structurée

Réponse contrainte à respecter un format lisible par machine, le plus souvent JSON, avec des champs définis à l’avance. Le résultat devient exploitable par un programme sans analyse de texte libre, condition pour brancher un modèle sur une chaîne automatisée.

Sans sortie structurée, un workflow automatisé reste fragile : la moindre variation de formulation casse le traitement en aval.

Exemples en contexte

Technique qui consiste à joindre à la consigne deux ou trois exemples de la réponse attendue, plutôt qu’à décrire cette attente en toutes lettres. Le modèle imite le format et le ton observés, ce qui règle en quelques lignes des exigences difficiles à formuler.

Des exemples mal choisis enseignent le mauvais comportement aussi efficacement que de bons exemples enseignent le bon : c’est l’exercice central de toute formation IA.

Chaîne de pensée

Consigne demandant au modèle d’exposer son raisonnement étape par étape avant de conclure. Les réponses gagnent en justesse sur les tâches à plusieurs contraintes, et les erreurs deviennent repérables puisque l’on voit à quel moment le raisonnement dévie.

Le raisonnement affiché reste une production du modèle et non le journal de ce qu’il a réellement calculé : il s’inspecte, il ne fait pas preuve.

Sources et mémoire

Les données et la connaissance

Embedding

Représentation numérique d’un texte sous forme de liste de nombres, calculée pour que deux contenus proches par le sens obtiennent des valeurs proches. Cette propriété permet de rapprocher des textes qui ne partagent aucun mot commun.

Un embedding n’est pas lisible et ne se reconvertit pas en texte : il sert à mesurer une proximité, pas à stocker un contenu.

Base vectorielle

Base de données spécialisée dans le stockage des embeddings et dans la recherche des plus proches d’une valeur donnée. Elle rend possible l’interrogation d’un corpus par le sens, à une échelle qu’un parcours document par document ne permettrait pas.

Elle ne remplace pas la base métier : elle en duplique une partie sous une forme adaptée à la recherche, et doit être resynchronisée.

Recherche sémantique

Méthode de recherche qui compare le sens d’une requête et celui des documents au lieu de compter les mots communs. Un visiteur qui emploie ses propres termes trouve la bonne page même si elle n’utilise aucun de ces mots.

Elle se combine le plus souvent à la recherche par mots-clés, chacune rattrapant les faiblesses de l’autre : c’est le principe d’une recherche interne intelligente.

RAG

Méthode qui consiste à retrouver les extraits de documents pertinents pour une question, puis à les insérer dans le contexte avant de demander la réponse au modèle. Celle-ci s’appuie alors sur des sources maîtrisées et actualisables plutôt que sur la seule mémoire d’entraînement.

Le RAG ne supprime pas les erreurs, il les rend vérifiables en rattachant chaque affirmation à un extrait identifiable, comme le détaille ce guide sur la connexion d’une IA aux données d’entreprise.

Découpage en fragments

Opération qui coupe un document long en passages de taille homogène avant leur transformation en embeddings. La taille de ces fragments et leur recouvrement déterminent la pertinence de ce qui sera retrouvé, souvent davantage que le choix du modèle.

Un découpage qui sépare une question de sa réponse produit des extraits inutilisables : beaucoup d’échecs imputés au modèle viennent de là.

Base de connaissances

Ensemble organisé de contenus de référence mis à disposition d’une IA : procédures, fiches produit, questions fréquentes, documentation interne. Sa tenue à jour conditionne la justesse des réponses bien plus sûrement que la sophistication du dispositif technique.

Constituer et maintenir une base de connaissances exploitable représente en général la part la plus longue d’un projet, et la moins visible.

Recherche hybride

Méthode qui interroge un corpus à la fois par mots-clés et par le sens, puis fusionne les deux listes de résultats. Elle rattrape les angles morts de chaque approche : les références exactes qu’une recherche sémantique laisse passer, les reformulations que les mots-clés manquent.

C’est en général le premier réglage à tenter quand un dispositif retourne des extraits à côté du sujet, avant d’incriminer le modèle.

Réordonnancement

Étape qui reclasse les extraits retrouvés par pertinence réelle avant de les transmettre au modèle, à l’aide d’un modèle spécialisé dans la comparaison entre une question et un extrait. Elle améliore nettement la qualité des réponses sans toucher au corpus ni au modèle principal.

Elle ajoute un appel supplémentaire, donc du délai : on la réserve aux cas où la précision prime sur le temps de réponse.

Moteurs et réponses

Visibilité et référencement

SEO

Ensemble des pratiques destinées à faire apparaître des pages dans les résultats des moteurs de recherche sur les requêtes qui comptent pour une activité. La discipline repose sur la technique, le contenu et les liens, et ses effets se mesurent en mois.

L’arrivée des réponses générées ne rend pas le SEO caduc, elle en déplace une partie des critères, comme l’explique la page SEO et IA.

GEO

Travail d’optimisation destiné aux moteurs qui rédigent une réponse, où l’objectif n’est plus le clic mais la reprise du contenu dans cette réponse. Les pages doivent y rester compréhensibles hors contexte, puisqu’elles sont lues par extraits et rarement en entier.

La démarche et ses conséquences rédactionnelles sont détaillées sur la page GEO.

AEO

Optimisation orientée réponse, qui consiste à poser explicitement les questions d’un domaine et à y répondre de façon autonome dans la page. Ce format sert autant les extraits affichés par les moteurs classiques que les réponses rédigées par les moteurs génératifs.

Les trois sigles se recouvrent en partie sans se confondre, distinction détaillée dans cet article sur le SEO, le GEO et l’AEO.

Moteur génératif

Interface de recherche qui rédige une réponse à partir de sources sélectionnées plutôt que d’afficher une liste de liens. La visite du site devient facultative, ce qui déplace l’enjeu de la position vers la présence dans la réponse.

Le suivi de cette visibilité demande d’autres repères que le classement classique, sujet traité dans le référencement sur les moteurs IA.

Citation de source

Mention d’une page dans une réponse générée, le plus souvent accompagnée d’un lien vers celle-ci. Les critères par lesquels une source est retenue ne sont pas publiés, et aucune technique ne garantit une citation.

Restent sous contrôle la clarté des définitions, la structure des pages et la cohérence des informations d’un support à l’autre, ce que vérifie un audit SEO orienté IA.

Données structurées

Balisage ajouté au code d’une page pour décrire explicitement sa nature : article, produit, question, organisation, avis. Cette description lisible par machine réduit l’ambiguïté au moment où un moteur interprète le contenu.

Le balisage doit refléter ce que la page affiche réellement, sous peine de se retourner contre le site.

llms.txt

Fichier texte placé à la racine d’un site, qui propose aux systèmes d’IA une carte des contenus de référence sous une forme simple à lire. L’intention est de leur éviter d’interpréter un site entier pour retrouver l’essentiel.

Ce n’est pas une norme imposée et son respect dépend de chaque acteur : le fichier ne remplace ni le plan de site ni le fichier robots, et vient en complément de l’optimisation des contenus pour les LLM.

Entité

Sujet identifié de façon stable par les moteurs : une personne, une entreprise, un lieu, un produit, indépendamment des mots employés pour le nommer. La cohérence des informations publiées d’un support à l’autre consolide cette identification.

Pour un indépendant présent sur plusieurs sites, c’est le levier qui les fait se renforcer plutôt que se concurrencer, ce qui suppose une identité clairement exposée, comme sur la page à propos.

Fiabilité au quotidien

Exploitation et qualité

Hallucination

Réponse formulée avec assurance mais fausse, produite parce que le modèle complète une suite plausible au lieu de constater qu’il ignore l’information. Le phénomène découle du fonctionnement même des modèles et se réduit par la méthode, jamais par une promesse.

Le risque augmente sur les questions précises portant sur des faits internes à une entreprise, que le modèle n’a jamais rencontrés.

Ancrage

Fait de contraindre une réponse à s’appuyer sur des documents fournis et de la rendre traçable jusqu’à eux. Une réponse ancrée se vérifie en quelques secondes, ce qui change le niveau de confiance accordé au système.

L’ancrage conditionne l’usage d’un assistant IA interne sur des sujets où une erreur a des conséquences.

Jeu d’évaluation

Ensemble de cas de test représentatifs, accompagnés de la réponse attendue pour chacun, rejoué après chaque modification du système. Sans lui, un changement de prompt ou de modèle s’apprécie à l’impression et les régressions passent inaperçues.

Constituer ce jeu demande peu de moyens et beaucoup de discipline, et fait partie des points examinés lors d’un audit IA.

Injection de consignes

Attaque qui consiste à glisser des instructions dans un contenu que le modèle va lire, page web, courriel ou document, afin de détourner son comportement. Le modèle ne distingue pas nativement une consigne légitime d’un texte hostile rencontré en chemin.

Le risque grandit dès qu’un agent dispose d’outils capables d’écrire ou d’envoyer. Les parades relèvent de l’architecture, comme exposé sur la connexion d’une IA à un site internet.

Garde-fou

Règle ou contrôle placé autour du modèle pour restreindre ce qu’il peut dire ou faire : périmètre de sujets, validation humaine, droits limités, filtrage des sorties. Ces contrôles s’appliquent dans le code, là où ils sont vérifiables, pas seulement dans le prompt.

Un garde-fou écrit uniquement en langage naturel se contourne, quel que soit le soin apporté à sa formulation.

Coût à l’usage

Mode de facturation des modèles proposés en service, calculé sur le volume de tokens consommés en entrée et en sortie. La dépense suit l’usage réel, ce qui rend le budget dépendant du trafic et de la longueur des contenus envoyés.

Ce coût variable se distingue du coût de mise en oeuvre, présenté sur la page tarifs.

Journalisation

Enregistrement systématique des échanges avec le modèle : consigne envoyée, réponse obtenue, outils appelés, décision prise. Sans cette trace, une réponse aberrante ne peut être ni expliquée ni corrigée, et personne ne sait ce qu’un agent a réellement fait.

Ces journaux touchent souvent des données personnelles : leur durée de conservation se décide avant la mise en service, au même moment que les autres questions de conformité.

Biais

Tendance systématique d’un modèle à favoriser certaines formulations, certains profils ou certains points de vue, héritée de ses données d’entraînement. Le phénomène se manifeste discrètement, dans des tris, des résumés ou des reformulations d’apparence neutre.

Un biais se constate par des tests sur des cas comparables, pas par la lecture du modèle : c’est l’un des usages du jeu d’évaluation décrit plus haut.

---