Le vocabulaire de l’IA, défini et sourcé.

Définition : L’AEO (Answer Engine Optimization) désigne le travail visant à rendre un site clair, fiable et réutilisable par les moteurs de réponse à base d’IA. C’est un terme du marché, pas une norme.

Google indique que les termes AEO et GEO sont parfois utilisés pour décrire les actions destinées à améliorer la visibilité dans les expériences de recherche par l’IA, et que, de son point de vue, optimiser pour ces expériences revient à faire du SEO. Il précise qu’aucune exigence supplémentaire n’est requise pour apparaître dans ses Aperçus IA ou son Mode IA, et que de nombreuses « astuces » restent sans effet sur la recherche Google. Un travail AEO sérieux consiste donc à publier des réponses directes, exactes et sourcées, sur des pages techniquement accessibles. Personne ne peut garantir une citation : on peut seulement rendre un contenu digne d’être cité et mesurer sa présence.

Définition : Un agent IA est un système où un modèle de langage décide lui-même des étapes et des outils à utiliser pour accomplir une tâche, par exemple consulter une base, rédiger puis proposer une action.

Anthropic distingue les workflows, où le modèle suit des chemins définis à l’avance dans le code, des agents, où le modèle dirige lui-même son processus et l’usage des outils. Selon la CNIL, l’IA agentique repose sur des agents, souvent construits autour d’un modèle d’IA générative, capables d’agir sur un environnement (applications, bases de données) et d’en modifier l’état, avec des niveaux variables d’autonomie. Anthropic recommande de chercher d’abord la solution la plus simple, parfois sans agent du tout : l’autonomie se paie en délai et en coût, avec un risque d’erreurs qui s’enchaînent. Dans une PME, un agent utile a un périmètre étroit, des outils limités, des actions sensibles soumises à validation humaine et des tests sur des cas réels.

Définition : Un agent vocal IA permet de poser des questions ou d’accomplir des tâches en parlant à une application, par exemple au téléphone, en reliant la parole à un modèle et à des outils.

La documentation d’OpenAI décrit les agents vocaux comme des applications qu’on utilise en parlant, et indique que le choix de conception principal porte sur la façon de relier la parole au raisonnement et aux outils : modèle vocal unique, conversation continue avec un système séparé ou chaîne d’étapes maîtrisée une à une. Pour une PME, l’agent vocal sert surtout à répondre aux questions simples, qualifier un appel ou prendre un message en dehors des heures d’ouverture. Il entre dans le champ de l’obligation de transparence de l’article 50 de l’AI Act. Si les appels sont enregistrés, la CNIL rappelle, pour l’enregistrement au travail, que les interlocuteurs doivent en être informés.

Définition : L’AI Act, ou règlement (UE) 2024/1689, encadre les systèmes d’IA selon le niveau de risque de leur usage. En vigueur depuis le 1er août 2024, il s’applique par étapes et a été modifié par le règlement (UE) 2026/1744.

La Commission européenne présente l’AI Act comme le premier cadre juridique complet sur l’IA au monde, fondé sur une approche par les risques. La CNIL précise qu’il a été publié au Journal officiel de l’UE le 12 juillet 2024 et qu’il complète le RGPD sans le remplacer. Le règlement (UE) 2026/1744, dit « omnibus numérique sur l’IA », a reporté les obligations des systèmes à haut risque au 2 décembre 2027 (annexe III) et au 2 août 2028 (produits de l’annexe I). Pour une PME qui utilise l’IA, les premiers sujets concrets sont la maîtrise de l’IA par les équipes, la transparence envers les personnes et l’identification d’éventuels usages à haut risque.

Définition : L’analyse d’impact relative à la protection des données (AIPD) est une démarche prévue par le RGPD pour les traitements susceptibles d’engendrer un risque élevé pour les droits et libertés des personnes.

La CNIL présente l’AIPD comme un outil pour construire un traitement conforme au RGPD et respectueux de la vie privée, qui concerne les traitements susceptibles d’engendrer un risque élevé. Elle publie des listes de cas où l’analyse est obligatoire ou non, ainsi qu’un logiciel libre, PIA, pour la conduire. Dans ses fiches pratiques sur l’IA, elle explique comment et dans quels cas réaliser une AIPD en tenant compte des risques propres au développement de modèles d’IA. Pour une PME, la question mérite d’être posée dès qu’un projet d’IA touche des données sensibles, des personnes vulnérables, une surveillance des salariés ou une décision qui affecte des personnes.

Définition : Les Aperçus IA (AI Overviews) sont des synthèses générées par l’IA dans certains résultats Google, avec des liens vers des sites ; le Mode IA traite les questions qui demandent un approfondissement ou des comparaisons complexes.

Google a annoncé en mai 2024 le déploiement des AI Overviews dans sa recherche, d’abord aux États-Unis. Sa documentation pour les propriétaires de sites explique que ces fonctionnalités affichent des liens pertinents, qu’elles peuvent lancer plusieurs recherches associées sur des sous-thèmes pour construire la réponse, et que les Aperçus IA ne s’affichent que lorsqu’ils apportent une valeur ajoutée. Les bonnes pratiques SEO restent valables et aucune optimisation spéciale n’est requise. La Search Console propose un rapport sur les performances dans l’IA générative, qui indique combien de fois des liens vers votre site ont été vus dans ces fonctionnalités, une mesure plus représentative que quelques recherches faites à la main.

Définition : L’appel d’outils permet à un modèle de demander l’exécution d’une fonction définie par l’application, par exemple lire une base ou créer un rendez-vous, avec les paramètres nécessaires.

OpenAI présente l’appel de fonctions, aussi appelé appel d’outils, comme le moyen de relier un modèle à des systèmes externes et à des données absentes de son entraînement. Google en décrit trois usages : effectuer des actions (planifier un rendez-vous, créer une facture), augmenter les connaissances et étendre les capacités du modèle. Point essentiel : le modèle propose l’appel, mais c’est l’application qui l’exécute. C’est donc dans le code que se placent les contrôles : liste fermée d’outils, vérification des paramètres, droits limités et validation humaine pour les actions qui engagent l’entreprise. L’OWASP classe parmi les risques majeurs l’octroi à un modèle de plus de pouvoirs que nécessaire.

Définition : Une base de données vectorielle stocke, indexe et interroge des embeddings, ce qui permet de retrouver rapidement les contenus les plus proches par le sens d’une question donnée.

Google Cloud définit la base de données vectorielle comme une base qui permet de stocker, d’indexer et d’interroger des embeddings, c’est-à-dire des représentations numériques de données non structurées comme du texte, des images ou de l’audio. Elle précise que certaines bases spécialisées ne gèrent que les vecteurs, tandis que d’autres les combinent avec des données et requêtes classiques. Pour une PME, ce second cas est souvent suffisant : une base existante dotée d’une extension vectorielle évite d’ajouter un système à maintenir. Les points à cadrer sont les mêmes que pour toute donnée : qui peut lire quoi, combien de temps on conserve, et comment on met à jour quand un document change.

Définition : Un chatbot est un logiciel qui dialogue avec un utilisateur pour lui fournir des informations ou l’aider dans une démarche. Lorsqu’il repose sur l’IA, les personnes doivent en principe savoir qu’elles échangent avec une machine.

La CNIL définit les agents conversationnels comme des logiciels permettant le dialogue d’un utilisateur avec un programme destiné à lui fournir des informations, et rappelle qu’ils traitent souvent des données personnelles, ne serait-ce que pour garder l’historique de la conversation. Elle précise les règles applicables aux cookies déposés par le chatbot. L’article 50 de l’AI Act impose en outre au fournisseur de concevoir le système pour que les personnes sachent qu’elles interagissent avec une IA, sauf si c’est évident. Un chatbot d’entreprise fiable répond à partir de sources identifiées, sait dire qu’il ne sait pas, propose un contact humain et ne collecte que les données nécessaires.

Définition : Le déployeur est la personne ou l’organisation qui utilise un système d’IA sous sa propre autorité, dans un cadre professionnel. C’est le rôle de la plupart des PME qui utilisent des outils d’IA.

L’article 3 de l’AI Act définit le déployeur comme toute personne physique ou morale qui utilise un système d’IA sous son autorité, sauf usage personnel non professionnel. Le déployeur a des obligations propres. Il doit soutenir la maîtrise de l’IA de son personnel (article 4) et, dans certains cas, signaler les hypertrucages et certains textes générés qu’il publie (article 50). S’il utilise un système à haut risque, l’article 26 lui demandera notamment de suivre la notice, de confier la supervision humaine à des personnes compétentes et de conserver les journaux qu’il contrôle. Savoir qu’on est déployeur, et pour quel outil, est donc la base de toute mise en conformité.

Définition : La dérive du modèle est la perte d’adéquation entre un modèle et la tâche qu’il doit accomplir, parce que le modèle ou son environnement d’usage a changé.

La CNIL définit la dérive du modèle comme la perte d’adéquation entre un modèle et sa tâche, qui peut résulter d’un réapprentissage ou d’une évolution de son domaine d’emploi. Avec les modèles proposés par API, une autre cause s’ajoute : OpenAI rappelle que le comportement change d’une version de modèle à l’autre. Pour une PME, la dérive se manifeste discrètement : un nouveau produit que l’assistant ne connaît pas, une réglementation modifiée, un format de document fournisseur qui change. On la détecte en rejouant régulièrement le même jeu d’évaluation, en suivant les retours des utilisateurs et en datant les sources fournies au système.

Définition : Dès qu’un système d’IA traite des données personnelles, le RGPD s’applique : finalité définie, données limitées au nécessaire, information des personnes et sécurité, en plus des règles de l’AI Act.

La CNIL rappelle qu’un système d’IA reposant sur des données personnelles doit avoir une finalité déterminée, légitime et explicite, établie dès la conception. Le principe de minimisation impose des données adéquates, pertinentes et limitées à ce qui est nécessaire. Pour l’IA générative, la CNIL recommande de partir de besoins concrets, d’éviter autant que possible de saisir des données personnelles dans un service accessible par API, de clarifier son rôle et celui du fournisseur, le cas échéant par un contrat de sous-traitance, et de fixer les usages autorisés dans une charte interne. L’AI Act complète le RGPD sans le remplacer : les deux s’appliquent ensemble.

Définition : Les données structurées sont un balisage normalisé, souvent au vocabulaire schema.org et au format JSON-LD, qui décrit explicitement le contenu d’une page : entreprise, service, article, question-réponse.

Google présente les données structurées comme un format normalisé permettant de fournir des informations sur une page et de classer son contenu, ce qui peut rendre les résultats de recherche plus riches. Schema.org fournit le vocabulaire partagé, utilisable en Microdata, RDFa ou JSON-LD, que comprennent les principaux moteurs de recherche. Deux règles comptent : le balisage doit décrire ce que le visiteur voit réellement sur la page, et il doit être exact. Google rappelle d’ailleurs que les métadonnées générées par IA, données structurées comprises, doivent être vérifiées. Les données structurées aident un moteur à comprendre une page ; elles ne garantissent ni un affichage enrichi ni une citation.

Définition : Un embedding est une représentation d’un texte, d’une image ou d’un son sous forme de liste de nombres (vecteur) : deux contenus de sens proche obtiennent des vecteurs proches.

OpenAI définit un embedding comme un vecteur de nombres à virgule flottante, où la distance entre deux vecteurs mesure leur proximité : une petite distance indique une forte parenté. Google indique que les embeddings servent à la recherche sémantique, à la classification et au regroupement, avec des résultats plus adaptés au contexte que la recherche par mots-clés, et qu’ils jouent un rôle clé dans les systèmes RAG. Concrètement, c’est ce qui permet de retrouver un passage qui parle de « délai de paiement » quand l’utilisateur demande « sous combien de jours dois-je régler ». Le choix du modèle d’embedding et le découpage des documents se testent sur vos propres questions.

Définition : Une évaluation (eval) teste les réponses d’un système d’IA sur un jeu de cas représentatifs, avec des critères définis à l’avance, pour savoir s’il fonctionne et s’il régresse après un changement.

OpenAI décrit les évaluations comme des tests qui vérifient que les sorties d’un modèle respectent les critères que vous fixez, et les juge essentielles notamment lors d’un changement de modèle. Elle rappelle que les sorties des LLM ne sont pas déterministes et que le comportement change d’une version de modèle à l’autre, d’où la nécessité de mesurer en continu. Pour une PME, une évaluation n’a rien d’exotique : c’est une liste de questions réelles, avec la bonne réponse ou le bon comportement attendu, rejouée avant chaque mise en production. Elle transforme « ça a l’air de marcher » en constat vérifiable et sert de base au choix d’un modèle.

Définition : La fenêtre de contexte est la quantité d’informations, mesurée en jetons, qu’un modèle peut prendre en compte en une seule fois : consignes, historique de conversation et documents fournis.

Google compare la fenêtre de contexte à une mémoire à court terme : une quantité limitée d’informations peut y être conservée, et certains modèles récents en acceptent désormais de très grandes. Anthropic souligne toutefois que le contexte reste une ressource finie : plus il contient de jetons, plus la capacité du modèle à retrouver précisément une information peut diminuer. Anthropic recommande donc de chercher le plus petit ensemble d’informations réellement utiles, plutôt que de tout envoyer. Pour un assistant d’entreprise, cela veut dire sélectionner les bons passages de documents (par exemple avec un RAG), résumer les longs historiques et tester la qualité des réponses quand le volume augmente.

Définition : Le fine-tuning consiste à poursuivre l’entraînement d’un modèle existant sur des exemples propres à un usage, pour qu’il produise plus régulièrement le style ou le format attendu.

La CNIL décrit le fine-tuning comme la modification des paramètres d’un modèle en conservant son architecture, pour améliorer ses performances dans un domaine donné, en notant qu’il demande des ressources importantes. OpenAI présente l’ajustement supervisé comme un entraînement sur des exemples de votre cas d’usage, et le place dans une démarche qui combine évaluations, travail sur les consignes et ajustement. Pour une PME, le fine-tuning vient rarement en premier : il n’apporte pas de connaissances à jour (c’est le rôle du RAG) et suppose des exemples de qualité. On l’envisage quand des consignes bien testées ne suffisent plus à obtenir un format ou un ton constant.

Définition : Le fournisseur est la personne ou l’entreprise qui développe un système ou un modèle d’IA, ou le fait développer, et le met sur le marché ou en service sous son propre nom ou sa propre marque.

Cette définition vient de l’article 3 de l’AI Act, qui précise que la mise à disposition peut être payante ou gratuite ; la Commission européenne rappelle qu’elle vise aussi les fournisseurs établis hors de l’Union. Le rôle compte, car la plupart des obligations lourdes pèsent sur le fournisseur. Une PME peut le devenir sans l’avoir prévu : selon l’article 25, un tiers est considéré comme fournisseur d’un système à haut risque s’il y appose son nom ou sa marque, s’il le modifie substantiellement ou s’il change sa destination de sorte qu’il devienne à haut risque. C’est un point à clarifier par écrit lorsqu’un prestataire développe un outil d’IA diffusé sous le nom de votre entreprise.

Définition : Les garde-fous sont des contrôles automatiques placés autour d’un système d’IA pour vérifier ses entrées, ses sorties et ses actions, et décider s’il continue, s’arrête ou attend une validation humaine.

La documentation d’OpenAI recommande d’utiliser les garde-fous pour les vérifications automatiques et la revue humaine pour les décisions d’approbation : ensemble, ils déterminent quand une exécution continue, se met en pause ou s’arrête. Elle conseille aussi de placer la validation au plus près de l’outil qui produit l’effet, plutôt que de se fier aux seuls contrôles globaux. L’OWASP rattache le risque d’« agentivité excessive » aux actions dommageables déclenchées par une sortie inattendue ou manipulée. Concrètement : filtrer les demandes hors sujet, bloquer les données sensibles en sortie, limiter les montants ou destinataires autorisés, et tracer chaque refus pour l’analyser.

Définition : Le RAG consiste à rechercher les passages pertinents dans vos documents ou bases, puis à les fournir au modèle pour qu’il rédige une réponse fondée sur ces sources plutôt que sur sa seule mémoire.

Google Cloud présente le RAG comme l’association d’un système de recherche d’informations et d’un grand modèle de langage, pour produire des réponses plus précises et à jour, puisque les LLM sont limités à leurs données d’entraînement. La CNIL le décrit comme l’intégration d’un mécanisme de recherche dans une base vectorisée, plus facile à actualiser que le modèle lui-même, mais qui demande davantage de ressources et de compétences qu’un modèle utilisé tel quel. Un RAG ne vaut que par ses documents : versions à jour, droits d’accès respectés, passages bien découpés. Il réduit le risque d’erreur sans l’annuler ; on l’évalue donc sur des questions réelles, en vérifiant que la réponse cite le bon passage.

Définition : Le GEO (Generative Engine Optimization) désigne les actions visant à être repris ou cité par les moteurs génératifs comme ChatGPT, Perplexity ou les fonctionnalités d’IA de Google. C’est un terme du marché.

Google classe le GEO avec l’AEO parmi les termes employés pour la visibilité dans la recherche par IA, et recommande de privilégier des stratégies SEO efficaces plutôt que des astuces. Chaque moteur a ses propres règles d’accès : OpenAI indique que les sites qui bloquent son robot OAI-SearchBot ne sont pas présentés dans les réponses de recherche de ChatGPT, hors simples liens de navigation, et Perplexity recommande d’autoriser PerplexityBot pour apparaître dans ses résultats. Le socle d’une démarche GEO est donc double : laisser les bons robots accéder aux pages, et publier des contenus vérifiables, datés et sourcés, qu’un moteur peut reprendre sans les déformer.

Définition : Un grand modèle de langage (LLM) est un modèle statistique entraîné sur de très grandes quantités de texte, qui prédit une suite probable d’une séquence pour générer, résumer ou traduire du texte.

La CNIL décrit un modèle de langage comme un modèle statistique de la distribution des unités linguistiques, capable par exemple de prédire le mot suivant ; on parle de « grand » modèle lorsqu’il possède un très grand nombre de paramètres. Google Cloud précise que les LLM reposent généralement sur des architectures d’apprentissage profond comme le Transformer, et qu’ils peuvent être entraînés à générer, résumer ou traduire du texte. Ce fonctionnement explique leurs forces (rédaction, reformulation, extraction) comme leurs limites : un LLM ne consulte pas de faits, il calcule des probabilités. C’est pourquoi on le relie à vos documents, à des outils et à des contrôles quand la réponse doit être exacte.

Définition : Une hallucination est une réponse incorrecte ou inventée qu’un modèle d’IA présente de façon plausible, par exemple une référence, un chiffre ou une règle qui n’existent pas.

Google Cloud définit les hallucinations comme des résultats incorrects ou trompeurs générés par les modèles, liés notamment à des données d’entraînement insuffisantes ou à un manque d’ancrage dans les faits. L’OWASP les classe parmi les causes de désinformation et souligne le risque de confiance excessive des utilisateurs. La CNIL rappelle que les modèles génératifs ne sont pas des bases de connaissance et peuvent produire des résultats inexacts mais plausibles. Aucun réglage ne supprime totalement ce risque. On le réduit en fournissant des sources (RAG), en demandant au système de citer ses passages, en testant sur des cas réels et en gardant une relecture humaine là où une erreur coûte cher.

Définition : L’humain dans la boucle est un point de contrôle où le système d’IA s’arrête et attend qu’une personne approuve, corrige ou refuse une action avant de continuer.

OpenAI présente l’approbation comme le chemin « humain dans la boucle » des appels d’outils : le modèle peut décider qu’une action est nécessaire, mais l’exécution reste suspendue jusqu’à votre accord. n8n permet d’exiger une validation humaine avant qu’un agent utilise un outil donné, en ciblant les outils à risque comme l’envoi de messages, la modification ou la suppression de données. Pour les systèmes à haut risque, l’article 14 de l’AI Act exigera, à partir du 2 décembre 2027 pour ceux de l’annexe III, qu’ils puissent être effectivement supervisés par des personnes. C’est le principe de KADRI AI : l’IA prépare, une personne décide, en particulier pour tout ce qui engage l’entreprise vis-à-vis d’un client.

Définition : Un hypertrucage est une image, un son ou une vidéo générés ou manipulés par l’IA qui ressemblent à des personnes, lieux ou événements réels et pourraient passer pour authentiques.

L’article 3 de l’AI Act définit l’hypertrucage comme un contenu image, audio ou vidéo généré ou manipulé par l’IA, ressemblant à des personnes, objets, lieux ou événements existants, et qui pourrait sembler authentique. L’article 50 impose au déployeur qui diffuse un tel contenu d’indiquer qu’il a été généré ou manipulé. La CNIL range parmi les pratiques interdites les systèmes générant des contenus pédocriminels et des hypertrucages sexuels ; le règlement (UE) 2026/1744 vise les images intimes réalistes d’une personne identifiable produites sans son consentement. Cette interdiction s’applique à partir du 2 décembre 2026. Pour une entreprise, une bonne pratique : obtenir l’accord de la personne imitée par une vidéo ou une voix synthétique et ajouter une mention visible, y compris en interne.

Définition : L’IA générative désigne les systèmes capables de créer des contenus : texte, code, images, audio ou vidéo, à partir d’une demande formulée en langage naturel ou d’autres données.

La CNIL définit l’IA générative comme la classe des systèmes capables de créer des contenus, et précise qu’ils sont qualifiables de systèmes d’IA à usage général lorsqu’ils permettent de réaliser tout un ensemble de tâches, comme ceux qui reposent sur de grands modèles de langage. Elle rappelle surtout que ces modèles ne sont pas des bases de connaissance : ils suivent une logique probabiliste et peuvent produire des résultats inexacts mais plausibles. Pour une PME, l’IA générative est donc un outil de préparation (brouillon de réponse, synthèse, extraction) dont le résultat doit être relu avant d’engager l’entreprise. Le choix de l’outil dépend du besoin concret et des données que l’on accepte de lui confier.

Définition : L’injection de prompt est une attaque où un texte (message, page web, document) modifie le comportement d’un modèle d’IA de façon non prévue, par exemple pour contourner ses consignes.

L’OWASP place l’injection de prompt en tête de son classement des risques des applications à base de LLM. Elle précise que ces instructions n’ont pas besoin d’être visibles par un humain : il suffit que le modèle les lise, par exemple dans une page web ou un document joint. Selon l’OWASP, des techniques comme le RAG ou le fine-tuning ne suffisent pas à éliminer ce risque. La réponse est architecturale : traiter tout contenu externe comme une donnée et non comme une consigne, limiter les droits des outils, exiger une validation humaine pour les actions sensibles et tester le système avec des tentatives d’attaque avant sa mise en service.

Définition : Un jeton (token) est l’unité de texte que traite un modèle de langage : un caractère, une partie de mot ou un mot entier. Les limites des modèles, et une partie de leur coût d’usage, se comptent en jetons.

La documentation de l’API Gemini explique que les jetons peuvent être des caractères uniques ou des mots entiers, que les mots longs sont découpés en plusieurs jetons et que ce découpage s’appelle la tokenisation. Elle précise que le coût d’un appel dépend en partie du nombre de jetons d’entrée et de sortie. Le cours de Google sur les LLM ajoute que la segmentation varie selon les langues. Pour une PME, les jetons servent à estimer deux choses : ce qu’un usage coûtera à l’échelle (nombre de demandes, longueur des documents envoyés) et ce qui tient dans la fenêtre de contexte du modèle. Mesurer sur des échanges réels vaut mieux qu’une estimation théorique.

Définition : La maîtrise de l’IA désigne les compétences et connaissances qui permettent d’utiliser des systèmes d’IA de façon éclairée. L’AI Act demande aux fournisseurs et déployeurs de prendre des mesures pour la soutenir chez leur personnel.

L’article 3 de l’AI Act définit la maîtrise de l’IA comme les compétences, connaissances et compréhension permettant un déploiement éclairé des systèmes d’IA et la conscience de leurs possibilités, de leurs risques et des préjudices possibles. Dans sa version modifiée par le règlement (UE) 2026/1744, l’article 4 demande aux fournisseurs et aux déployeurs de prendre des mesures pour développer la maîtrise de l’IA de leur personnel, sans imposer de niveau précis. La Commission et les États membres doivent les y aider, en particulier les PME. En pratique : former chaque équipe aux outils qu’elle utilise vraiment, à leurs limites et aux données à ne jamais y saisir.

Définition : Le Model Context Protocol (MCP) est un standard ouvert qui permet de connecter des outils d’IA à des sources de données et à des logiciels par une interface commune, au lieu d’intégrations développées une à une.

Anthropic a présenté le MCP comme un standard ouvert permettant de créer des connexions sécurisées et bidirectionnelles entre des sources de données et des outils d’IA. L’architecture est simple : un serveur MCP expose des données ou des actions, une application d’IA s’y connecte comme client. L’intérêt pour une PME est la réutilisation : un même connecteur vers un logiciel métier peut servir à plusieurs assistants. La documentation d’OpenAI sur les agents mentionne d’ailleurs la prise en charge des serveurs MCP. Comme pour tout accès à vos systèmes, il faut choisir des serveurs de confiance, limiter les droits accordés et journaliser les actions effectuées.

Définition : Un modèle d’IA à usage général est un modèle, souvent entraîné sur de grandes quantités de données, capable d’accomplir un large éventail de tâches distinctes et d’être intégré dans de nombreux systèmes ou applications.

L’AI Act définit ce modèle à l’article 3 par sa généralité : il peut accomplir de nombreuses tâches, quelle que soit la façon dont il est mis sur le marché. La CNIL emploie aussi l’expression « modèle de fondation » pour ces modèles entraînés sur des données très nombreuses et variées, adaptables à des tâches distinctes. Les obligations propres à ces modèles visent leurs fournisseurs, c’est-à-dire les éditeurs, et la Commission européenne publie des lignes directrices à leur intention. Une PME qui utilise un modèle via une application ou une API est rarement fournisseur du modèle ; elle reste en revanche responsable de l’usage qu’elle en fait dans son propre système, d’où l’importance de qualifier son rôle.

Définition : Un modèle de raisonnement produit une réflexion interne avant de répondre, ce qui l’aide à planifier, utiliser des outils et traiter des tâches en plusieurs étapes, au prix d’un temps et d’un coût plus élevés.

La documentation d’OpenAI indique que ces modèles utilisent des jetons de raisonnement internes avant de répondre, ce qui les aide à planifier, à utiliser les outils efficacement et à résoudre des tâches complexes en plusieurs étapes. Elle précise qu’un niveau d’effort réglable arbitre entre rapidité et consommation d’un côté, qualité de la réponse de l’autre. Pour une PME, la question n’est pas de choisir le modèle le plus puissant, mais le plus adapté : une classification simple de courriels n’a pas besoin du même modèle qu’une analyse de contrat. Comparer deux réglages sur les mêmes cas de test permet de décider sur des faits.

Définition : L’article 50 de l’AI Act impose d’informer les personnes qu’elles interagissent avec une IA, de marquer les contenus générés et de signaler les hypertrucages. Il s’applique depuis le 2 août 2026.

L’article 50 répartit les obligations. Le fournisseur d’un système qui interagit directement avec des personnes doit les informer qu’elles échangent avec une IA, sauf si c’est évident ; celui d’un système génératif doit marquer ses contenus dans un format lisible par machine. Le déployeur signale les hypertrucages qu’il diffuse, ainsi que les textes générés publiés pour informer le public sur des questions d’intérêt public, sauf relecture humaine sous responsabilité éditoriale. La Commission européenne a publié des lignes directrices et une foire aux questions sur ces règles. Pour les systèmes génératifs déjà sur le marché avant le 2 août 2026, le calendrier officiel laisse jusqu’au 2 décembre 2026 pour le marquage.

Définition : L’orchestration multi-agents fait travailler plusieurs agents IA ensemble, souvent un agent principal qui répartit le travail entre des agents spécialisés puis assemble leurs résultats.

Anthropic décrit un système multi-agents comme plusieurs agents qui travaillent ensemble, et présente un schéma où un agent principal coordonne et délègue à des sous-agents spécialisés travaillant en parallèle. Elle signale aussi que ces architectures consomment beaucoup de jetons et ne conviennent pas aux tâches où tous les agents doivent partager le même contexte. La documentation d’OpenAI conseille de commencer avec un seul agent et de n’ajouter des spécialistes que s’ils améliorent réellement l’isolation des capacités ou des règles, la clarté des consignes ou la lisibilité des traces. Pour une PME, plusieurs agents se justifient rarement d’emblée : on y vient quand une tâche se découpe naturellement en sous-tâches indépendantes et contrôlables.

Définition : Un prompt est la demande, formulée en langage naturel, qu’on adresse à un modèle d’IA : consigne, contexte, exemples et format attendu. Sa conception influence directement la qualité de la réponse.

Google définit la conception de requêtes comme le processus qui consiste à formuler des demandes en langage naturel pour obtenir des réponses précises et de qualité, et rappelle que c’est un travail itératif. Anthropic décrit l’ingénierie de contexte comme son prolongement : choisir toutes les informations qui parviennent au modèle, pas seulement la consigne. Dans une PME, un bon prompt tient en quelques éléments stables : le rôle attendu, les sources à utiliser, ce qu’il faut faire en cas de doute et le format de sortie. Une consigne qui fonctionne doit être enregistrée, versionnée et retestée quand on change de modèle, plutôt que réécrite par chacun.

Définition : Les robots d’exploration IA sont les programmes que les éditeurs d’IA utilisent pour lire les pages web, soit pour leurs résultats de recherche, soit pour entraîner des modèles. Le fichier robots.txt permet de les gérer séparément.

OpenAI explique que ses robots OAI-SearchBot et GPTBot se règlent indépendamment dans le fichier robots.txt : on peut autoriser le premier pour apparaître dans la recherche de ChatGPT sans autoriser le second. Perplexity indique que PerplexityBot sert à afficher et lier des sites dans ses résultats et n’est pas utilisé pour entraîner des modèles de fondation. Google propose Google-Extended, un jeton qui permet de choisir si le contenu exploré peut servir à entraîner les futurs modèles Gemini et à l’ancrage dans certaines applications. Ces choix sont stratégiques : ils se décident en connaissance de cause, robot par robot, et se vérifient régulièrement.

Définition : Les sorties structurées obligent le modèle à répondre selon un schéma défini à l’avance (souvent un schéma JSON), pour que la réponse puisse être lue et contrôlée automatiquement par un logiciel.

OpenAI indique que cette fonction garantit que le modèle produit des réponses conformes au schéma JSON fourni, sans clé obligatoire manquante ni valeur hors liste. Google la présente comme un moyen d’obtenir des résultats prévisibles et de simplifier l’extraction de données à partir de texte non structuré. Attention à la nuance : un format garanti ne garantit pas un contenu juste. Un montant peut être bien placé et faux. Dans une PME, les sorties structurées sont la base de toute extraction de documents (factures, bons de commande), mais elles s’accompagnent de règles de contrôle et d’une vérification humaine avant import dans un logiciel de gestion.

Définition : Un système d’IA est un système automatisé conçu pour fonctionner à différents niveaux d’autonomie, qui déduit, à partir des données qu’il reçoit, comment produire des prédictions, des contenus, des recommandations ou des décisions.

Cette définition est celle de l’article 3 du règlement européen sur l’IA (AI Act), que la CNIL reprend dans son glossaire. Elle compte pour une PME, car c’est elle qui détermine si un outil entre dans le champ du règlement. La CNIL rappelle aussi, en citant le considérant 97 du texte, qu’un modèle d’IA ne constitue pas à lui seul un système d’IA : il le devient lorsqu’on lui ajoute d’autres composants, par exemple une interface utilisateur. Un logiciel de devis doté d’une rédaction automatique, un chatbot de site ou un tri automatique des courriels peuvent donc tous contenir un système d’IA. Les recenser est le premier pas d’une démarche de conformité comme d’un projet bien piloté.

Définition : Un système d’IA à haut risque relève en principe d’un usage listé à l’annexe III de l’AI Act (recrutement, solvabilité…) ou de certains produits réglementés de l’annexe I ; il sera soumis à des exigences renforcées dès 2027 ou 2028.

L’annexe III de l’AI Act vise notamment les systèmes destinés au recrutement, dont l’analyse et le filtrage des candidatures, et à l’évaluation de la solvabilité des personnes, sauf détection de la fraude. L’article 6 prévoit qu’un système de l’annexe III peut ne pas être à haut risque s’il ne présente pas de risque important, par exemple pour une tâche procédurale étroite, mais cette dérogation ne vaut jamais en cas de profilage. Depuis le règlement (UE) 2026/1744, ces obligations s’appliquent au 2 décembre 2027 pour l’annexe III et au 2 août 2028 pour les produits de l’annexe I. Chaque qualification doit être raisonnée et documentée.

Définition : Un workflow IA enchaîne des étapes définies à l’avance dans lesquelles un modèle intervient à des endroits précis. Contrairement à un agent, le chemin suivi est fixé par le code, pas par le modèle.

Anthropic définit les workflows comme des systèmes où les modèles et les outils sont orchestrés par des chemins de code prédéfinis, et recommande de commencer par la solution la plus simple qui fonctionne. Un workflow est plus prévisible, plus facile à tester et à expliquer qu’un agent : chaque étape a une entrée, une sortie et une gestion d’erreur. C’est souvent le bon choix pour une PME lorsque le processus est connu, comme qualifier un formulaire, extraire les champs d’une facture ou préparer une relance. On réserve l’agent aux tâches dont les étapes ne peuvent pas être prévues. Des outils comme n8n permettent de construire ces enchaînements et d’y insérer des validations humaines.