L'agence IA francophone pour PME. Audit, agents en production, acquisition IA-first, applications métier sur-mesure. Code source remis à la livraison.
L'agence IA francophone pour PME. Audit, agents en production, acquisition IA-first, applications métier sur-mesure. Code source remis à la livraison.
L'IA a son propre vocabulaire. Et quand vous devez valider un projet, choisir un prestataire ou simplement comprendre ce que votre équipe technique vous explique, ne pas maîtriser ces termes crée des incompréhensions coûteuses. Ce glossaire couvre les 30 notions les plus importantes pour un décideur en PME qui travaille avec ou évalue des projets d'agents IA.
Les définitions sont volontairement concises et orientées usage : ce que c'est, pourquoi c'est important pour vous et une phrase de contexte PME. Les 30 termes sont classés alphabétiquement pour une consultation rapide. Utilisez la navigation de droite pour sauter directement à la lettre qui vous intéresse.
Si vous cherchez une application pratique de ces concepts, consultez notre Guide AI Act pour les PME ou notre page Audit IA pour comprendre comment ces termes s'appliquent dans un projet concret.
Programme autonome qui perçoit son environnement, prend des décisions et exécute des actions pour atteindre un objectif défini, sans intervention humaine à chaque étape. Un agent peut appeler des API, lire des fichiers, envoyer des emails, ou déclencher des workflows. La clé : il agit, pas seulement il répond. Exemple PME : un agent de facturation qui lit un email, extrait les lignes de commande, génère la facture dans votre ERP et envoie le PDF au client.
Règlement européen (UE 2024/1689) encadrant le développement et l'usage des systèmes d'intelligence artificielle. Il classe les systèmes par niveau de risque (inacceptable, haut, limité, minimal) et impose des obligations proportionnelles. En vigueur depuis août 2024, application progressive jusqu'en 2027. Pour les PME de services, les obligations principales concernent la transparence des chatbots et la documentation des systèmes à haut risque.
Ensemble des pratiques, outils et processus permettant de superviser, monitorer, débogguer et maintenir des agents IA en production. L'équivalent du DevOps pour les agents IA. Comprend la journalisation des décisions, les alertes en cas d'erreur, le suivi des coûts de tokens, et les mécanismes de rollback. Un agent sans AgentOps est un agent que vous ne contrôlez pas vraiment.
Schéma technique décrivant comment les différents composants d'un système IA s'interconnectent : modèles LLM, bases de données, API tierces, interfaces utilisateur, systèmes de journalisation. Lors d'un audit IA, l'architecture cible est le livrable technique principal qui guide le développement. Sans architecture cible documentée, chaque décision de développement est une improvisation.
Évaluation structurée des cas d'usage IA potentiels d'une organisation, de leur faisabilité technique, de leur ROI estimé et de leurs implications conformité. Chez UPia, l'Audit est un forfait unique calibré au contexte du client : le périmètre, la durée et la profondeur sont calés au RDV cadrage 30 min. Le livrable clé reste le même : les cas d'usage prioritaires chiffrés et un plan de bataille activable même sans nous.
Liste priorisée des fonctionnalités à développer pour un projet pilote d'agent IA. Le backlog pilote est cadré sur un périmètre restreint et mesurable, conçu pour démontrer la valeur en production sur un périmètre serré. Il est différent du backlog "idéal" qui inclurait toutes les fonctionnalités souhaitées. La discipline de backlog pilote est ce qui distingue les projets qui arrivent en production de ceux qui restent en POC.
Application concrète de l'intelligence artificielle à un problème métier spécifique, avec des entrées, des sorties et des critères de succès définis. Un bon cas d'usage IA est mesurable (KPI défini), délimitable (périmètre clair), et à valeur positive prouvable (ROI estimable). Exemple : "automatiser l'extraction des données de factures fournisseurs pour réduire de 80% le temps de saisie comptable".
Rôle émergent dans les organisations : personne responsable de la coordination des initiatives IA, de la priorisation des projets et de l'interface entre les équipes métier et les prestataires IA. Dans les PME, ce rôle est souvent tenu par un directeur financier, un DSI ou un COO. Certaines organisations confient cette coordination à un agent IA lui-même (reporting automatique, suivi de KPIs en temps réel).
Dans le contexte IA, la conformité couvre trois niveaux : conformité AI Act (classification de risque, documentation technique, supervision humaine), conformité RGPD (traitement des données personnelles par les systèmes IA), et conformité métier (réglementation sectorielle applicable). UPia produit la documentation conformité à chaque livraison de projet. La conformité n'est pas une option : c'est une condition de durabilité du projet.
Optimisation du taux de conversion : ensemble des pratiques visant à augmenter le pourcentage de visiteurs ou de prospects qui réalisent une action cible (achat, formulaire, RDV). Dans un contexte IA-first, le CRO est augmenté par des agents qui personnalisent les parcours en temps réel, testent des variations en continu, et adaptent les messages selon le comportement de l'utilisateur.
Représentation mathématique d'un texte (ou d'une image) sous forme de vecteur numérique, permettant de mesurer la similarité sémantique entre deux contenus. Les embeddings sont la technologie de base des systèmes RAG : ils permettent de retrouver les passages d'un document les plus pertinents pour répondre à une question. Pour un décideur : pensez à l'embedding comme la "traduction" de votre document en coordonnées GPS, permettant de retrouver les infos proches sémantiquement.
Processus d'entraînement supplémentaire d'un LLM sur des données spécifiques à votre domaine ou organisation, pour l'adapter à votre vocabulaire, vos formats de sortie ou vos cas d'usage. Plus coûteux que le prompting ou le RAG, le fine-tuning est pertinent quand vous avez des milliers d'exemples de qualité et que les autres approches ne suffisent pas. Pour la plupart des PME, le RAG est plus efficace et moins onéreux que le fine-tuning.
Optimisation du contenu pour apparaître dans les réponses des moteurs de recherche génératifs : Google AI Overviews, Bing Copilot, Perplexity, ChatGPT Search. Les règles du GEO diffèrent du SEO classique : structure de contenu, citations, autorité thématique, et format des réponses courtes. Dans la stratégie d'acquisition UPia, le GEO est un pilier à part entière aux côtés du SEO traditionnel.
Phénomène par lequel un LLM génère des informations factuellement incorrectes mais présentées avec confiance. Les hallucinations sont inhérentes aux LLMs actuels et ne disparaissent pas complètement. Les stratégies pour les mitiger : RAG (ancrer les réponses sur des documents vérifiés), prompts de vérification, supervision humaine sur les sorties critiques, et chaînes de validation. Un agent IA bien conçu inclut des gardes-fous contre les hallucinations critiques.
Enregistrement systématique des actions, décisions et résultats d'un système IA (logs). La journalisation est obligatoire pour les systèmes à haut risque selon l'AI Act, et fortement recommandée pour tous les agents en production. Elle permet le débogage, l'audit, la démonstration de conformité, et l'amélioration continue. Sans journalisation, vous opérez un agent IA en aveugle.
Modèle de traitement du langage naturel entraîné sur de très larges corpus de texte, capable de générer, résumer, traduire, raisonner et écrire du code. Les LLMs principaux du marché : GPT-4o et GPT-5 (OpenAI), Claude Sonnet et Opus (Anthropic), Gemini (Google), Mistral Large et Codestral (Mistral AI), Llama (Meta). Le LLM est le "cerveau" d'un agent IA, mais il ne fait rien seul : il a besoin d'une architecture pour être utile en production.
Architecture d'agent IA conçue pour fonctionner avec n'importe quel LLM, sans dépendance à un fournisseur unique. UPia construit systématiquement des architectures LLM agnostiques : si OpenAI augmente ses prix, si Anthropic change ses conditions, ou si un modèle open source devient meilleur pour votre usage, vous pouvez basculer sans reconstruire l'agent. C'est une garantie de souveraineté et de maîtrise des coûts.
Protocole ouvert (Anthropic, 2024) standardisant la façon dont les LLMs se connectent à des sources de données et des outils externes. Le MCP permet à un agent IA de "brancher" facilement des services tiers (bases de données, APIs, fichiers) sans développement sur-mesure pour chaque connexion. Pensez-y comme un standard USB pour les agents IA : un protocole universel qui simplifie les intégrations.
Capacité à comprendre l'état interne d'un système IA depuis ses sorties externes. Au-delà de la journalisation, l'observabilité inclut les métriques de performance (latence, coût, qualité des réponses), les traces de raisonnement de l'agent et les alertes proactives. Un système observable est un système qu'on peut améliorer. Sans observabilité, vous gérez votre agent à l'aveugle.
Prototype démontrant la faisabilité technique d'un concept IA dans un environnement contrôlé. Le POC est nécessaire mais insuffisant : il démontre que "c'est possible", pas que "ça marché en production". La différence entre un POC et un agent en production : les données réelles, les cas limites, la supervision, la sécurité, les performances sous charge. 80% des POC IA n'arrivent jamais en production. L'objectif UPia est de court-circuiter cette statistique.
Art et science de formuler les instructions données à un LLM pour obtenir les résultats souhaités. Un bon prompt est structuré (rôle, contexte, tâche, format de sortie), spécifique, et testé sur des cas réels. Le prompt engineering est une compétence clé dans la construction d'agents IA : un mauvais prompt peut rendre un excellent modèle inutilisable, et un bon prompt peut extraire beaucoup de valeur d'un modèle modeste.
Architecture qui augmente un LLM avec une recherche documentaire en temps réel. Au lieu de répondre uniquement sur la base de ses données d'entraînement, le LLM consulte d'abord une base documentaire (vos contrats, procédures, FAQ, base de connaissance) et ancre sa réponse sur des passages pertinents. Le RAG est la solution principale contre les hallucinations sur des données spécifiques à votre organisation. C'est l'architecture de base de la plupart des agents PME.
Système de contrôle d'accès basé sur les rôles : chaque utilisateur ou agent n'accède qu'aux ressources correspondant à son rôle défini. Dans un système IA, le RBAC est essentiel pour s'assurer que l'agent ne peut accéder qu'aux données auxquelles il est autorisé. Exemple : un agent RH n'a pas accès aux données financières, un agent facturation n'a pas accès aux dossiers personnels. Le RBAC est un pilier de la conformité RGPD et AI Act.
Règlement Général sur la Protection des Données (UE 2016/679) : règlement européen encadrant le traitement des données personnelles. Dans le contexte IA, le RGPD s'applique à chaque fois qu'un agent traite des données personnelles (noms, emails, données comportementales). Les obligations principales : base légale du traitement, information des personnes, droit d'accès et d'effacement, sécurité des données. Le RGPD et l'AI Act se cumulent : un système IA conforme AI Act doit aussi être conforme RGPD.
Retour sur investissement d'un projet IA. Il se calcule en comparant les gains (temps économisé x coût horaire, revenus additionnels, erreurs évitées) aux coûts (développement, maintenance, infrastructure, formation). Un ROI IA crédible est mesurable, sur un périmètre défini, avec des hypothèses documentées. Dans nos audits, nous livrons systématiquement 3 cas d'usage avec leur ROI estimé et les hypothèses sous-jacentes. Un ROI sans hypothèses visibles n'est qu'un argument de vente.
Authentification unique : mécanisme permettant à un utilisateur de se connecter une seule fois pour accéder à plusieurs applications. Dans un contexte agent IA, le SSO est important pour l'intégration dans l'écosystème d'entreprise et pour la gestion des accès. Un agent IA qui requiert un compte séparé crée de la friction et des risques de sécurité supplémentaires. L'intégration SSO (Microsoft Entra, Google Workspace, Okta) est un critère de qualité d'un agent en production.
Mécanisme garantissant qu'un humain peut comprendre, contrôler et corriger les décisions d'un système IA. L'AI Act impose une supervision humaine effective pour les systèmes à haut risque. En pratique, cela signifie : l'humain peut voir les décisions prises par l'agent, peut les contredire, et peut reprendre la main à tout moment. La supervision humaine n'est pas une contrainte : c'est une protection contre les erreurs et une condition de confiance dans le système.
Unité de base de traitement d'un LLM. Approximativement 0,75 mot en français. Les LLMs traitent du texte en tokens et facturent à la consommation de tokens. Un contexte de 100 000 tokens correspond à environ 75 000 mots ou 150 pages. La gestion des tokens est un facteur clé de coût et de performance dans un agent en production. Comprendre la tokenisation vous permet de mieux estimer les coûts opérationnels de votre agent.
Base de données spécialisée dans le stockage et la recherche de vecteurs (embeddings). Le vector store est le composant de stockage dans une architecture RAG : il contient les représentations vectorielles de vos documents et permet de retrouver rapidement les passages les plus pertinents pour une requête. Exemples de vector stores : Pinecone, Weaviate, Qdrant, pgvector (extension PostgreSQL). Le choix du vector store impacte les performances et les coûts d'infrastructure.
Fonctionnalité de Google Search qui affiche une synthèse générée par IA en haut des résultats de recherche, agrégant des informations de plusieurs sources. Pour les PME, les AI Overviews représentent à la fois une menace (moins de clics sur les résultats classiques) et une opportunité (apparaître dans la synthèse IA = visibilité premium). L'optimisation pour les AI Overviews (GEO) requiert une structure de contenu différente du SEO traditionnel : réponses directes, structure claire, autorité thématique prouvée.
Ces termes vous parlent mais vous ne savez pas comment les appliquer à votre organisation ? Un audit IA pour identifier vos 3 cas d'usage prioritaires, chiffrés et prêts à exécuter.
VOIR L'AUDIT IA VOIR L'AUDIT IA