GelişimTeknoloji

Le fossé du vocabulaire de l’IA : 40 termes pour suivre les conversations sur l’IA en 2026

En bref. Beaucoup de débats sur l’IA sont en réalité des débats de vocabulaire. Ce glossaire définit 40 termes répartis en sept familles et rattache chacun au texte qui le définit : l’AI Act de l’UE, le Digital Omnibus qui l’a modifié à partir du 27 juillet 2026, la définition du système d’IA de l’OCDE de 2024, les documents du NIST sur l’IA, les articles de recherche d’origine ou la documentation des fournisseurs. La cartographie des sources de CEOtudent montre que 14 des 40 termes reposent principalement sur la documentation des fournisseurs, y compris les unités dans lesquelles vous payez : tokens, fenêtres de contexte et latence. Selon les règles empiriques des fournisseurs eux-mêmes, un même texte de 10 000 caractères représente environ 2 500 tokens selon la règle de Google et environ 3 700 selon la règle d’Anthropic pour son tokenizer plus récent. Le réflexe du CEO : exiger de chaque fournisseur qu’il définisse ses unités par écrit avant de comparer les prix. Le réflexe de l’étudiant : apprendre d’abord les 10 termes de votre rôle, puis une famille par semaine.

Pour la mécanique derrière les mots, commencez par le fonctionnement réel des grands modèles de langage. Pour savoir quoi faire de ces mots, lisez alphabétisation IA vs maîtrise de l’IA : connaître les termes relève de la littératie ; les utiliser pour changer une décision relève de la maîtrise.

Pourquoi le vocabulaire décide-t-il de qui suit une conversation sur l’IA ?

Un fournisseur promet une « fenêtre de contexte de 1M » ; un juriste explique que votre entreprise pourrait être un « déployeur ». Chaque phrase cache une décision : un prix, un risque, une obligation légale. Si vous ne savez pas décortiquer le terme, vous ne pouvez pas vérifier l’affirmation.

Le fossé est structurel : les législateurs définissent les mots pour la responsabilité, les chercheurs pour les expériences, les fournisseurs pour la facturation. Chaque entrée ci-dessous donne une définition en langage simple, son importance pour une décision, un terme associé et son texte de référence.

Comment les textes officiels définissent-ils les termes contestés ?

Terme Texte de définition (extrait) Second texte (extrait) Ce qui diffère
Système d’IA (AI system) AI Act de l’UE, article 3(1) : « conçu pour fonctionner à différents niveaux d’autonomie et peut faire preuve d’une capacité d’adaptation après son déploiement », et « déduit, à partir des entrées qu’il reçoit, la manière de générer des sorties » Définition actualisée de l’OCDE (mars 2024) : « pour des objectifs explicites ou implicites, déduit, à partir des entrées qu’il reçoit, la manière de générer des sorties telles que des prédictions, du contenu, des recommandations ou des décisions » Noyau quasi identique. Le NIST AI 100-1 (2023) conserve l’ancienne formulation de l’OCDE, « pour un ensemble donné d’objectifs, générer des sorties », sans « déduit » et sans « contenu »
Modèle d’IA à usage général vs modèle de fondation (general-purpose AI model vs foundation model) AI Act de l’UE, article 3(63) : « présente une généralité significative et est capable d’exécuter de manière compétente un large éventail de tâches distinctes » Bommasani et al. (2021) : « entraîné sur des données larges (en général par auto-supervision à grande échelle) et pouvant être adapté (par exemple par fine-tuning) à un large éventail de tâches en aval » La loi exclut les modèles utilisés uniquement pour la recherche ou le prototypage avant leur mise sur le marché
Hallucination vs confabulation Ji et al. (revue de 2022) : « le contenu généré qui est absurde ou infidèle au contenu source fourni » NIST AI 600-1 (2024) : « la production d’un contenu affirmé avec assurance mais erroné ou faux » La recherche part d’une source ; le NIST part de la fausseté affirmée avec assurance, qu’il y ait une source ou non
Littératie en IA (AI literacy) AI Act de l’UE, article 3(56) : « les compétences, les connaissances et la compréhension » permettant un « déploiement en connaissance de cause des systèmes d’IA » (inchangé) Article 4 tel que remplacé par le règlement (UE) 2026/1744 : des mesures « pour soutenir le développement de la littératie en IA », sans obligation de « garantir un niveau spécifique » La définition demeure ; l’obligation s’est assouplie par rapport à l’exigence d’assurer « un niveau suffisant »

Sources : règlements (UE) 2024/1689 et 2026/1744 ; OECD AI Papers No. 8 ; NIST AI 100-1 et 600-1 ; Bommasani et al. ; Ji et al.

Le Digital Omnibus a-t-il modifié une définition utilisée ici ? Non. Dans l’article 3, il a seulement réécrit le point (14), « composant de sécurité », et inséré les points (14a) et (14b) sur les PME et les petites entreprises de taille intermédiaire. Ce qui a changé, c’est le calendrier : les obligations à haut risque pour les systèmes de l’annexe III s’appliquent désormais à partir du 2 décembre 2027, et pour les systèmes liés à des produits relevant de l’article 6(1) à partir du 2 août 2028.

Famille 1 : comment les modèles sont-ils construits ? (termes 1-9)

1. Modèle de fondation (foundation model). Un modèle entraîné sur des données larges, généralement par auto-supervision, qui peut être adapté à de nombreuses tâches en aval (Bommasani et al., 2021). Pourquoi c’est important : la plupart des outils que vous achetez reposent sur l’un des quelques modèles de fondation existants, donc ses limites deviennent les vôtres. Terme associé : modèle d’IA à usage général (36).

2. Grand modèle de langage (large language model, LLM). Un modèle de langage doté d’un très grand nombre de paramètres, entraîné sur d’immenses volumes de texte, qui génère du texte, répond à des questions et résume (glossaire d’Anthropic). Pourquoi c’est important : il prédit un texte plausible ; il ne vérifie pas les faits, sauf si un système autour de lui le fait. Terme associé : RAG (14).

3. Transformer. L’architecture introduite par Vaswani et al. (2017), qui repose sur des mécanismes d’attention plutôt que sur la récurrence ; presque tous les LLM actuels l’utilisent. Pourquoi c’est important : l’attention explique pourquoi les entrées longues coûtent plus cher et pourquoi les modèles perdent le fil dans les prompts très longs. Terme associé : fenêtre de contexte (11).

4. Paramètres (poids, weights). Les nombres ajustables qu’un modèle modifie pendant l’entraînement ; l’AI Act de l’UE définit les données d’entraînement comme les données utilisées pour « ajuster ses paramètres entraînables » (article 3(29)). Pourquoi c’est important : la publication des poids détermine si vous pouvez exécuter, inspecter ou ajuster un modèle vous-même. Terme associé : modèle à poids ouverts (32).

5. Pré-entraînement (pre-training). La première et la plus vaste phase d’entraînement, au cours de laquelle un modèle apprend à prédire le mot suivant sur un grand corpus non étiqueté (glossaire d’Anthropic). Pourquoi c’est important : un modèle pré-entraîné ne suit pas encore bien les instructions ; ce sont les étapes ultérieures qui façonnent l’expérience des utilisateurs. Terme associé : fine-tuning (6).

6. Ajustement fin (fine-tuning). L’entraînement supplémentaire d’un modèle pré-entraîné sur des données additionnelles afin qu’il reproduise les schémas de ces données (glossaire d’Anthropic). Pourquoi c’est important : il modifie le comportement et le style ; les faits qui changent chaque semaine relèvent de la récupération documentaire. Terme associé : RLHF (7).

7. RLHF (apprentissage par renforcement à partir de retours humains, reinforcement learning from human feedback). Un fine-tuning qui utilise les classements de sorties établis par des humains comme signal d’entraînement. Dans l’étude InstructGPT, un modèle de 1,3 milliard de paramètres entraîné de cette manière a été préféré au GPT-3 de 175 milliards de paramètres, malgré plus de 100 fois moins de paramètres (Ouyang et al., 2022). Pourquoi c’est important : la manière dont un modèle a été ajusté peut compter davantage que sa taille. Terme associé : fiche de modèle (31).

8. Distillation. L’entraînement d’un modèle plus petit pour reproduire un modèle plus grand ou un ensemble de modèles, en compressant ses connaissances dans quelque chose de moins coûteux à déployer (Hinton, Vinyals et Dean, 2015). Pourquoi c’est important : les offres « mini » moins chères peuvent être distillées ; vérifiez qu’elles conservent la capacité dont votre tâche a besoin. Terme associé : inférence (16).

9. Mélange d’experts (mixture of experts, MoE). Une conception dans laquelle un réseau d’aiguillage envoie chaque entrée vers quelques-uns parmi de nombreux sous-réseaux (les « experts »). Shazeer et al. (2017) ont rapporté des gains de capacité de plus de 1 000 fois, avec seulement de faibles pertes d’efficacité de calcul. Pourquoi c’est important : les nombres de paramètres affichés surestiment ce qui s’exécute réellement à chaque requête. Terme associé : paramètres (4).

Famille 2 : qu’est-ce qui entre dans un modèle ? (termes 10-15)

10. Token (jeton). L’unité qu’un modèle lit et écrit : un mot, une partie de mot, un caractère ou un octet (glossaire d’Anthropic). Pourquoi c’est important : les limites et les factures sont comptées en tokens, et ces décomptes ne sont pas transposables d’un fournisseur à l’autre. Terme associé : tokens d’entrée et de sortie (34).

11. Fenêtre de contexte (context window). Tout ce que le modèle peut consulter pour répondre, y compris la réponse elle-même ; le prompt système, les messages, les résultats d’outils, les documents et les définitions d’outils comptent tous (documentation d’Anthropic). Pourquoi c’est important : la fenêtre annoncée est un plafond, pas une promesse d’attention, comme le montre l’analyse sur les fenêtres de contexte et la charge cognitive. Terme associé : ingénierie de contexte (15).

12. Prompt système (system prompt). Les instructions permanentes qu’une application donne à un modèle avant l’entrée de l’utilisateur, comme une description de rôle ; le NIST AI 100-2 (2025) emploie le terme dans ce sens. Pourquoi c’est important : c’est là que résident les règles de comportement d’un produit. Terme associé : injection de prompt (25).

13. Plongement vectoriel (embedding). Des nombres qui représentent un texte de sorte que les significations proches se retrouvent proches les unes des autres ; Mikolov et al. (2013) ont introduit des représentations vectorielles continues et efficaces des mots. Pourquoi c’est important : les embeddings déterminent ce que la recherche sémantique et le RAG récupèrent. Terme associé : RAG (14).

14. Génération augmentée par récupération (retrieval-augmented generation, RAG). L’association de la mémoire intégrée (paramétrique) d’un modèle à un index de documents externe interrogé au moment de la requête (Lewis et al., 2020). Pourquoi c’est important : c’est ainsi qu’un outil répond à partir de vos documents, et les erreurs de récupération deviennent des erreurs de réponse. Terme associé : ancrage (20).

15. Ingénierie de contexte (context engineering). Le fait de sélectionner et d’entretenir le meilleur ensemble de tokens placé devant un modèle pendant l’inférence, au-delà du prompt lui-même (Anthropic engineering). Pourquoi c’est important : les échecs sur les tâches longues sont généralement des échecs de contexte, comme le montre l’explication de l’ingénierie de contexte. Terme associé : fenêtre de contexte (11).

Combien de tokens fait un mot, selon les fournisseurs eux-mêmes ?

Les fournisseurs publient des règles empiriques, pas des taux de change ; un prix par million de tokens ne peut donc pas être comparé d’un fournisseur à l’autre sans compter le même texte avec chaque tokenizer.

Documentation du fournisseur Règle telle qu’énoncée Caractères par token Tokens pour 10 000 caractères (calculé)
Google, Gemini API « un token équivaut à environ 4 caractères » ; 100 tokens correspondent à environ 60-80 mots anglais environ 4 environ 2 500
Anthropic, modèles Claude antérieurs « un token représente environ 3,5 caractères anglais » environ 3,5 environ 2 857
Anthropic, Claude 4.7 et versions ultérieures le nouveau tokenizer donne « environ 30 % de tokens en plus pour le même texte » environ 2,7 (calculé) environ 3 714
OpenAI, cookbook tiktoken les tokens anglais « vont généralement d’un caractère à un mot » aucun chiffre unique non calculable

Source : documentation des fournisseurs (Google, « Understand and count tokens » ; glossaire d’Anthropic ; OpenAI Cookbook), consultée le 17 novembre 2026. Colonnes calculées : analyse CEOtudent dans calc.py. Il s’agit des approximations des fournisseurs ; un décompte exact nécessite chaque tokenizer.

La règle de Google implique 1,25-1,67 token par mot anglais ; un brief de 1 000 mots représente donc environ 1 250-1 667 tokens. Les mêmes 10 000 caractères donnent environ 49 % de tokens de plus selon la règle du nouveau tokenizer d’Anthropic que selon celle de Google. Ce n’est pas un classement de qualité ; c’est l’unité elle-même qui diffère.

Famille 3 : ce qui sort, et comment cela tourne mal (termes 16-21)

16. Inférence (inference). L’exécution d’un modèle entraîné pour produire une sortie, par opposition à son entraînement. En droit, « déduire » (infers) signifie autre chose : l’AI Act de l’UE et l’OCDE l’emploient pour décrire la manière dont un système tire des sorties de ses entrées, un critère pour savoir si quelque chose est ou non un système d’IA. Pourquoi c’est important : vous payez par requête d’inférence. Terme associé : latence (33).

17. Température (temperature). Un réglage du degré d’aléatoire dans le choix des mots : une valeur plus élevée donne une sortie plus variée, une valeur plus basse une sortie plus prudente et prévisible (glossaire d’Anthropic). Pourquoi c’est important : une température basse rend la sortie reproductible, pas correcte. Terme associé : hallucination (18).

18. Hallucination. Une sortie absurde ou infidèle à sa source ; les cas intrinsèques contredisent la source, les cas extrinsèques ne peuvent pas être vérifiés à partir d’elle (Ji et al., 2022). Pourquoi c’est important : le mécanisme détermine la vérification à faire, comme l’explique le guide sur la mécanique des hallucinations. Terme associé : confabulation (19).

19. Confabulation. Le terme du NIST pour un contenu faux affirmé avec assurance et susceptible d’induire les utilisateurs en erreur ; le NIST qualifie « hallucinations » de nom familier (NIST AI 600-1). Pourquoi c’est important : les audits alignés sur le NIST emploient ce mot. Terme associé : red teaming (30).

20. Ancrage (grounding). Le fait de rattacher une réponse à des éléments de preuve fournis, généralement des documents placés dans la fenêtre de contexte (glossaire d’Anthropic, entrée RAG). Pourquoi c’est important : des réponses ancrées peuvent encore mal lire leurs sources ; demandez si les citations renvoient au passage exact. Terme associé : RAG (14).

21. Modèle de raisonnement (reasoning model, chaîne de pensée ou chain of thought). Un modèle ou un mode qui rédige des étapes de raisonnement intermédiaires avant de répondre ; Wei et al. (2022) ont montré que ce type de prompting améliorait le raisonnement complexe dans les modèles suffisamment grands. Pourquoi c’est important : le raisonnement coûte des tokens de sortie et du temps supplémentaires ; réservez-le aux problèmes à plusieurs étapes. Terme associé : tokens d’entrée et de sortie (34).

Famille 4 : comment les modèles agissent-ils dans le monde ? (termes 22-26)

22. Utilisation d’outils (tool use, function calling). Un modèle qui demande l’exécution d’une fonction, comme une recherche ou l’exécution de code, que l’application ou le fournisseur exécute avant de lui renvoyer le résultat (documentation d’Anthropic). Pourquoi c’est important : dès qu’un modèle peut appeler des outils, ses autorisations deviennent votre surface de risque. Terme associé : agent IA (23).

23. Agent IA (AI agent). Anthropic distingue les workflows, dans lesquels les modèles et les outils suivent des « chemins de code prédéfinis », des agents, dans lesquels le modèle dirige lui-même son processus et son utilisation des outils. Pourquoi c’est important : les agents échangent de la prévisibilité contre de la flexibilité ; la littératie des agents couvre les vérifications à faire avant de déléguer. Terme associé : contrôle humain (26).

24. Model Context Protocol (MCP). Un protocole ouvert pour connecter des applications d’IA à des données et à des outils. Dans la spécification (dernière révision 2026-07-28), les hôtes sont les applications de modèles, les clients sont les connecteurs qu’elles contiennent, et les serveurs exposent des ressources, des prompts et des outils via JSON-RPC 2.0. Pourquoi c’est important : la spécification indique que les utilisateurs « doivent consentir explicitement à tous les accès aux données et à toutes les opérations, et les comprendre » ; demandez comment un produit s’y prend. Terme associé : utilisation d’outils (22).

25. Injection de prompt (prompt injection). Une attaque qui supplante les instructions d’un modèle. La forme indirecte dissimule des instructions dans un contenu que le système ingère, comme une page web, et un jailbreak est une forme d’attaque par prompt directe (NIST AI 100-2). Pourquoi c’est important : tout outil qui lit du contenu extérieur peut être piloté par ce contenu. Terme associé : prompt système (12).

26. Contrôle humain (human oversight). L’exigence de l’AI Act de l’UE (article 14) selon laquelle les systèmes à haut risque doivent être conçus de façon à ce que des personnes physiques puissent effectivement les contrôler pendant leur utilisation. Pourquoi c’est important : quelqu’un doit pouvoir comprendre et corriger la sortie, à temps. Terme associé : déployeur (39).

Famille 5 : comment savoir si un modèle est bon ? (termes 27-31)

27. Benchmark (banc d’essai). Un jeu de tests public et figé pour comparer des modèles ; les auteurs de HELM notent que les benchmarks « orientent l’IA » (Liang et al., 2023). Pourquoi c’est important : il mesure sa propre tâche, rarement la vôtre. Terme associé : eval (28).

28. Eval (évaluation). Un test construit pour votre tâche, avec des critères de réussite explicites et des cas notés, des vérifications par correspondance exacte jusqu’à la notation par un modèle (documentation d’Anthropic). Pourquoi c’est important : vos propres cas de test valent mieux qu’un classement ; voir la compétence d’évaluation. Terme associé : benchmark (27).

29. Contamination des données (data contamination). Des éléments de test qui fuient dans les données d’entraînement et gonflent les scores ; les auteurs de HELM signalent « le risque de contamination entre entraînement et test » et précisent que l’ampleur du phénomène reste mal comprise. Pourquoi c’est important : un score élevé sur un ancien benchmark public est une preuve faible. Terme associé : benchmark (27).

30. Red teaming (tests adverses). Des exercices structurés qui sondent un modèle ou un système à la recherche de comportements indésirables et mettent ses garde-fous à l’épreuve (NIST AI 600-1). Pourquoi c’est important : demandez qui a soumis le produit au red teaming et ce qui a changé ensuite. Terme associé : injection de prompt (25).

31. Fiche de modèle (model card). Un court document accompagnant un modèle, qui rend compte de ses performances évaluées selon différentes conditions et différents groupes (Mitchell et al., 2019). Pourquoi c’est important : c’est là que les limites sont divulguées ; pas de fiche, c’est acheter à l’aveugle. Terme associé : benchmark (27).

Famille 6 : combien coûte l’exécution ? (termes 32-34)

32. Modèle à poids ouverts (open-weight model). Un modèle dont les paramètres, y compris les poids, sont publics. Les considérants de l’AI Act de l’UE lient les exceptions open source à la publication des poids, de l’architecture et des informations d’utilisation, et les refusent aux modèles présentant un risque systémique. Pourquoi c’est important : l’hébergement local donne le contrôle des données, mais vous transfère la sécurité et les mises à jour. Terme associé : risque systémique (37).

33. Latence et délai jusqu’au premier token (time to first token, TTFT). La latence est le délai entre le prompt et la sortie ; le TTFT est le temps qui s’écoule jusqu’à l’apparition du premier token (glossaire d’Anthropic). Pourquoi c’est important : le TTFT façonne la vitesse perçue dans un chat. Terme associé : inférence (16).

34. Tokens d’entrée et de sortie (input and output tokens). Ce que vous envoyez et ce que le modèle génère ; la documentation de Google indique que le coût de Gemini API est déterminé en partie par les deux. Pourquoi c’est important : les sorties longues et le raisonnement sont aussi facturés ; un prix d’entrée bas peut donc masquer une tâche coûteuse. Terme associé : token (10).

Famille 7 : qui est responsable au regard de la loi ? (termes 35-40)

35. Système d’IA (AI system). La définition maîtresse de l’AI Act de l’UE (article 3(1)) : un système automatisé, doté de différents niveaux d’autonomie, qui déduit des entrées la manière de générer des sorties pouvant influencer des environnements physiques ou virtuels, en suivant de près la formulation de l’OCDE de 2024. Pourquoi c’est important : si un outil n’est pas un système d’IA, l’essentiel du règlement ne s’applique pas. Terme associé : inférence (16).

36. Modèle d’IA à usage général (general-purpose AI model). Un modèle présentant une généralité significative et capable d’exécuter de manière compétente un large éventail de tâches distinctes (article 3(63)). Pourquoi c’est important : ses obligations incombent au fournisseur du modèle, pas à l’entreprise qui utilise un produit construit dessus. Terme associé : modèle de fondation (1).

37. Risque systémique (systemic risk). Un risque propre aux capacités à fort impact des modèles à usage général les plus avancés, dont les effets peuvent se propager à grande échelle (article 3(65)). Une capacité à fort impact est présumée lorsque la puissance de calcul d’entraînement dépasse 10^25 opérations en virgule flottante (article 51(2)). Pourquoi c’est important : ces modèles imposent des obligations supplémentaires à leurs fournisseurs. Terme associé : red teaming (30).

38. Fournisseur (provider). Quiconque développe un système d’IA ou un modèle à usage général, ou le fait développer, et le met sur le marché ou en service sous son propre nom ou sa propre marque (article 3(3)). Pourquoi c’est important : apposer votre marque sur un outil développé pour vous peut faire de vous le fournisseur. Terme associé : déployeur (39).

39. Déployeur (deployer). Toute personne utilisant un système d’IA sous sa propre autorité, sauf dans le cadre d’une activité personnelle à caractère non professionnel (article 3(4)). Pourquoi c’est important : la plupart des employeurs qui utilisent des outils d’IA sont des déployeurs ; la nouvelle littératie technique couvre les obligations de l’exploitant. Terme associé : contrôle humain (26).

40. Littératie en IA (AI literacy). Les compétences, les connaissances et la compréhension nécessaires à un déploiement éclairé de l’IA et à la conscience de ses opportunités et de ses risques (article 3(56)) ; depuis l’Omnibus, l’article 4 exige des mesures pour soutenir son développement. Pourquoi c’est important : un glossaire partagé est une composante concrète de cette obligation. Terme associé : déployeur (39).

D’où viennent réellement les 40 définitions ?

Famille Termes Texte juridique ou normatif Article de recherche Documentation de fournisseur ou de projet
1. Construction des modèles 9 1 5 3
2. Entrées et contexte 6 1 2 3
3. Sorties et erreurs 6 2 2 2
4. Agents et outils 5 2 0 3
5. Évaluation 5 1 3 1
6. Coût et déploiement 3 1 0 2
7. Gouvernance et droit 6 6 0 0
Total 40 14 12 14

Analyse CEOtudent des sources ci-dessous : chaque terme classé selon son ancrage principal, reproduit dans calc.py.

Le droit définit qui est responsable ; la recherche définit comment la technologie fonctionne ; mais les unités qui fixent votre facture et vos limites (token, fenêtre de contexte, latence, tokens facturés) sont définies par les entreprises qui facturent dans ces unités. Obtenez ces définitions par écrit.

Quels 10 termes apprendre en premier selon votre rôle ?

Rôle 10 premiers termes (par numéro) Pourquoi cet ensemble
Manager 2, 11, 18, 23, 26, 28, 35, 38, 39, 40 Délégation, contrôle et rôles juridiques
Freelance ou indépendant 2, 6, 10, 11, 14, 15, 17, 20, 22, 34 Qualité de sortie par unité de coût et de temps
Analyste 10, 11, 13, 14, 18, 19, 20, 27, 28, 29 Récupération, détection des erreurs, preuves de qualité
Acheteur d’outils d’IA 1, 10, 11, 25, 31, 32, 33, 34, 38, 39 Unités, transparence, sécurité, obligations légales

Cadre éditorial CEOtudent. Les ensembles par rôle relèvent du jugement éditorial, pas de données d’enquête.

L’habitude de l’étudiant : une famille par semaine, en écrivant une phrase par terme à propos d’un outil que vous utilisez ; le terme sur lequel vous ne parvenez pas à écrire est le prochain à étudier. Choisir un modèle par tâche est l’étape suivante, traitée dans le guide de routage des modèles.

Que vérifier avant de signer un contrat avec un fournisseur d’IA ?

Posez vos questions par écrit.

# Terme Question pour le fournisseur Réponse signal d’alerte
1 Token (10) Quel tokenizer compte notre consommation, et pouvons-nous compter le texte avant facturation ? « Environ quatre caractères », aucun outil de comptage
2 Fenêtre de contexte (11) Quelle est la fenêtre de notre offre, et que se passe-t-il si nous la dépassons ? Seul le maximum de l’offre la plus haute est cité
3 Tokens d’entrée et de sortie (34) Les étapes de raisonnement et les résultats d’outils sont-ils facturés, et à quel tarif ? Seul le prix d’entrée est cité
4 Modèle de fondation (1) Quel modèle et quelle version nous servent, et comment sommes-nous informés des changements ? « Nous utilisons toujours le meilleur modèle »
5 Fine-tuning (6) Nos données serviront-elles à entraîner ou à ajuster un modèle ? Aucune réponse écrite
6 Ancrage (20) Les réponses citent-elles le passage exact sur lequel elles s’appuient ? Citations de documents entiers uniquement
7 Injection de prompt (25) Comment sont traitées les instructions dissimulées dans les documents ingérés ? « Notre modèle est sûr »
8 Fiche de modèle et eval (31, 28) Pouvons-nous consulter la fiche de modèle et lancer d’abord notre propre jeu de tests ? Uniquement des scores de classement
9 Fournisseur et déployeur (38, 39) Au sens de l’AI Act de l’UE, qui est le fournisseur, et qu’attendez-vous de nous en tant que déployeur ? Question jugée sans importance
10 Contrôle humain (26) Où une personne peut-elle examiner, annuler ou arrêter une action ? Uniquement un tableau de bord a posteriori

Cadre éditorial CEOtudent.

Ce que ce glossaire ne fait pas

Il s’agit d’une information générale, pas d’un conseil juridique : savoir si vous êtes fournisseur ou déployeur dépend de faits qu’un glossaire ne peut pas voir. Il ne classe pas les fournisseurs ; le tableau des tokens compare des règles empiriques, pas des décomptes mesurés. Et le vocabulaire n’est pas la maîtrise : connaître le mot « confabulation » du NIST relève de la littératie ; en repérer une lors d’une démonstration commerciale, c’est la compétence.

Questions fréquentes

Faut-il dire « hallucination » ou « confabulation » ?
Les deux. La recherche dit surtout hallucination ; le NIST dit confabulation. Utilisez le cadre de votre public et nommez précisément la défaillance dont vous parlez.

Le Digital Omnibus de 2026 a-t-il modifié les définitions de l’AI Act de l’UE ?
Seulement à la marge : il a réécrit « composant de sécurité » et ajouté des définitions des PME et des petites entreprises de taille intermédiaire. Les définitions de ce glossaire sont inchangées, mais l’obligation de littératie de l’article 4 s’est assouplie et les échéances à haut risque ont été repoussées.

Combien de mots tiennent dans un million de tokens ?
Cela dépend du tokenizer. La règle de Google, de 60-80 mots anglais pour 100 tokens, implique 600 000-800 000 mots pour les modèles Gemini ; les autres tokenizers diffèrent.

Quelle est la différence entre un agent et un workflow ?
Un workflow suit des chemins de code prédéfinis ; un agent décide lui-même de ses étapes et de son utilisation des outils. Les workflows sont plus faciles à tester.

MCP est-il un produit ?
Non. C’est un protocole ouvert ; des produits l’implémentent, avec plus ou moins de soin pour le consentement et les autorisations.

Sources

  1. Regulation (EU) 2024/1689 (Artificial Intelligence Act). Journal officiel de l’Union européenne, 12 juillet 2024. Articles 3, 4, 14, 51 ; considérants 102 et 104.
  2. Regulation (EU) 2026/1744 (Digital Omnibus on AI). Journal officiel de l’Union européenne, 24 juillet 2026.
  3. OECD. Explanatory Memorandum on the Updated OECD Definition of an AI System. OECD Artificial Intelligence Papers No. 8, mars 2024.
  4. NIST. AI Risk Management Framework (AI RMF 1.0), NIST AI 100-1, janvier 2023.
  5. NIST. Generative Artificial Intelligence Profile, NIST AI 600-1, juillet 2024.
  6. NIST. Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations, NIST AI 100-2e2025, mars 2025.
  7. Vaswani, A. et al. Attention Is All You Need. NIPS 2017 (arXiv 1706.03762).
  8. Lewis, P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. 2020 (arXiv 2005.11401).
  9. Ouyang, L. et al. Training language models to follow instructions with human feedback. 2022 (arXiv 2203.02155).
  10. Hinton, G., Vinyals, O. et Dean, J. Distilling the Knowledge in a Neural Network. 2015 (arXiv 1503.02531).
  11. Shazeer, N. et al. Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer. 2017 (arXiv 1701.06538).
  12. Wei, J. et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022 (arXiv 2201.11903).
  13. Bommasani, R. et al. On the Opportunities and Risks of Foundation Models. Stanford CRFM, 2021 (arXiv 2108.07258).
  14. Mikolov, T. et al. Efficient Estimation of Word Representations in Vector Space. 2013 (arXiv 1301.3781).
  15. Ji, Z. et al. Survey of Hallucination in Natural Language Generation. Prépublication ACM Computing Surveys, 2022 (arXiv 2202.03629).
  16. Mitchell, M. et al. Model Cards for Model Reporting. FAT* 2019 (arXiv 1810.03993).
  17. Liang, P. et al. Holistic Evaluation of Language Models. Transactions on Machine Learning Research, 2023 (arXiv 2211.09110).
  18. Anthropic. Documentation de la plateforme Claude : Glossary ; Context windows ; Tool use overview ; Define success criteria and build evaluations. Documentation fournisseur, consultée le 17 novembre 2026.
  19. Anthropic. Building effective agents (19 décembre 2024) ; Effective context engineering for AI agents (29 septembre 2025). Publications du fournisseur.
  20. Google. Understand and count tokens, documentation Gemini API. Documentation fournisseur, consultée le 17 novembre 2026.
  21. OpenAI. How to count tokens with tiktoken, OpenAI Cookbook. Documentation fournisseur, consultée le 17 novembre 2026.
  22. Model Context Protocol. Specification, révision 2026-07-28 ; What is the Model Context Protocol. Documentation du projet, consultée le 17 novembre 2026.

Analyses CEOtudent : les colonnes de tokens calculées, la comparaison de 49 % et le tableau de cartographie des sources. Cadres éditoriaux CEOtudent : la carte des rôles et la liste de vérification contractuelle. Volontairement non utilisés : les affirmations d’enquêtes sur le nombre de travailleurs qui comprennent mal les termes de l’IA (aucune enquête primaire consultée), la formulation de l’ISO/IEC 22989 (non disponible en accès libre) et les tailles de fenêtres de contexte des fournisseurs, traitées dans un article connexe.


Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.

Benzer içerikler