Glossaire

Tous les termes employés dans le programme, expliqués simplement.

Tu débutes ? Lis la première leçon. Aucun compte nécessaire.

Notions d'IA

Agent: Un système d'IA qui enchaîne plusieurs étapes tout seul pour atteindre un but, en choisissant ses tools et en s'adaptant en route.
AGI: L'intelligence artificielle générale, une IA hypothétique aussi capable qu'un humain sur presque toutes les tâches. Très discutée, et pas encore là.
Closed model: Un modèle propriétaire, accessible uniquement par l'API ou l'application de son fournisseur.
Coding agent: Un assistant IA qui a des mains. Il lit des fichiers, les modifie et lance des commandes, en vérifiant les résultats au fur et à mesure.
Compaction: Résumer le début d'une conversation pour libérer de la place dans le context window.
Completion / response: Ce que le modèle renvoie après ton prompt.
Context: Tout ce que le modèle voit à l'instant où il répond : ton prompt, la conversation, les pièces jointes et les notes ajoutées en coulisse.
Context rot: Une défaillance de boucle : l'historique grossit jusqu'à noyer le signal. La parade, c'est de résumer les premiers échanges et d'épingler l'objectif.
Context window: Le maximum de tokens qu'un modèle peut tenir d'un coup, ton prompt et tout ce qu'il a déjà lu compris.
Corpus source: L'endroit où vit la vérité dans un montage RAG : les pages, les documents, les contrats ou les anciens tickets dans lesquels tu vas chercher.
Embedding: La représentation numérique d'un texte, qui permet à un système de chercher par le sens plutôt que par les mots exacts.
Embedding models: Des modèles qui transforment le texte en nombres pour que les tools puissent le chercher par le sens. Ils travaillent en coulisse dès qu'un assistant est branché à tes documents.
Fine-tuning: Un training supplémentaire et spécialisé, ajouté par-dessus un modèle de base pour coller à un usage précis.
Frontier model: Le modèle le plus gros, le plus récent et le plus capable d'un fournisseur.
Generation: La dernière étape du RAG : on glisse les passages trouvés dans le prompt et l'IA répond à partir de ce context.
Gradient descent: Le procédé de training par lequel un modèle ajuste petit à petit des milliards de paramètres internes, jusqu'à bien prédire le mot suivant.
Inference: Chaque fois que tu te sers vraiment du modèle. Tu envoies un prompt, il traverse des paramètres figés et produit un résultat.
LLM: Grand modèle de langue, la technologie derrière les assistants de chat comme ChatGPT, Gemini et Claude.
Long context: Ce qu'un assistant peut tenir dans une seule conversation. Un long context avale l'équivalent d'une petite bibliothèque d'un coup.
MCP (Model Context Protocol): Une façon standard, pour les applications d'IA, de se brancher à des tools, des données et des services extérieurs. Pense à l'USB de l'IA.
Memory: Une fonction qui retient certains faits te concernant et les remet dans le context au début des conversations suivantes.
Modèles d'image: Des modèles qui génèrent des images à partir d'une description écrite, comme DALL-E, Midjourney ou Stable Diffusion.
Modèles vocaux: Des modèles qui passent de la voix au texte et inversement, comme Whisper pour la transcription et ElevenLabs pour la synthèse vocale.
Multimodal: Des modèles qui gèrent autre chose que le texte, comme les images, et parfois l'audio ou la vidéo.
Open weights: Un modèle dont tu peux télécharger les paramètres pour le faire tourner toi-même.
Prédiction du mot suivant: Le principe de fond d'un LLM. Il prédit le mot suivant le plus probable, encore et encore, jusqu'à former une réponse utile.
RAG (Retrieval-Augmented Generation): Le système commence par chercher dans tes documents ou sur le web, puis le modèle répond à partir de ce qu'il a trouvé.
Session: Une conversation d'un seul tenant. Un nouveau chat démarre avec un context vide.
System prompt: Les instructions qui fixent le rôle et les règles de l'IA au début d'une conversation.
Token: Les petits fragments de texte qu'un assistant lit et écrit, à peu près 3/4 de mot. La longueur et le coût se comptent en tokens.
Tool: Une connexion qui permet à l'IA de faire autre chose que du texte : chercher, calculer, ou atteindre un autre système.
Training: Le processus coûteux, et unique, par lequel un modèle apprend des régularités sur des quantités énormes de texte. C'est l'affaire des fournisseurs, pas la tienne.
Training cutoff: La date après laquelle le modèle ne sait plus rien de son training. Il rate donc tout ce qui a suivi, sauf si tu le lui dis.

Prompting et techniques

Cadre en quatre éléments: La structure de prompt qui tient la route : rôle, context, tâche, format. On l'appelle aussi CRAFT ou RCTF.
Chain (prompt chaining): Une suite de prompts où chaque résultat devient l'entrée du suivant. Tu pilotes le chain, l'IA exécute chaque étape.
Chain of thought: Demander au modèle de raisonner pas à pas avant de répondre, ce qui améliore la justesse sur les problèmes à plusieurs étapes.
Chargement à la demande: Ne charger les schémas, les specs, les procédures ou les documents que quand une tâche les réclame, en allant les chercher par leur nom.
Chunking: Couper un corpus en passages digestes (256 à 512 tokens, avec 10 à 20 % de recouvrement) pour qu'on puisse aller les chercher.
Contraintes négatives: Dire à l'IA ce qu'il ne faut pas faire. Ça pousse contre ses réflexes, et c'est souvent plus facile que de décrire ce que tu veux.
Couche permanente: Le petit ensemble de choses lues à chaque tour : les contraintes dures, les règles de la maison et la tâche en cours.
Décomposition d'un processus: Découper un processus qui traverse plusieurs équipes en étapes, et décider lesquelles sont des étapes IA, lesquelles sont déterministes, et lesquelles demandent un humain.
Déterminisme ou jugement: Le déterminisme, c'est une étape qui rend le même résultat à chaque fois. Le jugement, c'est une étape qui peut légitimement varier. Marque chaque étape.
Empilement de rôles: Faire analyser une même chose par l'IA sous plusieurs regards d'experts, l'un après l'autre, puis lui faire synthétiser une seule recommandation.
Étape déterministe: Une étape de processus traitée par une logique fixe : une formule, un champ de base de données, ou un script.
Étape IA: Une étape de processus qui demande un jugement variant selon l'entrée. C'est là que ton budget IA est bien dépensé.
Few-shot: Donner au modèle quelques exemples du passage de l'entrée au résultat que tu attends, ce qui rend ses réponses plus fiables.
Formatage du résultat: Garder les résultats intermédiaires lisibles par une machine : tableaux, JSON, champs constants. La prose libre casse les chains.
Journal de prompts: Une collection de prompts qui ont marché, enregistrés au fil du temps et devenus des templates réutilisables pour ton propre travail.
Meta-prompting: Demander à l'IA de critiquer et de réécrire ton prompt pour qu'il donne un résultat plus fiable.
Passage de relais (la jointure): Le moment où le résultat d'une étape devient l'entrée de la suivante. C'est là que les chains cassent le plus souvent, alors mets tes contrôles à la jointure.
Persona: Donner un rôle au modèle pour relever son niveau d'exigence. Ça change la façon dont il répond, pas le fait qu'il ait raison ou tort.
Persona prompts: Donne un rôle à chaque étape, un assistant juridique ou un responsable conformité. Le persona déplace le vocabulaire, la profondeur et le ton.
Planifier puis exécuter: Demander au modèle de planifier et de signaler les manques d'abord, puis de produire le livrable, pour qu'il ne comble pas les trous en devinant.
Préremplir la réponse: Commencer la réponse de l'IA à sa place, ce qui verrouille le format et le ton et réduit beaucoup le drift.
Progressive disclosure: Charger peu en permanence, et le reste seulement quand c'est pertinent. Garde la couche permanente petite.
Prompt: Ce que tu écris à un assistant. Le prompting, c'est l'art de bien demander.
Prompting en plusieurs étapes: Découper le travail en étapes au lieu d'un gros prompt unique. Chaque étape produit un résultat propre et nommé que la suivante réutilise.
Règle d'or: Donne à l'IA autant de context que possible, toujours. De meilleures entrées donnent de meilleurs résultats, à tous les coups.
Retrieval: Choisir les bons passages pour une requête donnée. La recherche hybride, sémantique plus mots-clés, doublée d'un reranker, est le standard en production.
Structured outputs: Demander un schéma précis, du JSON ou un tableau, pour que le résultat soit clair et facile à reprendre par d'autres tools.
Travail par itérations: Traiter l'IA comme une conversation et améliorer le résultat en quelques tours, au lieu d'attendre que le premier jet soit parfait.
Zero-shot: Demander une tâche au modèle sans lui donner le moindre exemple. Ça suffit pour les tâches simples et bien connues.

Construire et mettre en ligne

Agent loop: Le cycle à l'exécution : lire le context, décider, appeler un tool, lire le résultat, décider à nouveau, jusqu'à ce que la tâche soit faite.
AGENTS.md: Le fichier d'instructions standard, reconnu par tous les tools. Mets tes conventions là, comme source unique de vérité.
Anatomie d'un brief: Ce qu'un bon brief d'agent doit contenir : le rôle, le trigger, les entrées, les étapes, le format de sortie et les guardrails.
Branch: Une ligne de travail parallèle dans le même repository. Tu expérimentes sur un branch sans toucher à la ligne principale.
Carte des jointures: La carte des passages de relais d'un processus : qui passe la main, qui la reprend, ce qui se perd, le temps que ça coûte, et où l'IA aurait sa place.
Changelog: Une courte note tenue en bas d'un brief, qui liste les changements de chaque version pour que les autres voient comment il a évolué.
Checkout: Basculer ton dossier de travail sur un branch ou un commit précis. Même repository, autre vue.
CLAUDE.md: Le fichier d'instructions de Claude Code, à la racine du projet ou dans ~/.claude pour le global. Souvent un simple renvoi vers AGENTS.md.
Commit: Un changement enregistré, accompagné d'une note qui dit quoi et pourquoi. L'historique d'un repository est une chaîne de commits.
Context budget: Traiter le context window comme un budget que tu alloues délibérément, en mettant le plus sur ce qui change la réponse.
Contexte caché: Les system prompts, les fichiers de référence, l'historique de la conversation et les passages récupérés dépensent tous des tokens à chaque exécution.
Coût: Le prix de chaque token, en argent, en latence et en attention diluée.
Coût par résultat utile: La dépense totale divisée par les résultats qui n'ont pas eu besoin d'être repris. La métrique de dépense à avoir dans la tête.
Couverture: Une des forces en tension dans un harness : donner au modèle assez d'informations pour agir juste. Trop peu, et il devine ou invente une API.
Défaut de conception: Une défaillance qui tient à l'architecture du workflow. Le correctif, c'est de redécouper les étapes ou de repenser l'ensemble.
Deferred tools: Lister les tools par leur nom et laisser le modèle aller chercher la définition complète quand il en a besoin, pour garder le context léger.
Edge cases: Des entrées valides mais inhabituelles. Un brief doit dire quoi faire des champs manquants, des contradictions et des données sensibles.
Entrées de confiance: Des entrées déjà validées en amont, comme une ligne de base de données au schéma imposé. Tu peux agir dessus directement.
Étape de validation: La première étape d'un chain, celle qui vérifie que chaque champ obligatoire est là et valide. Si un contrôle échoue, elle s'arrête et appelle un humain.
Exploitable ou exact: Exploitable veut dire que les étapes suivantes savent lire le résultat. Exact veut dire que le contenu est juste. Les deux comptent.
Fichier d'instructions: Un fichier de règles permanentes qu'un agent lit avant de se mettre au travail. AGENTS.md est le nom le plus répandu.
Fichiers de référence: Des documents stables, réglementations, guides de style, glossaires, attachés à un assistant personnalisé pour qu'il raisonne avec eux à chaque fois.
Forking: Copier l'agent ou l'assistant partagé par quelqu'un et l'adapter, en héritant de ce que la personne qui l'a construit a appris en le faisant.
Format drift: L'IA rend un résultat dont la forme s'écarte un peu de ce qui était demandé, ce qui casse tout ce qui attendait le format exact en aval.
Frontmatter: Un petit bloc YAML tout en haut d'un fichier, qui donne des informations sur le fichier lui-même.
Harness: Tout ce que tu construis autour d'un modèle : le context que tu lui donnes, les tools qu'il peut appeler, et la boucle dans laquelle il tourne.
Idempotency: Un agent est idempotent si le relancer deux fois sur la même entrée ne fait courir aucun risque. Il rend le même résultat, ou il passe son tour.
Infrastructure (ou simple outil): Un projet dont beaucoup de gens dépendent. À cette échelle, il lui faut un responsable nommé, un comportement documenté, des HITL gates et un plan de maintenance.
Jointure: Le point où l'information passe d'une personne, d'une équipe ou d'un système à un autre. Les jointures perdent du temps et de la qualité.
Limite du modèle: Une défaillance où l'IA n'est simplement pas assez fiable sur la tâche. Le correctif, c'est un contrôle déterministe ou un point de contrôle humain plus serré.
Merge: Réintégrer les changements d'un branch dans la ligne principale, une fois qu'ils sont prêts.
Niveaux de maturité: Les étiquettes des workflows partagés : à tes risques et périls, recommandé (relu), et officiel (maintenu, de niveau production).
Output schema: La définition écrite et précise des champs et des types d'un résultat, posée avant d'écrire le prompt.
Plafond de budget: Une condition d'arrêt qui pose une limite dure en tours, en tokens ou en appels de tools.
Plan de maintenance: Un court document qui nomme le responsable, un remplaçant, le rythme de relecture, les modes de défaillance connus et la façon de tester un changement.
Poids de la réponse: Les tokens de sortie coûtent en général 3 à 5 fois plus cher que ceux d'entrée, donc un modèle bavard par défaut multiplie vite la dépense.
Prêt pour la production: Un workflow testé sur de vraies entrées, avec ses modes de défaillance et ses points de contrôle humains écrits dans le brief, documenté, confié à un responsable, et suivi pour repérer le drift.
Pull request: Un paquet de commits soumis à relecture avant d'être fusionné.
Recall: À quel point le modèle applique vraiment une règle donnée. Les règles enterrées au milieu d'un long context passent à la trappe.
Règle de la deuxième fois: Le jour où tu te vois refaire le même travail une deuxième fois, construis-le comme un agent, pour que la troisième fois il tourne tout seul.
Règle des 50 entrées: Teste un agent sur 50 vraies entrées différentes avant de le laisser tourner sans surveillance. Classe chaque défaillance.
Repository (repo): Un dossier de projet doté d'une mémoire. Il contient les fichiers, les tests et le journal de chaque changement, si bien que rien n'est jamais vraiment perdu.
Skill: Un paquet d'instructions et de documents de référence qui apprend à un assistant à bien faire un travail précis, réutilisable dans toutes les conversations suivantes.
SKILL.md: Le seul fichier obligatoire d'un skill : un frontmatter YAML en haut, avec le nom et la description, puis la procédure dans le corps.
Symlink: Un fichier raccourci qui pointe vers un autre fichier, pour qu'un seul exemplaire réel apparaisse à plusieurs endroits.
Templates à variables: Les briefs de production sont des templates à variables nommées, ce qui les rend inspectables, versionnables et duplicables.
Terminal (shell): La fenêtre de texte où tu tapes des commandes au lieu de cliquer sur des boutons. C'est là que vivent les coding agents.
Test d'objectif: Une condition d'arrêt que l'agent exécute au lieu de l'affirmer : le build passe, ou l'endpoint renvoie 200.
Test suite: Les autocontrôles d'un projet, lancés par une seule commande qui annonce réussi ou échoué.
Triggers: La façon dont un agent démarre : selon un calendrier, à la demande, ou sur événement, par exemple une nouvelle ligne dans une base.
Vibe coding: Fabriquer quelque chose en décrivant ce que tu veux avec des mots simples et en laissant l'IA écrire le code, en pilotant au feeling.
Worktree: Une deuxième copie de travail du même repository, dans son propre dossier et sur son propre branch, pour que deux chantiers ne se marchent jamais sur les pieds.
YAML: Des réglages écrits en lignes étiquetées, du genre name: pdf-export. Lis-le comme un formulaire, pas comme du code.

Risques et sécurité

Actions toujours validées par un humain: Ce qui demande toujours un feu vert humain : l'argent, la santé, la sécurité, les contrats, les termes juridiques, les démarches administratives et le statut légal.
Adversarial testing: Nourrir volontairement un agent d'entrées piégeuses, contradictoires, incomplètes ou malveillantes pendant les tests, pour trouver où il casse.
Adversarial verification: Séparer la fabrication du jugement. Une passe crée, une autre attaque avec pour consigne de réfuter, et seul ce qui survit part en ligne.
AI slop: Du texte ou des images sortis à la chaîne par l'IA, sans le moindre effort. Exactement ce qu'un bon prompting évite.
Aucune avancée: Une défaillance de boucle : l'agent retente la même action qui échoue. Garde la trace de ce qui a été essayé et plafonne les tentatives.
Audit logs: Le relevé de chaque appel de tool MCP, avec l'horodatage, l'appelant, les scopes et le résultat. C'est là que tu vas voir ce que l'IA a fait.
Blast radius: L'étendue des systèmes qu'un agent peut toucher si quelque chose tourne mal. Un agent connecté demande des points de contrôle plus serrés.
Confidence calibration: Faire noter à l'IA sa propre confiance, haute, moyenne ou basse, avec une justification, pour savoir quels résultats méritent une relecture.
Contrôle par échantillon: Prélever une part des résultats d'un workflow, 10 % par exemple, et les relire toi-même.
Drift: Quand les résultats d'un modèle se dégradent doucement parce que la forme des entrées a changé. C'est silencieux, et ça ne se voit qu'en regardant beaucoup de résultats.
Drift (loop): Une défaillance de boucle : l'agent oublie l'objectif et se met à optimiser une sous-tâche. Redonne l'objectif en fin de context.
Faux avec aplomb: Une réponse qui a l'air sûre d'elle mais qui est fausse de façon subtile, sur le même ton que les réponses justes.
Guardrails: Les règles et les vérifications qui empêchent l'IA de faire des choses risquées.
Hallucination: Quand un assistant affirme une chose fausse avec un aplomb total. Toujours bon à vérifier.
HITL gate: L'agent s'arrête et une personne relit avant qu'il agisse. Obligatoire pour les actions irréversibles ou peu sûres.
Human-in-the-loop (HITL): Une personne relit ou valide le résultat de l'IA avant toute action, surtout sur les étapes réglementées, irréversibles ou à fort impact.
Hygiène des données: Les habitudes de manipulation des informations privées avec l'IA. Laisse les données sensibles là où elles vivent au lieu de les coller dans un tool que tu ne contrôles pas.
Jailbreak: Un prompt fabriqué pour contourner les guardrails de sécurité d'une IA. N'essaie pas : ces guardrails te protègent, toi et les autres.
Mauvais arrêt: Une défaillance de boucle : l'agent s'arrête trop tôt, ou ne s'arrête jamais. La parade, c'est un test d'arrêt explicite.
Mise en pause automatique: Un disjoncteur qui arrête un agent quand l'exactitude relevée sur un échantillon passe sous un seuil fixé, jusqu'à ce qu'un humain le réactive.
Procédure d'escalade: Le chemin prévu pour un cas signalé : qui est prévenu, comment, et avec quel contexte. Chaque point de contrôle humain a besoin du sien.
Prompt injection: Des instructions malveillantes cachées dans un contenu que l'IA va lire, pour détourner ce qu'elle fait.
Règle intangible: Ne colle jamais de coordonnées bancaires, d'identifiants, de numéros de pièce d'identité, ni rien de privé qui ne t'appartienne pas, dans un tool d'IA généraliste.
Revocation: Retirer les scopes d'une connexion MCP quand un workflow est mis hors service, pour que les connexions dormantes ne s'accumulent pas.
Scopes: Les autorisations par action qu'un serveur MCP expose, par exemple read_employees séparé de update_employee. N'accorde que le minimum.
Seuil de confiance: Un niveau en dessous duquel l'agent s'arrête et passe la main au lieu d'agir.

Tools et assistants

Agent intégré à l'espace de travail: Un agent qui vit dans un tool comme Notion, et qui lit et écrit ses pages et ses bases.
AI agent: Un brief enregistré qui fait tourner un travail récurrent tout seul, selon un calendrier, à la demande ou sur événement.
Artifacts: Une fonction de Claude qui génère du code, des documents, des slides et des résultats interactifs dans un panneau latéral modifiable.
Assistant enregistré et réutilisable: Un assistant personnalisé que tu configures une fois et que tu réutilises, comme un Custom GPT, un Gem ou un Claude Project.
Assistant IA: Ton tool de chat indépendant : ChatGPT, Gemini, Claude ou Grok. Il réagit, tu demandes et il répond.
Assistant intégré à l'appli: De l'IA intégrée à une appli que tu utilises déjà, comme Gmail, Notion ou Word. Elle agit sur la page ouverte.
ChatGPT: L'assistant d'OpenAI, gratuit sur chatgpt.com. Un touche-à-tout fiable, avec la plus grande communauté d'utilisateurs.
Claude: L'assistant d'Anthropic, gratuit sur claude.ai. Fort sur l'écriture longue, l'analyse de gros documents et les raisonnements difficiles.
Claude Projects: Des espaces de travail Claude qui durent, avec des documents de référence dont Claude se souvient dans toutes les conversations.
Co-pilot: De l'IA qui travaille à côté de toi dans un tool, en suggérant au fil de l'eau pendant que tu gardes la main.
Connectors: Les liens qui permettent à Claude de se brancher à des tools comme Drive, Gmail, Slack, GitHub et Linear, avec ton autorisation.
Custom GPTs: Les assistants enregistrés et réutilisables de ChatGPT, que tu configures une fois et que tu réutilises ensuite.
Deep Research: Un mode qui mène une enquête étendue sur de nombreuses sources, pendant plusieurs minutes, et rend un rapport écrit et sourcé.
Gemini: L'assistant de Google, gratuit sur gemini.google.com. Le plus fort quand l'entrée est volumineuse, mélangée ou visuelle, et il tourne dans Google Workspace.
Gems: Les assistants personnalisés enregistrés et réutilisables de Gemini, que tu configures une fois et que tu réutilises ensuite.
Grok: L'assistant de xAI, gratuit sur grok.com. Branché sur X et sur le web en direct, le plus fort sur l'actualité.
Plateforme d'automatisation: Un tool sans code, Zapier ou Make, qui recopie des données d'une appli à l'autre selon un calendrier.

Travailler avec l'IA

AI-pilled: Conquis par l'IA. Dès que ça marche sur une tâche, tu te mets à y penser pour tout le reste. Ça se dit avec un clin d'œil.
Aisance avec l'IA: La capacité de travailler avec l'IA, de construire dessus et de penser à ses côtés. La compétence la plus rentable de la décennie.
Désormais, n'importe qui peut créer: Quiconque construit un workflow avec l'IA est un créateur, quel que soit son intitulé de poste.
État d'esprit 100x: Le nouveau rythme : les mois deviennent des jours, les jours des heures. Quand le coût est divisé par cent, des choses nouvelles deviennent possibles.
Le travail doit disparaître: L'état d'esprit qui veut que l'IA efface des catégories entières de travail, en supprimant carrément des tâches.
Réapprendre à apprendre: La méta-compétence qui consiste à continuer d'apprendre à mesure que les anciennes expertises s'automatisent. Le nouveau rempart.
Recoupement: Passe la même question importante dans deux tools et compare. S'ils sont d'accord, ta confiance monte. S'ils divergent, tu as mis le doigt sur quelque chose à creuser.
Réflexe IA d'abord: Passer 30 secondes, sur chaque nouvelle tâche, à se demander comment l'IA pourrait aider, avant de la faire à la main.
Règle des 80 %: Commence par ton assistant IA, pour tout. Le tool intégré à l'appli est un raccourci bien pratique dont tu peux te passer.