Le vocabulaire de l'IA d'entreprise, sans jargon

Un modèle entraîné sur d'immenses corpus de texte pour prédire le mot suivant — et, ce faisant, rédiger, résumer, coder ou raisonner.

Un grand modèle de langage (Large Language Model) apprend des régularités statistiques du langage à partir de vastes corpus. GPT (OpenAI) et Claude (Anthropic) en sont deux familles. Il ne « sait » rien au sens d'une base de données : il génère la suite la plus probable — d'où la nécessité de l'ancrer sur vos données (voir RAG) et de l'encadrer.

L'unité élémentaire que le modèle lit et produit — un fragment de mot, pas un caractère ni un mot entier.

Un token vaut en moyenne trois à quatre caractères en français. La facturation des API et la taille de la fenêtre de contexte se comptent en tokens : maîtriser leur consommation (mise en cache, découpage, choix du modèle) est un levier direct sur le coût.

La quantité de texte que le modèle peut « garder en tête » en une seule fois — question, documents fournis et réponse comprises.

Une fenêtre de contexte étendue permet d'analyser un contrat-cadre ou un rapport annuel entier sans le découper artificiellement. C'est l'une des forces des modèles récents (Claude, GPT) et un critère de choix pour les usages documentaires lourds.

Une réponse plausible mais fausse, produite avec assurance par le modèle.

Comme un LLM génère la suite la plus probable, il peut inventer une référence ou un chiffre. On la réduit — jamais à zéro — en ancrant les réponses sur des sources vérifiables (RAG), en citant ces sources, et en gardant une validation humaine sur les actions qui engagent.

L'instruction donnée au modèle — et l'art de la formuler pour obtenir un résultat fiable et reproductible.

Un bon prompt cadre le rôle, le format attendu, les contraintes et les exemples. En entreprise, on ne s'arrête pas au prompt bricolé : on versionne les prompts, on les teste sur des jeux d'évaluation et on les traite comme du code.

Ré-entraîner un modèle sur vos propres exemples pour spécialiser son style ou sa tâche.

Le fine-tuning ajuste les poids du modèle sur un jeu de données maison. Il est utile pour un format ou un ton très spécifiques, mais souvent plus coûteux et moins souple que le RAG pour apporter de la connaissance : on tranche au cas par cas, sur preuves.

La transformation d'un texte en vecteur de nombres qui capture son sens, pour le comparer par similarité.

Deux textes proches par le sens ont des embeddings proches. C'est le mécanisme qui permet de retrouver, dans votre base documentaire, les passages pertinents pour répondre à une question — le socle du RAG et de la recherche sémantique.

Un modèle capable de traiter plusieurs types d'entrées — texte, image, parfois audio.

Un modèle multimodal lit un document scanné, décrit une photo de ligne de production ou analyse un tableau. En entreprise, cela ouvre l'analyse de pièces jointes hétérogènes sans chaîne de conversion préalable.

Faire répondre le modèle à partir de vos documents : on récupère les passages pertinents, on les lui fournit, il rédige en s'appuyant dessus.

Le RAG (Retrieval-Augmented Generation) ancre les réponses sur votre corpus plutôt que sur la seule mémoire du modèle : les réponses citent leurs sources, restent à jour quand vos documents changent, et hallucinent moins. C'est l'architecture par défaut pour un assistant d'entreprise fiable.

Un standard ouvert qui connecte les modèles à vos outils et données via des serveurs réutilisables et gouvernés.

Le Model Context Protocol remplace les intégrations ad hoc fragiles par une couche maintenable : un serveur MCP expose proprement un CRM, un ERP ou une base documentaire à un agent, avec les droits qui vont avec. C'est l'une des expertises signatures de Hunter BI.

Un système qui ne se contente pas de répondre : il planifie des étapes et agit dans vos outils pour accomplir une tâche.

Un agent enchaîne des actions — lire un dossier, interroger une base, rédiger un brouillon, déclencher une opération — sous contrôle. La bonne pratique n'est pas la démo autonome, mais l'agent gouverné : réponses sourcées et validation humaine sur ce qui engage.

Une base de données conçue pour stocker des embeddings et retrouver les plus proches d'une requête.

C'est le moteur de recherche par le sens derrière un RAG : elle indexe vos documents sous forme de vecteurs et rend, en quelques millisecondes, les passages les plus pertinents pour une question donnée.

L'interface par laquelle vos applications appellent un modèle par programmation, sans passer par une interface de chat.

L'API (OpenAI, Claude) sert de socle à vos produits et automatisations : appels outillés, traitement par lots, mise en cache des prompts, choix du modèle par tâche. C'est là que se conçoit l'intégration en production — avec observabilité, budgets et évaluations continues.

Les contrôles qui bornent ce qu'un système d'IA a le droit de dire ou de faire.

Filtrage des entrées et sorties, périmètre d'action d'un agent, escalade vers l'humain, journalisation : les garde-fous transforment une capacité brute en système déployable dans une organisation régulée.

Router chaque usage vers le modèle le plus adapté en qualité, coût et latence, au lieu d'en imposer un seul partout.

Un modèle frontière pour les tâches complexes, des modèles plus légers pour les volumes — le tout derrière une couche d'abstraction qui préserve votre réversibilité. C'est un arbitrage d'architecture, pas de mode.

Le cadre qui rend l'usage de l'IA maîtrisable : qui décide, qui est responsable, qu'est-ce qui est tracé.

Registre des modèles en production, classification des risques, propriétaire nommé, preuve capturée automatiquement : sans ce socle, les pilotes meurent parce que personne ne peut les approuver. La gouvernance n'est pas le frein, c'est la piste de décollage.

La première norme internationale de système de management de l'intelligence artificielle.

ISO/IEC 42001 décrit comment piloter l'IA de façon responsable : gestion des risques, rôles, documentation, amélioration continue. C'est une trajectoire structurante pour une organisation qui veut prouver la maîtrise de ses usages — pas un tampon qu'on obtient en un jour.

Le contrôle de l'endroit où vivent vos données et du droit qui s'y applique.

Résidence des données, tenant dédié, règles de rétention, réversibilité : pour un acteur régulé ou public, savoir où sont traitées les données et sous quelle juridiction est souvent une condition d'entrée. Le déploiement souverain répond à cette exigence.

La garantie contractuelle que vos contenus ne servent pas à entraîner les modèles du fournisseur.

Sur les offres entreprise d'OpenAI et d'Anthropic, vos données ne sont pas utilisées pour entraîner les modèles. Nous documentons ces engagements dans votre dossier de conformité et les complétons par des contrôles d'accès et une journalisation adaptés.

La Commission Nationale de contrôle de la protection des Données à caractère Personnel — l'autorité marocaine de protection des données.

Au Maroc, tout traitement de données personnelles relève de la loi 09-08 et du contrôle de la CNDP. Un déploiement d'IA d'entreprise doit s'y conformer : base légale, information des personnes, encadrement des transferts. Nous en tenons compte dès le cadrage.

L'offre entreprise d'OpenAI : ChatGPT avec administration, sécurité et confidentialité de niveau organisation.

SSO, administration centralisée, contrôles de sécurité, contexte étendu, et l'engagement que vos données n'entraînent pas les modèles. C'est l'un des deux produits phares que nous déployons — du cadrage aux connecteurs, à la gouvernance et à l'adoption.

L'offre entreprise d'Anthropic : Claude avec administration, très grand contexte et garanties de confidentialité.

Espaces partagés, SSO, contexte étendu, données non utilisées pour l'entraînement. Adaptée aux corpus volumineux — juridique, finance, technique — et à l'ingénierie via Claude Code et MCP. Le second produit phare que nous mettons au travail dans vos équipes.

Des modèles qui n'écrivent plus seulement du texte : ils exécutent des tâches en pilotant des logiciels.

L'IA agentique planifie et agit — navigue dans une application, remplit un formulaire, produit un livrable — dans un environnement encadré. Claude Cowork (Anthropic) et les capacités « Computer Use » en sont des exemples : la valeur passe du poste du développeur à chaque métier, sous supervision.

Le coût complet d'une plateforme IA sur la durée — pas seulement le prix de licence affiché.

Licences, consommation de tokens, intégration, exploitation, formation : le TCO à trois ans révèle le vrai coût d'un scénario. C'est la base d'un choix de plateforme instruit comme un dossier d'architecture, chiffres à l'appui.