Un prestataire vous parle d’agents, de jetons et d’affinage. Vous hochez la tête. Trois semaines plus tard, vous signez un devis dont vous ne comprenez toujours pas la moitié des lignes.
Ce lexique existe pour éviter ça. Dix mots, ce qu’ils désignent réellement, et surtout ce qu’ils changent pour vous — en temps, en coût, en risque.
Précision utile : la France a des équivalents officiels, publiés au Journal officiel le 6 septembre 2024 par la Commission d’enrichissement de la langue française. Nous les indiquons quand ils existent.
1. Grand modèle de langage
En anglais : LLM, large language model. Terme officiel français : grand modèle de langage, ou GML.
C’est le moteur. Un système entraîné sur d’immenses volumes de texte, qui calcule quelle suite de mots a le plus de chances de venir après celle qui précède. GPT, Claude, Mistral, Gemini : ce sont des grands modèles de langage.
Ce que ça change pour vous : vous ne choisissez pas seulement un prestataire, vous choisissez aussi un modèle — et donc un fournisseur, un prix au volume, et un pays d’hébergement. Demandez lequel, et pourquoi celui-là.
2. Instructions
En anglais : prompt. Terme officiel français : instructions génératives.
Ce que l’on dit au modèle pour obtenir ce qu’on veut. Dans un outil professionnel, ces instructions ne sont pas tapées par l’utilisateur : elles sont écrites, testées et versées dans le produit par celui qui le construit.
Le piège : une prestation qui se résume à écrire de bonnes instructions n’est pas un développement. C’est du paramétrage. Utile, souvent suffisant — mais ça ne se facture pas comme du logiciel.
3. Jeton
En anglais : token. Terme officiel français : jeton textuel.
L’unité de découpage du texte. Un modèle ne lit pas des mots mais des fragments : environ trois jetons pour quatre mots en français.
Ce que ça change pour vous : c’est votre unité de facturation. Tout ce que le système lit et tout ce qu’il écrit se paie au jeton. Un assistant qui relit chaque fois l’intégralité d’un dossier de 200 pages coûte cent fois plus cher qu’un assistant qui ne relit que le paragraphe utile. C’est une question d’architecture, et elle se voit sur la facture mensuelle.
4. Fenêtre de contexte
La quantité de texte que le modèle peut garder sous les yeux en une fois. Au-delà, il ne « déborde » pas : il oublie le début.
Le piège : beaucoup de démonstrations impressionnantes tiennent parce que le cas testé rentre dans la fenêtre. Demandez ce qui se passe avec vos volumes réels, pas avec l’exemple du commercial.
5. Hallucination
Le modèle produit une réponse fausse avec le même aplomb qu’une réponse juste. Ce n’est pas un bogue que l’on corrige : c’est une propriété de la technologie, qu’on encadre.
Ce que ça change pour vous : la seule question qui vaille n’est pas « est-ce que ça hallucine ? » — la réponse est oui — mais « qu’avez-vous mis en place pour que ça ne parte pas chez mon client ? ». Un prestataire qui vous promet zéro hallucination vous ment, ou ne sait pas de quoi il parle.
6. Accès à vos documents
En anglais : RAG, retrieval-augmented generation.
Le modèle ne connaît pas votre entreprise. Cette technique lui donne accès à vos documents au moment de répondre : il va chercher les passages pertinents, puis rédige à partir d’eux.
Ce que ça change pour vous : c’est la réponse à 90 % des projets d’entreprise, et c’est bien moins cher que la solution suivante. Les réponses peuvent citer leurs sources — exigez-le, c’est ce qui rend le système vérifiable.
7. Affinage
En anglais : fine-tuning.
Ré-entraîner un modèle sur vos données pour modifier son comportement en profondeur.
Le piège : c’est cher, long, et il faut recommencer à chaque évolution du modèle. On vous le proposera parfois pour un besoin que l’accès aux documents résoudrait pour un dixième du prix. Demandez pourquoi l’un plutôt que l’autre. Si la réponse est floue, la question mérite d’être reposée.
8. Agent
Le mot le plus galvaudé du secteur. Un agent, c’est un système qui ne se contente pas de répondre : il agit. Il consulte un outil, écrit dans une base, envoie un message, enchaîne plusieurs étapes vers un objectif.
La distinction qui compte : une automatisation suit un chemin que vous avez défini à l’avance. Un agent choisit son chemin. La première est prévisible et se teste ; le second est souple et peut vous surprendre. Beaucoup de « solutions agentiques » vendues aujourd’hui sont des automatisations — ce qui est souvent une bonne nouvelle, mais devrait se refléter dans le prix.
9. Orchestration multi-agents
Plusieurs agents spécialisés travaillent ensemble sous une règle commune : l’un analyse, l’autre rédige, un troisième contrôle avant que quoi que ce soit ne sorte.
Ce que ça change pour vous : l’intérêt n’est pas d’avoir plusieurs agents, c’est d’avoir une chaîne de commandement. Qui valide quoi, qu’est-ce qui bloque en cas de doute, qu’est-ce qui remonte à un humain. Demandez ce schéma. S’il n’existe pas, ce ne sont pas des agents orchestrés, ce sont des agents en liberté.
10. Humain dans la boucle
Le point où une personne valide avant que le système n’agisse.
Ce que ça change pour vous : c’est votre principal levier de réduction du risque, et il est réglable. Validation sur tout, sur les seuls cas sensibles, ou sur rien du tout. Placez ce curseur vous-même plutôt que de le découvrir après le premier incident.
Les trois questions à poser à votre prestataire
Qui décide quoi ? Faites-vous décrire ce que la machine tranche seule et ce qui remonte à un humain. Une réponse précise en dit plus long sur le sérieux d’une équipe que n’importe quelle démonstration.
Que coûte le mois prochain ? Le développement se facture une fois, l’usage se facture toujours. Demandez une estimation mensuelle à votre volume réel, pas au volume de la démo.
Où vont mes données ? Quel fournisseur, quel pays, quelle durée de conservation, et servent-elles à entraîner quoi que ce soit. La réponse doit être écrite, pas orale.
Vous avez un projet et le vocabulaire vous bloque plus que le sujet lui-même ? C’est exactement ce que nous démêlons en audit. Écrivez-nous.