Un Large Language Model (LLM) est un modèle de langage neuronal entraîné sur des corpus de texte massifs — souvent plusieurs centaines de milliards de tokens — à l’aide de l’architecture Transformer (Vaswani et al., 2017). Il prédit la probabilité du token suivant dans une séquence, ce qui lui permet de générer du texte cohérent, répondre à des questions, raisonner et coder. GPT-4 (OpenAI), Claude (Anthropic), Gemini (Google) et Mistral en sont les exemples les plus utilisés en contexte professionnel.

Le prompt engineering est la discipline consistant à concevoir, structurer et optimiser les instructions envoyées à un LLM pour obtenir des outputs précis, fiables et exploitables. Il recouvre les techniques de zero-shot prompting (instruction directe), few-shot (exemples fournis), Chain-of-Thought (raisonnement étape par étape), role prompting (attribution d’un rôle expert) et structuration en XML ou JSON pour des sorties parsables. C’est la compétence transversale n°1 pour tout professionnel utilisant l’IA générative.

Un token est la plus petite unité de traitement textuel d’un LLM. En anglais, il correspond environ à 4 caractères ou ¾ d’un mot ; en français, les mots accentués et les mots composés augmentent ce ratio. Les modèles disposent d’une fenêtre de contexte exprimée en tokens (ex. : 200 000 tokens pour Claude 3.5) et facturent à l’usage par nombre de tokens en entrée (input) et en sortie (output). La gestion des tokens conditionne les coûts, la quantité de documents analysables en une passe et la complexité des tâches automatisables.

Un embedding est une représentation vectorielle dense d’un texte (mot, phrase ou document entier) dans un espace de haute dimension (souvent 1 536 à 3 072 dimensions). Des textes sémantiquement proches ont des vecteurs proches au sens de la distance cosinus. Les embeddings constituent la brique de base des moteurs de recherche sémantique, des architectures RAG et des systèmes de recommandation. Ils permettent de comparer des concepts même formulés différemment.

L’hallucination désigne la tendance d’un LLM à générer des affirmations factuellement incorrectes présentées avec assurance. Elle résulte du fait que le modèle optimise la plausibilité statistique du texte, non sa vérité. Elle peut porter sur des faits (dates, chiffres), des citations (attribuées à tort à des auteurs), des références bibliographiques inexistantes ou des décisions jurisprudentielles inventées. En 2023, deux avocats américains ont déposé des jurisprudences hallucina halluchinées par ChatGPT auprès d’un tribunal fédéral (affaire Mata v. Avianca).

Le RAG (Lewis et al., 2020) est une architecture hybride qui augmente un LLM d’un module de recherche documentaire. À chaque requête, les passages les plus pertinents d’une base de connaissances interne sont récupérés par similarité d’embeddings, puis injectés dans le contexte du LLM qui génère la réponse en s’appuyant dessus. Le modèle cite ses sources et ne fabrique pas d’informations hors de la base fournie. C’est l’architecture fondamentale des chatbots d’entreprise, assistants juridiques et RH internes.

Le fine-tuning (affinage) consiste à reprendre un modèle pré-entraîné (foundation model) et à le ré-entraîner sur un corpus métier spécialisé pour adapter son comportement, son vocabulaire et son style. Il peut être total (full fine-tuning, coûteux) ou partiel via LoRA ou QLoRA qui n’ajustent qu’une petite fraction des paramètres. Il est pertinent quand le prompt engineering ne suffit pas : jargon très spécifique, format de sortie rigide, connaissance propriétaire sensible.

Un modèle multimodal traite simultanément plusieurs types de données : texte, images, audio, vidéo, voire code et données structurées. Contrairement aux modèles unimodaux, il dispose d’encodeurs spécifiques à chaque modalité, reliés à un espace latent commun. GPT-4o, Claude 3.5 Sonnet et Gemini 1.5 Ultra sont les modèles multimodaux de référence. Les cas d’usage professionnels incluent l’analyse de documents mixtes (rapports avec graphiques), la génération de visuels et l’extraction d’informations de factures scannées.

Un agent IA est un système combinant un LLM (cerveau), des outils (APIs, moteurs de recherche, bases de données), une mémoire et une capacité de planification pour accomplir de façon autonome des objectifs complexes. Il opère en boucles observation-décision-action sans intervention humaine constante. Un agent peut, par exemple, recevoir un objectif (« prépare un rapport de veille concurrentielle »), chercher des sources, les synthétiser, les structurer et envoyer le rapport par e-mail, de bout en bout.

Le MCP (Anthropic, novembre 2024) est un protocole open source standardisant la façon dont les LLM interagissent avec des outils et sources de données externes. Il définit une interface client-serveur universelle, permettant à n’importe quel modèle de se connecter à n’importe quel outil (fichiers locaux, Google Drive, Slack, GitHub, bases de données SQL) sans développement ad hoc. Le MCP est à l’IA agentique ce que HTTP est au web : un standard d’interopérabilité universel.

L’orchestrateur est le composant central d’une architecture multi-agents. Il reçoit un objectif de haut niveau, le décompose en sous-tâches, assigne chacune à un agent spécialisé (agent de recherche, agent de rédaction, agent de vérification), supervise l’exécution, gère les erreurs et agrège les résultats partiels en un livrable cohérent. L’orchestrateur est l’équivalent numérique d’un chef de projet.

Le Tool Use (ou function calling) est la capacité d’un LLM à appeler des fonctions externes définies par le développeur et à intégrer leurs résultats dans sa réponse. Le modèle décide lui-même quand et quel outil utiliser selon la requête. Exemples : lancer une recherche web, interroger une base de données SQL, effectuer un calcul, envoyer un e-mail ou déclencher une action dans un ERP. Le Tool Use transforme le LLM d’un système de génération passif en système actif capable d’actions.

La mémoire d’un agent désigne sa capacité à stocker et récupérer des informations au-delà de la fenêtre de contexte immédiate. On distingue trois types : la mémoire à court terme (la conversation en cours, dans la fenêtre de contexte), la mémoire à long terme (base vectorielle persistante entre les sessions) et la mémoire épisodique (historique des actions passées, succès et erreurs). Sans mémoire persistante, chaque interaction repart de zéro.

La boucle agentique (agentic loop) est le cycle d’exécution autonome d’un agent IA : (1) Observer l’environnement et la tâche, (2) Planifier les actions nécessaires, (3) Exécuter une action, (4) Évaluer le résultat obtenu, (5) Corriger si nécessaire, puis recommencer. Cette boucle itère jusqu’à l’atteinte de l’objectif ou l’activation d’un critère d’arrêt. Chaque itération constitue un point de contrôle possible pour une intervention humaine (human-in-the-loop).

La planification désigne la capacité d’un agent à décomposer un objectif de haut niveau en séquences d’actions exécutables. Les principales méthodes incluent Chain-of-Thought (raisonnement linéaire étape par étape), Tree-of-Thought (exploration d’arbres de décision pour évaluer plusieurs chemins), ReWOO (plan global élaboré avant exécution) et LLM-MCTS (Monte Carlo Tree Search guidé par LLM). La qualité de la planification détermine directement la valeur du résultat sur les tâches complexes.

ReAct (Yao et al., 2022) est un paradigme de prompt engineering qui invite le LLM à alterner explicitement des étapes de raisonnement (Thought : « Je dois chercher… »), d’action (Act : « Recherche web : … ») et d’observation (Observation : « Les résultats montrent que… ») avant de produire une réponse finale. Il constitue la base théorique de nombreux frameworks agentiques modernes : LangChain, AutoGen, CrewAI. Le papier original est l’un des plus cités de l’IA appliquée (3 000+ citations).

La gouvernance IA désigne l’ensemble des cadres réglementaires, politiques internes et mécanismes de contrôle encadrant le développement, le déploiement et l’usage de l’IA dans une organisation. Elle couvre : la classification des systèmes par niveau de risque (AI Act européen, 2024), l’audit algorithmique, le registre des usages IA, la désignation d’un AI Officer, les chartes d’usage responsable et la traçabilité des décisions automatisées.

Le Shadow AI désigne l’usage non déclaré et non supervisé d’outils IA par les collaborateurs, en dehors des systèmes officiellement approuvés. Par analogie avec le « Shadow IT », il crée des zones de risque invisibles : fuite de données confidentielles (contrats, données clients, stratégie) vers des LLM tiers hébergés hors UE, non-conformité RGPD, résultats non auditables. Selon Salesforce (2024), 55 à 70 % des salariés utilisant l’IA professionnellement ne l’ont pas déclaré.

Le change management IA est la discipline accompagnant la transformation des organisations lors de l’intégration de l’IA. Il mobilise les modèles classiques (Kotter 8 étapes, Lewin unfreeze-change-refreeze, ADKAR) adaptés aux spécificités de l’IA : vitesse de changement sans précédent, opacité algorithmique, crainte du remplacement et redéfinition profonde des métiers. L’échec d’adoption de l’IA est rarement technologique : il est avant tout humain et organisationnel (McKinsey, 2023).

La décision augmentée désigne un processus décisionnel où l’IA enrichit le jugement humain sans le remplacer. L’IA analyse des volumes de données impossibles à traiter manuellement, génère des scénarios alternatifs, quantifie les incertitudes et formule des recommandations — tandis que le décideur conserve la responsabilité et l’autorité finale. Ce modèle préserve l’accountability managériale tout en tirant parti de la puissance analytique de l’IA.

L’automatisation cognitive (Intelligent Process Automation) désigne la délégation à l’IA de tâches intellectuelles structurées mais répétitives : synthèse de documents, classification d’e-mails, génération de rapports standardisés, extraction d’informations, réponses aux FAQ. Elle dépasse le RPA (Robotic Process Automation) en ciblant des tâches nécessitant compréhension du langage et raisonnement contextuel. Gain de temps estimé : 40 à 70 % sur les tâches concernées.

L’augmentation humaine désigne le paradigme selon lequel l’IA étend et amplifie les capacités cognitives humaines plutôt que de les substituer. Le « centaure numérique » (humain + IA) dépasse systématiquement les performances de chacun seul sur les tâches complexes. Ce paradigme s’oppose au modèle de substitution totale et fonde la notion de « human-in-the-loop », selon laquelle l’humain reste dans la boucle de décision pour les jugements éthiques et contextuels.

La résistance à l’IA regroupe les comportements individuels et collectifs de rejet, contournement ou sous-utilisation des outils IA dans les organisations. Elle s’explique par : la peur du remplacement (anxiété technologique), la perte d’autonomie perçue, le manque de formation et de confiance, la défiance vis-à-vis de l’opacité algorithmique, et l’inertie des routines organisationnelles. Cette résistance n’est pas irrationnelle : elle traduit souvent des préoccupations légitimes sur l’emploi et la qualité du travail.

L’IA organisationnelle désigne l’intégration de systèmes IA dans les structures, processus et routines d’une organisation au point de modifier sa morphologie. Elle recouvre la redistribution des tâches entre humains et machines, la reconfiguration des structures hiérarchiques (aplatissement ou renforcement ?), l’émergence de nouveaux rôles (prompt engineer, AI Officer) et la disparition d’autres. Ancrée dans la théorie des routines (Nelson & Winter) et des capacités dynamiques (Teece).

L’hyper-personnalisation est l’adaptation en temps réel des contenus, offres, prix et expériences à chaque individu à partir de ses données comportementales, contextuelles et prédictives, grâce à l’IA. Elle dépasse la personnalisation segmentée classique (segment de 10 000 personnes) en ciblant l’ »individu unique » (segment of one). Amazon (30 % du CA via recommandations), Netflix (75 % des contenus visionnés via recommandation) et Spotify en ont fait leur avantage compétitif central.

Le contenu génératif désigne la production automatisée ou semi-automatisée de contenus marketing par des modèles d’IA générative : textes (Claude, GPT-4), images (DALL-E, Midjourney, Flux), vidéos (Sora, Runway, Kling) et voix synthétiques (ElevenLabs). Il réduit les délais de production de 60 à 80 % et permet la personnalisation à grande échelle. Les enjeux incluent les droits d’auteur, l’authenticité de la marque et le risque de dévaluation de la création humaine.

Le GEO (Generative Engine Optimization) est la discipline d’optimisation de contenus pour être cité comme source par les IA génératives (ChatGPT, Perplexity, Gemini, Copilot). Il complète le SEO traditionnel en répondant aux critères des moteurs génératifs : autorité factuelle vérifiable, structure sémantique dense (définitions précises, FAQ), citations de sources académiques et institutionnelles, format question-réponse et fraîcheur des données. En 2025, 30 à 40 % des recherches passent désormais par des interfaces IA.

Le marketing conversationnel désigne les stratégies marketing fondées sur des interactions dialogiques bilatérales avec le client via chatbots IA, assistants vocaux, agents de messagerie (WhatsApp Business, SMS IA) et interfaces conversationnelles web. Il remplace les formulaires statiques par des échanges personnalisés et contextuels. Résultats mesurés : taux de conversion 2 à 3× supérieurs aux formulaires classiques, réduction du coût d’acquisition de 30 à 40 % (Drift, 2023).

La prédiction comportementale utilise des modèles de machine learning (gradient boosting, deep learning) pour anticiper les actions futures des consommateurs à partir de données historiques comportementales, transactionnelles et contextuelles. Cas d’usage principaux : prédiction d’achat (next best action), scoring de churn (probabilité de départ), prédiction de la valeur vie client (CLV) et détection d’intentions d’achat à partir du comportement de navigation.

L’A/B testing IA dépasse les tests classiques en automatisant la création, le déploiement et l’analyse de variantes. Les algorithmes de bandit contextuel (multi-armed bandit) allouent dynamiquement le trafic vers les variantes performantes sans attendre la fin d’un test. L’IA peut tester simultanément des milliers de variantes (textes, visuels, CTA, prix, mise en page) et personnaliser les variantes par segment comportemental. Google, Booking.com et Amazon maintiennent des centaines de tests actifs en permanence.

Le NLP (Natural Language Processing) appliqué au marketing recouvre : l’analyse de sentiment (positif/négatif/neutre) sur les avis clients et réseaux sociaux, la classification thématique automatique des verbatims, le social listening en temps réel, la détection de tendances émergentes dans les conversations, et la génération automatique de réponses personnalisées aux avis. Un programme NLP marketing peut analyser des millions d’avis en quelques heures, là où une équipe humaine mettrait des mois.

Le Customer Journey IA désigne l’utilisation de l’IA pour cartographier, analyser et optimiser le parcours client omnicanal en temps réel. Elle permet d’identifier automatiquement les points de friction (étapes à fort taux d’abandon), de personnaliser chaque touchpoint selon le profil comportemental du client et de prédire le prochain canal de contact optimal. 73 % des consommateurs utilisent plusieurs canaux avant d’acheter (Harvard Business Review), rendant la vision unifiée du parcours essentielle.

Le recrutement IA désigne l’automatisation du processus de recrutement par des algorithmes : sourcing de candidats sur LinkedIn et jobboards, matching CV/poste par NLP, scoring automatique et conduite d’entretiens vidéo analysés par IA (HireVue, Eightfold, Manatal). Il réduit le délai moyen de recrutement de 40 à 50 %. L’AI Act européen classe certains outils de recrutement IA comme « systèmes à risque élevé », imposant une transparence et une supervision humaine obligatoires.

L’onboarding IA désigne l’intégration de systèmes IA dans le processus d’accueil des nouveaux collaborateurs : agent IA répondant aux questions RH en temps réel (politiques de congés, remboursements, outils), parcours de formation adaptatif selon le profil, automatisation des tâches administratives d’arrivée et suivi de progression. Il réduit le « time-to-productivity » des nouveaux collaborateurs de 20 à 40 % et libère les RH pour la relation humaine.

Les People Analytics désignent l’analyse de données RH quantitatives (absentéisme, mobilité interne, performance, formations) et qualitatives (verbatims d’entretiens annuels, enquêtes pulse) par des modèles statistiques et ML pour améliorer la prise de décision RH. Ils permettent de prédire le turnover 6 à 12 mois à l’avance, d’identifier les facteurs d’engagement, de mesurer l’impact réel des politiques RH et d’optimiser l’allocation des talents.

Les biais algorithmiques sont des systématismes discriminatoires produits ou amplifiés par des algorithmes entraînés sur des données historiques reflétant des inégalités passées. En RH, ils peuvent affecter le recrutement, l’évaluation des performances, les promotions ou la fixation des salaires au détriment de groupes protégés (genre, origine, âge). Le RGPD (article 22) et l’AI Act imposent une obligation de non-discrimination et d’explicabilité pour les décisions automatisées à impact sur les personnes.

L’upskilling IA désigne les programmes de montée en compétences sur l’intelligence artificielle pour les collaborateurs existants. Il couvre l’IA literacy (comprendre les concepts fondamentaux sans coder), le prompt engineering opérationnel, l’utilisation des outils IA métier, et pour les profils techniques, le développement d’applications IA. L’OCDE estime que 27 % des emplois sont à fort risque d’automatisation. Recruter un talent IA externe coûte 3 à 5× plus cher que former un collaborateur existant.

Un HRIS (Human Resource Information System) augmenté intègre des fonctionnalités IA dans le SI RH : gestion prédictive des absences, paie automatisée avec détection d’anomalies, recommandations de formation personnalisées, chatbot RH collaborateur disponible 24h/24 et tableaux de bord prédictifs pour les managers. Les éditeurs majeurs (SAP SuccessFactors, Workday, Oracle HCM) ont tous intégré des modules IA générative depuis 2023.

L’engagement prédictif désigne l’utilisation de modèles ML pour anticiper le niveau d’engagement et le risque de départ volontaire des collaborateurs. Les modèles analysent des signaux faibles : évolution des scores d’évaluation, fréquence de participation aux formations, taux de réponse aux enquêtes internes, utilisation des outils métier. Selon Gallup, 51 % des salariés qui ont quitté leur poste auraient pu être retenus si leur manager avait engagé une conversation préventive 3 à 6 mois avant.

La finance prédictive utilise des modèles ML et deep learning (LSTM, Transformer) sur des séries temporelles financières pour prévoir les flux de trésorerie, les revenus, les charges opérationnelles et les valorisations. Elle remplace progressivement les méthodes de prévision linéaires classiques (extrapolation, lissage exponentiel) par des approches probabilistes multi-scénarios, intégrant des variables macro-économiques et comportementales au-delà des seuls historiques comptables.

La détection de fraude par IA utilise des algorithmes de détection d’anomalies (isolation forest, autoencodeurs, Graph Neural Networks) pour identifier en temps réel les transactions suspectes, fraudes à la carte bancaire, blanchiment d’argent et fraudes aux prestations sociales. Ces modèles analysent simultanément des centaines de variables comportementales et contextuelles. Les banques et assureurs réduisent leurs pertes par fraude de 40 à 60 % grâce à ces modèles (McKinsey, 2023). PayPal traite 400 millions de transactions quotidiennes en temps réel.

L’analyse de sentiment financier applique le NLP à l’analyse de sources textuelles — rapports annuels, communiqués de presse, transcriptions d’appels d’analystes, articles de presse économique, publications LinkedIn et tweets de dirigeants — pour en extraire des signaux positifs ou négatifs corrélés aux mouvements de cours. Les modèles de NLP financier (FinBERT, BloombergGPT) ont été entraînés spécifiquement sur le jargon financier pour améliorer la précision.

La comptabilité automatisée par IA couvre : l’extraction de données de factures par OCR + LLM (reconnaissance, classification, imputation comptable automatique), le rapprochement bancaire intelligent avec détection d’anomalies, l’assistance à la clôture mensuelle et la génération automatique de rapports financiers narratifs (NLG). Les outils leaders en France (Pennylane, Tiime, Dext, Yokoy) s’intègrent dans les ERP majeurs. Les cabinets comptables ont automatisé 60 à 80 % des tâches de saisie.

Le credit scoring IA désigne l’évaluation du risque de crédit par des modèles ML exploitant des données alternatives en plus des données financières classiques : historique de paiement des factures, comportement sur les applications mobiles, données de géolocalisation, réseau social professionnel. Ces modèles dépassent les scores FICO classiques en précision prédictive et permettent de scorer des populations sans historique bancaire (thin-file), favorisant l’inclusion financière. Le RGPD impose l’explicabilité des décisions automatisées de crédit.

La gestion des risques par IA utilise des modèles prédictifs et génératifs pour quantifier, anticiper et mitiger les risques financiers (de marché, de crédit, de liquidité), opérationnels (cyber, fraude, erreur) et réglementaires. Les LLM permettent des stress tests augmentés : génération de scénarios adverses non historiques, simulation d’événements rares (cygnes noirs) et anticipation des corrélations de risques en situation de crise. Les régulateurs (BCE, Fed, ACPR) intègrent l’IA dans leurs processus de supervision depuis 2022.

La veille stratégique augmentée par IA désigne l’automatisation de la collecte (web scraping, flux RSS, APIs), de l’analyse (NLP, clustering, détection de tendances) et de la synthèse (LLM) d’informations concurrentielles et sectorielles. Les outils leaders (Crayon, Klue, Feedly AI, Perplexity) transforment l’intelligence économique d’une activité artisanale en système continu. Une veille IA bien déployée détecte les signaux faibles (recrutements concurrents, brevets déposés, changements tarifaires) 3 à 6 mois avant qu’ils deviennent visibles dans la presse sectorielle.

Les scénarios génératifs désignent l’utilisation de LLM pour construire, diversifier et explorer des futurs alternatifs dans le cadre de la planification stratégique à long terme. Le LLM peut générer des dizaines de scénarios cohérents sur un horizon de 5 à 10 ans, les tester contre des hypothèses structurantes, identifier des « wild cards » (événements improbables à fort impact) et aider à élaborer des plans de réponse stratégiques. Complément génératif à la méthode des scénarios Shell (1970).

L’innovation ouverte augmentée par IA (Chesbrough, 2003 — revisité) désigne l’utilisation de l’IA pour accélérer la détection d’opportunités d’innovation externes : analyse automatisée de brevets (PatSnap, Lens.org), matching startups/besoins corporates (Kickbox, Hello Tomorrow), cartographie des tendances technologiques mondiales et identification de partenaires R&D à fort potentiel de complémentarité. Les entreprises combinant open innovation et IA multiplient par 2 à 3 leur pipeline d’innovations.

L’avantage compétitif IA désigne la capacité différenciatrice et durable qu’une organisation tire de son usage de l’IA. Selon Teece (Dynamic Capabilities, 2018), il ne réside pas dans le modèle IA lui-même — accessible à tous — mais dans l’orchestration unique de trois ressources : (1) des données propriétaires difficiles à répliquer, (2) des modèles spécialisés sur ces données et (3) des talents capables d’orchestrer cette combinaison. La question stratégique n’est pas « quel outil IA acheter ? » mais « quelle combinaison unique pouvons-nous construire ? »

La sobriété numérique appliquée à l’IA désigne la démarche stratégique et opérationnelle visant à réduire l’empreinte environnementale des systèmes IA : choix de modèles efficients (small language models vs LLM massifs), optimisation des inférences, hébergement dans des datacenters à énergie renouvelable et formation sur des données moins redondantes. Un entraînement GPT-4 émet l’équivalent CO₂ de 550 vols Paris–New York. La réglementation CSRD européenne impose désormais le reporting de l’impact numérique.