Chaque page produit d'IA suppose que vous parlez déjà la langue. La grille tarifaire facture au token, le changelog célèbre une fenêtre de contexte plus large, la présentation commerciale promet des agents ancrés par du RAG — et rien de tout cela ne vous dit ce que ces mots signifient pour la seule question qui compte : cet outil fera-t-il le travail.
Voici donc les termes de l'IA expliqués pour les acheteurs, pas pour les chercheurs. Ce n'est délibérément pas un dictionnaire de A à Z. C'est un vocabulaire de travail d'environ deux douzaines de termes, organisé autour des quatre questions que les gens se posent réellement en évaluant un outil : à quoi suis-je en train de parler, pourquoi se trompe-t-il parfois, que signifient les chiffres des spécifications, et qu'implique le déploiement. Chaque entrée tient en quelques phrases de français simple, plus la raison pour laquelle le terme compte au moment de l'achat.
Lisez-le d'un bout à l'autre, ou passez directement à la section dont vous avez besoin. Là où un terme est plus facile à saisir à travers un vrai produit, l'exemple renvoie à sa fiche. ToolPotion suit plus de 13 000 outils d'IA, mis à jour quotidiennement, donc chaque exemple a une page à jour derrière lui.
À quoi vous parlez : les termes fondamentaux de l'IA expliqués
La première confusion vient des noms. « Modèle », « LLM », « chatbot », « assistant » et « agent » sont utilisés de manière interchangeable dans les textes marketing, alors que ce ne sont pas les mêmes choses.
Modèle
Le système entraîné lui-même : une fonction statistique très volumineuse qui transforme une entrée en sortie, produite en faisant passer d'énormes quantités de données par un processus d'entraînement. Les produits sont des enveloppes autour des modèles : une application de chat, une API et une extension de navigateur peuvent toutes reposer sur le même. Cela compte lorsqu'on compare des outils, car le modèle fixe le plafond de qualité tandis que le produit décide du flux de travail. Vous pouvez parcourir les modèles d'IA actuels comme une catégorie à part entière dans le répertoire.
Grand modèle de langage (LLM)
Un modèle entraîné principalement sur du texte pour prédire ce qui vient ensuite dans une séquence. Cela s'avère suffisant pour rédiger, résumer, traduire et écrire du code. Claude Opus et Gemini 3.1 Pro sont des exemples de pointe actuels. Le répertoire recense aussi des LLM ouverts plus petits que vous pouvez exécuter vous-même. Quand un fournisseur dit « propulsé par un LLM », la bonne question de suivi est lequel, et si vous pourrez en changer plus tard.
Chatbot
Un modèle d'interface, pas une technologie : une boîte de messages reliée à un modèle, généralement cantonnée à une seule tâche, comme répondre aux questions des clients. Les chatbots modernes sont bâtis sur des LLM, mais le mot les précède, ce qui explique qu'il puisse désigner tout et n'importe quoi, d'un script de FAQ rigide à un système de support véritablement compétent.
Assistant (ou copilote)
Un produit de chat polyvalent destiné au travail quotidien d'une personne : rédiger, résumer, répondre, généralement au sein même des applications où ce travail a lieu. ChatGPT est l'assistant autonome par excellence. « Copilote » signale généralement un assistant intégré à un produit existant. La distinction, à l'achat, par rapport à un chatbot tient au public : les assistants servent votre personnel, les chatbots servent généralement vos clients.
Agent d'IA
Un logiciel qui prend un objectif, planifie des étapes, appelle des outils et vérifie ses propres résultats : il agit plutôt que de simplement répondre. Claude Code lit une base de code, modifie des fichiers et exécute des commandes. Intercom propose un agent de support, Fin, qui traite les conversations plutôt que d'y répondre simplement. Le compromis, c'est le rayon d'impact : un système capable d'agir peut échouer en agissant, donc les permissions et les étapes de relecture comptent davantage ici que partout ailleurs. La catégorie agent d'IA est la section qui évolue le plus vite du répertoire.
| Terme | Ce qu'il fait | Achetez-le quand |
|---|---|---|
| Chatbot | Répond aux questions dans un domaine cantonné | Vous avez besoin de questions-réponses côté client à grande échelle |
| Assistant | Aide une seule personne sur de nombreuses tâches | Vous voulez la productivité du personnel, à faible risque |
| Agent | Planifie et exécute un travail en plusieurs étapes | Un flux de travail mérite d'être automatisé de bout en bout |
Multimodal
Un modèle qui gère plus que du texte : des images, de l'audio ou de la vidéo, en entrée, en sortie, ou les deux. Gemini 3.1 Pro lit et raisonne sur des médias mixtes. Du côté de la génération, Kling 3.0 transforme du texte et des images de référence en vidéo avec audio. Si votre travail implique des captures d'écran, des PDF avec des graphiques ou des enregistrements, la prise en charge multimodale est une exigence, pas un simple bonus.
Pourquoi il se trompe parfois : hallucination, contexte et dates de coupure
Ces quatre termes expliquent presque toutes les sorties d'IA décevantes que vous verrez un jour, et ils constituent le vocabulaire de toute conversation sérieuse avec un fournisseur au sujet de l'exactitude.
Hallucination
Une réponse assurée, fluide et fausse. Le modèle génère un texte plausible, il ne consulte pas une base de données de faits, il peut donc inventer des citations, des statistiques et des détails produits sans le moindre signal qu'il est en train de le faire. Pour un travail factuel, privilégiez les outils qui citent des sources récupérables, et considérez toute donnée précise non sourcée comme non vérifiée jusqu'à ce que vous la vérifiiez.
Fenêtre de contexte
La quantité de texte, mesurée en tokens, que le modèle peut prendre en compte à la fois : sa mémoire de travail, distincte de ses connaissances. Les fenêtres ont grandi vite. Claude Opus annonce une fenêtre d'un million de tokens, assez pour une base de code entière ou plusieurs livres en une seule requête.
Une fenêtre de contexte plus large relève le plafond de ce que vous pouvez coller dedans. Elle ne garantit pas que le modèle pèse tout son contenu.
En pratique, les modèles peuvent perdre le fil des détails enfouis au milieu d'entrées très longues, si bien que « tient dans la fenêtre » et « est bien exploité » sont deux affirmations différentes.
Date de coupure de l'entraînement
La date à laquelle les données d'entraînement du modèle s'arrêtent. Tout ce qui est publié après elle est invisible pour le modèle, sauf si le produit y greffe une recherche web ou une récupération. Pourquoi cela vous importe : si l'outil doit connaître les prix, les lois ou l'actualité du moment, demandez au fournisseur exactement comment l'information fraîche y entre. « Le modèle est intelligent » n'est pas une réponse.
RAG (génération augmentée par la récupération)
Rechercher d'abord, répondre ensuite : le système trouve les passages pertinents dans vos documents, puis fait rédiger sa réponse par le modèle à partir d'eux. Cela ancre les réponses dans votre contenu réel, réduit (sans l'éliminer) l'hallucination, et reste à jour dès qu'un document change, sans réentraînement. Quand un fournisseur dit « entraîné sur vos données », demandez s'il veut dire du RAG. En général c'est le cas, et pour les connaissances internes, le RAG est généralement ce que vous voulez.
Prompt et prompt système
Un prompt est tout ce que vous envoyez au modèle. Un prompt système est la feuille d'instructions permanente que le fournisseur place devant chaque conversation : ton, règles, garde-fous. Un nombre surprenant de produits d'IA de niche ne sont, au fond, qu'un prompt système par-dessus le modèle de quelqu'un d'autre. Cela peut malgré tout valoir le coup de payer, mais cela devrait être facturé comme de l'emballage, pas comme de la recherche.
Lire la fiche technique : tokens, paramètres, inférence
Les chiffres sur une page tarifaire d'IA ne sont pas de la décoration marketing. Trois d'entre eux déterminent directement votre facture.
Token
L'unité que les modèles lisent et émettent : un fragment de texte, où un mot anglais courant correspond souvent à un token. Une règle utilisable : 1 000 tokens font à peu près 750 mots anglais. La tarification des API est indiquée par million de tokens, l'entrée et la sortie étant facturées séparément, c'est pourquoi de longs documents en entrée et de longues réponses en sortie sont ce qui fait grimper le coût.
Paramètres
Les poids numériques internes qu'un modèle a appris pendant l'entraînement. Le nombre de paramètres est le raccourci standard pour la taille d'un modèle. Muse Glimmer, par exemple, est un modèle de 30 milliards de paramètres conçu pour exécuter des tâches d'agent sur du matériel grand public. Davantage de paramètres achète généralement de la capacité au prix de la vitesse et du coût, et un petit modèle qui gère bien votre tâche vaut mieux qu'un grand que vous payez trop cher pour le sous-utiliser.
Inférence
Exécuter le modèle entraîné pour produire une sortie. L'entraînement a eu lieu une fois, aux frais du fournisseur ; l'inférence a lieu à chaque requête, aux vôtres. La latence et le coût par requête sont des propriétés de l'inférence, donc quand un fournisseur vante une inférence moins chère ou plus rapide, cette affirmation porte sur votre facture et le temps d'attente de vos utilisateurs, pas sur la qualité des réponses.
Fine-tuning
Un entraînement supplémentaire sur vos propres exemples pour infléchir le comportement d'un modèle : ton, format, habitudes de domaine. C'est bon pour un style cohérent et une sortie structurée, et c'est un mauvais moyen d'enseigner des faits qui changent, ce qui est le rôle du RAG. Le coût caché, c'est la maintenance : chaque mise à niveau du modèle de base peut signifier refaire le travail.
Modèle de raisonnement
Un modèle qui consacre du calcul supplémentaire à dérouler des étapes intermédiaires avant de répondre, ce qui aide de manière mesurable en mathématiques, en planification et sur du code difficile. Certains sont hybrides : Claude Opus peut répondre rapidement ou réfléchir plus longtemps selon les besoins. Le compromis est réel : les passes de raisonnement sont plus lentes et coûtent plus de tokens, donc router une simple tâche d'extraction à travers un tel modèle, c'est payer pour une réflexion dont vous n'avez pas besoin.
Benchmark
Un test standardisé qui produit les scores de classement des annonces de lancement. Traitez-les comme des signaux approximatifs de capacité, pas comme des prédictions sur votre charge de travail : les fournisseurs mettent naturellement en avant les benchmarks qu'ils remportent. Vingt de vos propres tâches réelles, testées sur deux outils candidats, vous en apprennent plus que n'importe quel classement.
Termes de déploiement : API, poids ouverts, et où ça s'exécute
Le dernier ensemble de termes décide de la structure de coûts, de la posture de confidentialité, et de la quantité d'ingénierie à laquelle vous vous engagez.
API
Un accès programmatique : votre logiciel appelle le modèle par internet et paie au token, au lieu qu'une personne paie par siège pour une application. Le même fournisseur vend souvent les deux, et ce sont des budgets différents : les sièges évoluent avec l'effectif, les coûts d'API évoluent avec l'usage. Sachez lequel des deux vous cherchez vraiment avant de comparer les prix.
Poids ouverts vs. fermés
Les modèles à poids ouverts publient les fichiers du modèle : téléchargez-les, exécutez-les sur votre propre matériel, gardez les données en interne, ne payez aucun frais au token au créateur. Gemma 4 propose des modèles ouverts légers bâtis à partir de la même technologie que Gemini, et Stability AI publie des modèles génératifs ouverts pour les images, la vidéo et l'audio. Les modèles fermés se louent via les serveurs du fournisseur : moins de contrôle, bien moins de charge opérationnelle, et les modèles fermés les plus performants tendent toujours à dominer sur la capacité brute.
Sur l'appareil vs. cloud
Là où l'inférence a physiquement lieu. Le cloud signifie que les requêtes quittent votre réseau ; sur l'appareil ou auto-hébergé signifie qu'elles ne le font pas, c'est pourquoi les équipes soumises à de fortes exigences de conformité y prêtent attention, et pourquoi des modèles comme Muse Glimmer qui s'exécutent sur du matériel grand public existent. Attendez-vous à un écart de capacité : les plus grands modèles ne tiennent pas sur un ordinateur portable.
Embedding
Du texte converti en une liste de nombres positionnés de sorte que des significations proches se retrouvent proches les unes des autres. Les embeddings sont la façon dont un logiciel recherche par le sens plutôt que par mots-clés exacts, la raison pour laquelle une requête sur les « règles de remboursement » peut trouver un document intitulé « politique de retours ».
Base de données vectorielle
Un stockage conçu pour héberger des embeddings et trouver rapidement les correspondances les plus proches. C'est la moitié « récupération » de la plupart des systèmes RAG. Chroma en est un exemple open source qui combine recherche vectorielle, plein texte et par métadonnées. Si un fournisseur dit qu'il fait du « RAG sur vos docs », l'un de ces éléments est dans la pile. Demandez où il s'exécute et ce qu'il stocke.
Framework
Un échafaudage de code pour câbler modèles, outils et récupération dans une application : la voie du « construisez-le vous-même », choisie tôt par les équipes qui font du travail en interne. Parcourez la catégorie framework d'IA pour voir les options actuelles. Si personne dans l'équipe n'écrit de code, des constructeurs visuels comme Microsoft Copilot Studio couvrent les cas courants, et le répertoire tient une page de tâche complète d'outils pour construire des agents d'IA couvrant les deux approches.
Observabilité et évaluations
L'observabilité consiste à tracer ce qu'un modèle ou un agent a réellement fait : chaque étape, appel d'outil, coût en tokens et délai. Les évaluations sont des tests notés de la qualité des sorties, exécutés à répétition pour que les régressions apparaissent avant que les clients ne les découvrent. Langfuse est une plateforme open source couvrant le traçage, la gestion des prompts et l'évaluation. Si vous achetez un agent plutôt que d'en construire un, la question équivalente à poser au fournisseur est simple : quand l'agent se trompe sur quelque chose, que me montrerez-vous exactement ?
Foire aux questions
ChatGPT est-il un LLM ?
Au sens strict, non : ChatGPT est une application bâtie par-dessus des LLM de la famille GPT d'OpenAI. La distinction compte parce que des fonctionnalités comme la mémoire, l'envoi de fichiers et la navigation web appartiennent à l'application, pas au modèle, et un autre produit utilisant le même modèle peut n'en avoir aucune.
Quelle est la différence entre un agent d'IA et un chatbot ?
Un chatbot répond ; un agent agit. Les agents planifient un travail en plusieurs étapes, appellent d'autres logiciels et modifient des choses dans de vrais systèmes, ce qui les rend à la fois plus utiles et plus risqués. La question pratique à l'achat, ce sont les permissions : ce qu'un agent est autorisé à toucher, et ce qui est relu avant qu'il ne le fasse.
Davantage de paramètres signifient-ils un meilleur modèle d'IA ?
Pas pour votre tâche, pas forcément. Les modèles plus grands sont généralement plus capables dans l'absolu, mais ils coûtent plus cher et répondent plus lentement, et une grande partie du travail quotidien — classification, extraction, rédaction de routine — tourne bien sur de petits modèles. Testez le modèle le moins cher qui pourrait convenir avant de vous rabattre par défaut sur le plus grand.
Puis-je exécuter un modèle d'IA sur mon propre ordinateur ?
Oui, s'il a des poids ouverts et une taille modeste : les petits modèles ouverts comme la famille Gemma sont conçus pour cela, et certains modèles de 30 milliards de paramètres visent désormais le matériel grand public. Attendez-vous à des résultats plus faibles que les modèles cloud de pointe, en échange d'un coût nul au token et de données qui ne quittent jamais votre machine.