Le glossaire des agents IA : 60 termes de l'IA expliqués simplement (2026)

Chaque page produit IA se lit désormais comme une dictée : agentique, MCP, RAG, fenêtre de contexte, appel d'outils, garde-fous, orchestration. Les idées derrière ces mots sont pour la plupart simples, mais personne ne les explique au même endroit, et c'est ce vide qui explique pourquoi tant de gens « utilisent l'IA » sans jamais lui confier une vraie tâche.

Ce glossaire de l'IA corrige cela. Il couvre 60 termes que vous croiserez en lisant sur les agents IA, les grands modèles de langage et l'automatisation en 2026, regroupés par thème et expliqués simplement avec un exemple concret. Mettez-le en favori, partagez-le avec votre équipe, et utilisez-le aux côtés de nos guides sur ce qu'est l'IA agentique et le fonctionnement des sous-agents IA. Quand un terme compte pour l'utilisation de Jobbit, nous le précisons.

Les concepts de base : les mots que tout le monde utilise

• Intelligence artificielle (IA) : un logiciel qui accomplit des tâches nécessitant normalement l'intelligence humaine, comme comprendre le langage, reconnaître des images ou prendre des décisions. En 2026, le terme désigne surtout des systèmes construits sur des grands modèles de langage.

• Apprentissage automatique (machine learning, ML) : la technique consistant à entraîner un logiciel sur des exemples plutôt que d'écrire des règles explicites. Un filtre anti-spam apprend à partir de millions d'e-mails étiquetés ; on ne lui dicte pas chaque règle à la main.

• Apprentissage profond (deep learning) : de l'apprentissage automatique utilisant des réseaux de neurones à de nombreuses couches. C'est ce qui a rendu possibles la reconnaissance d'image, la parole et les modèles de langage modernes.

• IA générative : une IA qui crée du contenu nouveau, texte, images, code, audio ou vidéo, à partir d'un prompt. ChatGPT, Claude, Gemini et Midjourney sont des produits d'IA générative.

• Grand modèle de langage (large language model, LLM) : un réseau de neurones entraîné sur d'énormes quantités de texte, qui prédit le prochain token d'une séquence et, ce faisant, apprend à raisonner, écrire et suivre des instructions. GPT, Claude, Gemini, Llama, DeepSeek et Mistral sont des familles de LLM.

• Modèle de fondation : un grand modèle entraîné sur des données très variées, capable de s'adapter à de nombreuses tâches. Les LLM sont des modèles de fondation pour le langage ; il en existe des équivalents pour l'image et la vidéo.

• Modèle multimodal : un modèle qui comprend et produit plus d'un type d'entrée, généralement du texte, des images, de l'audio et parfois de la vidéo. Les modèles multimodaux permettent à un agent de lire une capture d'écran ou une facture scannée.

• Prompt : l'instruction que vous donnez à un modèle. Bien formuler ses prompts est une compétence ; voir comment écrire des prompts pour les agents IA.

• Prompt système : des instructions cachées définies par le concepteur du produit, qui façonnent le comportement du modèle à chaque conversation : son rôle, son ton, ses règles et ses outils.

• Inférence : le fait d'exécuter un modèle entraîné pour produire une réponse. L'entraînement a lieu une fois ; l'inférence a lieu à chaque message envoyé, et c'est elle que vous payez.

Comment les modèles pensent : tokens, contexte et raisonnement

• Token : l'unité que les modèles lisent et écrivent, à peu près les trois quarts d'un mot anglais. La tarification, les limites et la vitesse se mesurent toutes en tokens. « Un million de tokens » représente environ 750 000 mots.

• Fenêtre de contexte : la quantité de texte qu'un modèle peut prendre en compte à la fois, y compris votre conversation, vos documents et la réponse du modèle lui-même. Des fenêtres plus grandes permettent à un agent de garder en tête toute une base de code ou un contrat de cent pages.

• Ingénierie du contexte : l'art de décider ce qui entre dans la fenêtre de contexte : quels documents, exemples, résultats d'outils et souvenirs, de sorte que le modèle ait ce dont il a besoin et rien qui le distraie. Cette compétence a largement remplacé le « prompt engineering » comme savoir-faire clé dans la conception d'agents.

• Modèle de raisonnement : un modèle entraîné à « réfléchir » avant de répondre, en produisant des étapes intermédiaires qui améliorent la précision sur les maths, le code et la planification. Les modes de raisonnement coûtent plus de tokens, mais rendent les agents bien plus fiables.

• Chaîne de pensée : le raisonnement étape par étape qu'un modèle rédige en chemin vers une réponse. Les modèles de raisonnement le font nativement ; on peut inciter les modèles plus anciens à le faire par le prompt.

• Température : un paramètre qui contrôle le hasard. Une température basse donne un résultat cohérent et prévisible ; une température plus élevée donne un résultat plus varié et créatif.

• Hallucination : une affirmation assurée mais fausse de la part d'un modèle, comme une citation inventée ou une fonctionnalité produit inexistante. Les agents réduisent les hallucinations en vérifiant les sources et en testant les résultats plutôt qu'en faisant confiance à une seule réponse.

• Ancrage (grounding) : le fait de rattacher la réponse d'un modèle à des données réelles, des documents, des résultats de recherche ou des sorties d'outils, pour qu'il rapporte ce qui est réellement là plutôt que ce qui semble plausible.

• Fine-tuning : poursuivre l'entraînement d'un modèle sur vos propres exemples pour qu'il adopte un style, un format ou une connaissance métier. Utile pour des tâches étroites ; généralement superflu pour les agents, qui puisent leurs connaissances dans les outils et le contexte.

• Génération augmentée par récupération (retrieval-augmented generation, RAG) : aller chercher les documents pertinents au moment de la question et les placer dans la fenêtre de contexte pour que le modèle réponde à partir de vos données. C'est ainsi que fonctionnent les produits de type « discutez avec vos documents ».

• Embeddings : des représentations numériques du texte qui capturent le sens, de sorte que des passages similaires se retrouvent proches les uns des autres. Les embeddings alimentent la recherche sémantique et le RAG.

• Base de données vectorielle : une base de données optimisée pour stocker et rechercher des embeddings. Pinecone, Weaviate, pgvector et Chroma sont des choix courants.

• Date de coupure des connaissances (knowledge cutoff) : la date après laquelle un modèle ne dispose plus de données d'entraînement. Les agents contournent cette limite en cherchant sur le web et en lisant des sources actuelles.

Les agents : le vocabulaire de l'autonomie

• Agent IA : un logiciel qui combine un modèle et des outils pour accomplir des tâches de façon autonome : il planifie, agit, observe les résultats et s'adapte. C'est le sujet de la majeure partie de ce glossaire.

• IA agentique : l'approche plus large qui consiste à construire des systèmes IA pilotés par un objectif et utilisant des outils, souvent avec plusieurs agents travaillant ensemble. Expliquée en détail dans qu'est-ce que l'IA agentique ?.

• Assistant IA / copilot : une aide de type agent qui reste sous votre contrôle direct, qui suggère plutôt qu'elle n'agit. GitHub Copilot dans l'éditeur en est l'exemple classique ; le « mode agent » est le moment où un copilot devient un agent.

• Autonomie : la part de travail qu'un agent accomplit sans demander. Les systèmes utiles calibrent l'autonomie sur le caractère réversible de l'action : rédiger librement, ne dépenser qu'avec validation.

• Utilisation d'outils / appel de fonctions : le mécanisme par lequel un modèle fait appel à un logiciel : chercher sur le web, exécuter du code, interroger une base de données, envoyer un e-mail. Ce sont les outils qui transforment un chatbot en agent.

• Model Context Protocol (MCP) : un standard ouvert, introduit par Anthropic, pour connecter les modèles à des outils et des sources de données de façon cohérente. Voyez-y une prise universelle pour les agents ; sa prise en charge s'est généralisée sur les grandes plateformes d'IA en 2025 et 2026.

• Protocole agent-agent (A2A) : un standard permettant à des agents de fournisseurs différents de se découvrir et de communiquer entre eux, proposé par Google. Avec le MCP, il ouvre la voie à des agents qui collaborent au-delà des frontières des entreprises.

• Orchestration : la coordination de plusieurs étapes, outils ou agents en un seul flux de travail : décider ce qui s'exécute, dans quel ordre, et ce qui se passe en cas d'échec.

• Système multi-agent : plusieurs agents aux rôles différents travaillant sur un même objectif, typiquement un agent principal qui planifie et délègue, plus des agents spécialistes qui font de la recherche, construisent ou vérifient.

• Sous-agent : un agent créé par un autre agent pour traiter un morceau d'une tâche en parallèle. Jobbit utilise des sous-agents pour étudier de nombreuses sources ou construire et tester plusieurs fonctionnalités à la fois ; voir les sous-agents IA expliqués.

• Planificateur : la partie d'un agent qui découpe un objectif en étapes et révise le plan à mesure que les résultats arrivent.

• Mémoire : ce qu'un agent retient au-delà d'un seul message. La mémoire à court terme, c'est le contexte en cours ; la mémoire à long terme conserve vos préférences, vos décisions passées et des faits vous concernant, afin que l'agent s'améliore avec le temps.

• Boucle de l'agent : le cycle répété de planification, action, observation, ajustement, qui tourne jusqu'à ce que l'objectif soit atteint ou que l'agent ait besoin d'une décision.

• Humain dans la boucle : une conception où une personne examine ou valide certaines étapes, comme l'envoi d'un e-mail à un client ou l'exécution d'un paiement.

• Computer use / agent navigateur : un agent qui utilise un logiciel en regardant l'écran, en cliquant et en tapant comme une personne, ce qui lui permet de fonctionner avec des outils dépourvus d'API. Expliqué dans les agents IA computer use.

• Recherche approfondie (deep research) : un flux de travail agentique dans lequel l'agent lit des dizaines de sources, recoupe les affirmations et produit un rapport sourcé. Voir comment mener une recherche approfondie avec l'IA.

• Automatisation de workflows : des séquences d'actions prédéfinies et basées sur des règles à travers plusieurs applications, le territoire de Zapier, Make et n8n. Les agents ajoutent du jugement aux workflows ; nous comparons les deux dans Zapier vs Make vs n8n vs agents IA.

• Agent IA polyvalent : un seul agent qui prend en charge de nombreux types de travail, recherche, rédaction, construction de logiciels, design, automatisation, depuis une seule conversation, plutôt qu'un outil distinct pour chacun. C'est ainsi que Jobbit est construit.

Construire des logiciels avec l'IA

• Vibe coding : construire un logiciel en décrivant ce que vous voulez en langage naturel et en laissant un agent IA écrire, exécuter et corriger le code, en jugeant le résultat à son comportement plutôt qu'en lisant chaque ligne. Guide complet : qu'est-ce que le vibe coding ?.

• Créateur d'application IA (AI app builder) : un produit qui transforme une description en application fonctionnelle, souvent avec l'hébergement inclus. Lovable, Bolt, v0, Replit et Jobbit en sont des exemples ; comparés dans les meilleurs outils de vibe coding.

• Agent de code : un agent qui travaille à l'intérieur d'une base de code : lire des fichiers, écrire du code, exécuter des tests et corriger les échecs. Claude Code, OpenAI Codex, le mode agent de Cursor et Devin sont des agents de code.

• No-code / low-code : des outils visuels pour construire des logiciels sans programmation (ou avec très peu), comme Bubble, Webflow, Airtable et Retool. Leur comparaison avec le vibe coding est traitée dans vibe coding contre no-code contre low-code.

• Sandbox : un environnement isolé où un agent peut exécuter du code en toute sécurité sans toucher à vos systèmes réels. Indispensable pour tout agent qui exécute du code.

• Déploiement : mettre un logiciel en ligne sur un serveur pour que les gens puissent l'utiliser. Les agents qui déploient à votre place, avec l'hébergement inclus, suppriment l'étape qui arrête la plupart des non-développeurs.

• API (interface de programmation applicative) : la façon structurée dont un logiciel communique avec un autre. Les agents utilisent les API pour lire et modifier des données dans d'autres systèmes.

• Webhook : un message qu'un système envoie à un autre quand quelque chose se produit (« nouvelle commande passée »), couramment utilisé pour déclencher des automatisations.

• MVP (produit minimum viable) : la plus petite version d'un produit qui permet à de vrais utilisateurs de l'essayer. Les agents ont fait passer les délais de MVP de plusieurs mois à quelques jours ; voir comment construire un SaaS avec l'IA.

• Dette technique : des raccourcis dans le code qui rendent les changements futurs plus lents et plus risqués. Le code généré par IA en accumule rapidement si personne ne revoit la structure, l'un des risques traités dans les erreurs de vibe coding et la sécurité.

Sécurité, qualité et confiance

• Garde-fous (guardrails) : des règles et des contrôles qui limitent ce qu'un agent peut faire ou dire : actions bloquées, plafonds de dépense, filtres de contenu, validations obligatoires.

• Injection de prompt : une attaque dans laquelle un texte que l'agent lit (une page web, un e-mail, un document) contient des instructions conçues pour le détourner. Les agents robustes traitent tout ce qu'ils lisent comme des données, jamais comme des commandes.

• Alignement : l'effort global pour que les modèles se comportent en accord avec les intentions et les valeurs humaines, du refus des demandes nuisibles au respect fidèle des instructions.

• Évaluation (evals) : des tests systématiques de la qualité d'un modèle ou d'un agent sur un ensemble fixe de tâches. Les équipes sérieuses font tourner des evals avant de confier un workflow à un agent.

• Benchmark : une évaluation publique utilisée pour comparer les modèles, comme SWE-bench pour les tâches d'ingénierie logicielle. Des signaux utiles, mais la performance réelle sur votre tâche compte davantage.

• Observabilité : consigner ce qu'un agent a fait, quels outils il a appelés et pourquoi, pour pouvoir auditer les résultats et déboguer les échecs.

• Red teaming : attaquer délibérément un modèle ou un agent pour trouver ses failles avant que quelqu'un d'autre ne le fasse.

• Résidence des données et confidentialité : où vos données sont stockées et qui peut les voir. Vérifiez si un fournisseur d'IA entraîne ses modèles sur vos données, et où se trouvent ses serveurs, avant de transmettre quoi que ce soit de sensible.

Termes commerciaux et tarifaires

• Crédits : la monnaie d'usage que de nombreuses plateformes d'agents vendent à la place de tokens bruts, de sorte qu'un crédit peut couvrir un message, une étape de construction ou une session de recherche. Lisez attentivement le taux de conversion ; nous le détaillons dans combien coûtent les agents IA ?.

• Limite de débit (rate limit) : le plafond du nombre de requêtes ou de tokens que vous pouvez utiliser sur une période. L'atteindre en pleine tâche est la raison la plus courante pour laquelle l'exécution d'un agent se bloque.

• Latence : le temps que met une réponse à arriver. Les agents échangent de la latence contre de la rigueur : une recherche de deux minutes vaut mieux qu'une estimation de deux secondes.

• Tarification par poste contre tarification à l'usage : payer par utilisateur et par mois, ou payer ce que vous consommez. Les produits à base d'agents mélangent de plus en plus les deux.

• ROI de l'automatisation : le retour sur une automatisation, généralement mesuré en heures économisées, en temps de réponse réduit ou en chiffre d'affaires influencé, rapporté au coût de l'outil et au temps de mise en place.

• Travailleur numérique / employé IA : un terme marketing pour un agent de niveau 4 qui occupe un rôle entier plutôt qu'une tâche. Traitez l'expression avec le même scepticisme que vous appliqueriez à un CV.

Questions fréquentes

Quelle est la différence entre un agent IA et un LLM ?

Un LLM est le modèle qui lit et écrit du texte. Un agent IA est un système construit autour d'un modèle, qui y ajoute planification, outils, mémoire et boucle de rétroaction pour pouvoir accomplir des tâches plutôt que seulement répondre à des questions. Le LLM est le moteur ; l'agent est la voiture.

Que signifie MCP en IA ?

MCP signifie Model Context Protocol, un standard ouvert pour connecter les modèles d'IA à des outils et des sources de données de façon cohérente. Plutôt que chaque produit construise des intégrations sur mesure, les outils exposent un serveur MCP que n'importe quel agent compatible peut utiliser.

Qu'est-ce qu'une fenêtre de contexte, et pourquoi est-ce important ?

La fenêtre de contexte, c'est la quantité de texte qu'un modèle peut prendre en compte à la fois, mesurée en tokens. C'est important parce que tout ce que l'agent sait sur la tâche en cours, vos instructions, les documents, les résultats d'outils, doit y tenir. Des fenêtres plus grandes permettent aux agents de traiter des bases de code plus vastes et des documents plus longs.

Quelle est la différence entre le RAG et le fine-tuning ?

Le RAG récupère les documents pertinents au moment de la question et les fournit au modèle, qui répond ainsi à partir de données actuelles sans réentraînement. Le fine-tuning modifie le modèle lui-même en l'entraînant sur des exemples, ce qui convient à des styles ou des formats fixes. Pour la plupart des entreprises, le RAG associé à de bons outils suffit, et les agents rendent les deux moins nécessaires en lisant tout simplement la source.

Qu'est-ce que le vibe coding en une phrase ?

Le vibe coding consiste à construire un logiciel en décrivant ce que vous voulez et en laissant un agent IA écrire, exécuter et corriger le code, de sorte que vous jugez le résultat au comportement de l'application plutôt qu'en lisant chaque ligne.

Maintenant que le vocabulaire est clair, mettez-le en pratique : commencez gratuitement sur Jobbit et confiez à un agent une tâche qui en vaut la peine.