Depuis dix-huit mois, ces mots reviennent en réunion, dans la presse économique, chez les consultants. LLM, prompt, agent, token, RAG, fine-tuning, hallucination. Sept termes qui décident de votre capacité à participer à une décision technologique. Ce lexique vous en donne les définitions précises sans le jargon de développeur, en moins de quinze minutes.
Précision utile : ce glossaire est technique, pas juridique. Il ne traite pas l'AI Act, le RGPD, le Cloud Act, la CNPD ou le DPIA. Pour cette partie, voir notre lexique juridique IA (AI Act, RGPD, DPIA) publié début mai. Si vous partez vraiment de zéro, lisez d'abord notre chemin débutant en quatre étapes publié le 22 mai, puis revenez ici. Avec Mistral désormais déployable sur site via AI4LUX, ces sept termes ne sont plus de la théorie californienne : ils décrivent des briques que des fiduciaires, family offices et cabinets juridiques de la place installent chez eux.
1. LLM (Large Language Model) : un moteur statistique qui prédit le mot suivant
Un LLM est un programme entraîné sur d'immenses quantités de texte pour prédire, mot après mot, la suite la plus probable d'une phrase. Quand vous tapez « Cher Monsieur, suite à votre courrier du… » dans ChatGPT, le LLM calcule ce qui vient statistiquement après, à partir des milliards d'exemples vus pendant son entraînement (source : Vaswani et al., Google Research, 2017, papier fondateur Transformer).
L'analogie en dirigeant à dirigeant : un correcteur d'orthographe surdimensionné. Votre correcteur Word propose un mot, le LLM en propose mille de suite. Cas d'usage grand public : ChatGPT (OpenAI), Claude (Anthropic), Mistral Le Chat, Gemini (Google).
La nuance que beaucoup de commerciaux IA oublient : un LLM ne comprend pas, il prédit. Pas de notion de vérité, pas de représentation du monde, pas d'intention. C'est ce qui explique pourquoi un LLM peut produire une phrase parfaitement formée et factuellement fausse, et pourquoi un humain doit toujours valider ce qui sort, surtout dans un métier régulé.
2. Prompt : la question (ou l'instruction) que vous donnez au modèle
Un prompt est l'instruction que vous écrivez au LLM : une question (« Résumez-moi ce contrat en cinq points »), une consigne (« Réécris ce mail dans un ton plus formel »), un contexte. C'est l'équivalent du brief que vous donneriez à un stagiaire à qui vous confiez une tâche pour la première fois.
L'analogie est exacte : brief flou, résultat flou. « Fais-moi un mail commercial » produit un mail passe-partout. « Rédige un mail de relance pour un client luxembourgeois sur une facture impayée depuis quarante-cinq jours, ton ferme mais courtois, vouvoiement, signature de l'associé » produit quelque chose d'utilisable. Trois conseils tiennent en pratique : donnez le contexte (qui parle, à qui, dans quel but), précisez le format attendu, donnez un exemple si vous en avez un.
La nuance qui économise du temps : un bon prompt ne corrige pas un mauvais modèle. Si la tâche dépasse ce que le LLM sait faire, aucun prompt ne sauvera le résultat.
3. Agent IA : un programme qui fait, pas qui répond
Un agent IA est un programme qui exécute une séquence d'actions pour atteindre un objectif. Un chatbot répond. Un agent fait. C'est la confusion la plus fréquente en réunion, et la nuance n'est pas cosmétique : elle décide de ce que vous achetez et de ce que ça coûte.
Cas concret du terrain : un cabinet de courtage luxembourgeois confie à un agent IA la qualification de ses prospects. L'agent lit l'email entrant, consulte la fiche LinkedIn, vérifie dans le CRM, rédige un résumé, planifie un rappel. Autre cas : le briefing matinal IA pour commerciaux et gestionnaires, où un agent compile chaque matin la veille marché et envoie une synthèse de huit lignes avant 8 h. À l'autre bout, un agent téléphonique IA prend les appels 24/7, qualifie l'appelant, planifie un rendez-vous.
La nuance professionnelle : l'agent ne remplace pas l'humain, il produit un brouillon. Le commercial relit la qualification, le gestionnaire relit le briefing, le secrétariat valide le rendez-vous. L'agent enlève le temps mécanique, pas la responsabilité.
4. Token : l'unité de mesure d'un LLM
Un token est un morceau de mot, ni une lettre ni un mot entier. En français, un token vaut environ trois quarts d'un mot (source : tokenizer officiel OpenAI). « Comptabilité » fait deux tokens, « le » fait un token.
Pourquoi c'est utile à comprendre : parce que c'est l'unité de facturation. Quand un fournisseur vend l'accès à son modèle par API, il facture au token consommé. Quand on dit qu'un modèle moderne gère « 200 000 tokens de contexte » (source : documentation officielle Anthropic, Claude 3), cela veut dire qu'il peut lire d'un seul coup environ cent cinquante pages, ce qui change ce qu'il est capable de traiter (un dossier client entier, un contrat de 80 pages, une année de comptes).
La nuance budgétaire : plus de tokens consommés égale plus cher. Une IA privée installée chez vous déplace ce calcul : le coût n'est plus au token, c'est un coût d'infrastructure mutualisé. Pour un usage intensif, c'est l'enjeu de la question combien coûte une IA privée pour une PME luxembourgeoise.
5. RAG (Retrieval-Augmented Generation) : faire répondre le LLM avec vos documents
Le RAG est la brique qui connecte un LLM à votre base documentaire pour qu'il réponde avec vos documents et pas avec ses connaissances générales (source : Lewis et al., Meta AI Research, NeurIPS 2020, papier fondateur RAG). C'est probablement le concept le plus utile du lexique, parce que c'est ce que vous achetez la plupart du temps quand on vous parle d'« IA d'entreprise ».
L'analogie de cabinet : un assistant qui, avant de répondre, consulte vos classeurs, vos contrats clients, vos procédures internes, puis formule une réponse appuyée sur ces documents. Sans RAG, le LLM répond de tête. Avec RAG, il lit d'abord vos documents.
Cas tiré du terrain : un cabinet d'experts-comptables installe un chatbot interne qui répond aux questions sur les procédures internes. Le même mécanisme sert à automatiser le traitement de documents en faisant lire à l'IA des liasses de pièces. Nuance commerciale : RAG n'est pas du fine-tuning. Le RAG lit à la volée. Le fine-tuning réentraîne le modèle. Deux objectifs, deux coûts.
6. Fine-tuning : adapter un modèle à un domaine, de façon permanente
Le fine-tuning est le réentraînement d'un modèle existant sur des données spécifiques pour qu'il s'imprègne d'un style, d'un vocabulaire ou d'une façon de raisonner propre à un métier.
|
Critère |
RAG |
Fine-tuning |
|---|---|---|
|
Mécanique |
Lecture à la volée d'une base |
Réentraînement du modèle |
|
Mise à jour |
Instantanée |
Lente (chaque mise à jour relance un entraînement) |
|
Coût |
Modéré, à l'usage |
Élevé, à la mise en place |
|
Cas typique PME |
Chatbot interne, recherche documentaire, support |
Rare, sauf très grand volume et style propriétaire fort |
La règle pratique : dans la grande majorité des cas PME, c'est du RAG, pas du fine-tuning (source : guide Databricks RAG vs Fine-tuning, 2024). Si un fournisseur vous vend du fine-tuning pour un cas modeste (chatbot FAQ, assistant documentaire), demandez pourquoi ce n'est pas du RAG. Souvent, il vend ce qu'il sait faire, pas ce qui vous sert.
7. Hallucination : quand le modèle invente avec aplomb
Une hallucination est une réponse fausse produite par le LLM avec la même assurance qu'une réponse vraie : jurisprudence inventée, chiffre fabriqué, date erronée, article de loi qui n'existe pas. Ce n'est pas un bug ponctuel, c'est une caractéristique structurelle : puisqu'il prédit le mot suivant le plus probable sans mécanisme de vérification interne, il peut produire une suite parfaitement plausible mais sans aucun ancrage dans la réalité.
Exemple connu : dans l'affaire Mata v. Avianca (United States District Court, Southern District of New York, juin 2023), un avocat américain a déposé un mémoire en citant six décisions sorties de ChatGPT (source : dossier judiciaire Mata v. Avianca, CourtListener). Aucune des six n'existait. Dans un métier où la sincérité de l'information engage votre responsabilité professionnelle, c'est un risque à comprendre.
La nuance opérationnelle : l'hallucination ne peut pas être éliminée à 100 %. Elle se réduit par trois leviers cumulés : le RAG (qui ancre la réponse dans vos documents), la vérification humaine systématique sur tout ce qui sort (citation, chiffre, date), et des garde-fous logiciels qui détectent les réponses « trop nettes ». La règle se résume à une phrase : vérifiez les chiffres et les citations avant de les utiliser, toujours.
Et maintenant ?
Vous avez les sept mots. Vous distinguez un chatbot d'un agent, vous comprenez pourquoi le RAG est plus pertinent que le fine-tuning dans la majorité des cas PME, vous suivez une conversation entre un consultant IA et votre DSI. Pour projeter ces termes sur un cas concret, prenez rendez-vous.
À propos de LetzAgents
LetzAgents conçoit et déploie des agents IA souverains pour les entreprises au Luxembourg : fiduciaires, family offices, cabinets juridiques et PME en secteur régulé. Hébergement européen, conformité RGPD et AI Act, partenariat opérationnel avec des modèles d'IA européens (Mistral notamment). Notre équipe associe ingénierie IA et connaissance de la place financière luxembourgeoise.
FAQ
1. Quelle est la différence concrète entre un chatbot et un agent IA ?
Un chatbot répond à une question avec du texte. Un agent reçoit un objectif et exécute une séquence d'actions (lire un email, consulter une base, planifier un rendez-vous, écrire un résumé). Le chatbot répond et attend la suivante. L'agent exécute un process. C'est ce qui change le périmètre et le coût d'un déploiement.
2. RAG ou fine-tuning, lequel choisir pour une PME ?
Pour la grande majorité des PME, c'est du RAG. Le RAG connecte le LLM à votre base documentaire et permet une réponse appuyée sur vos documents, mis à jour en temps réel. Le fine-tuning réentraîne le modèle, coûte cher, et ne se justifie que pour un volume très important et un style propriétaire fort. Si un fournisseur vous propose du fine-tuning sur un cas modeste, demandez pourquoi ce n'est pas du RAG.
3. Un LLM peut-il vraiment inventer une jurisprudence ou un chiffre officiel ?
Oui, et c'est un risque structurel appelé hallucination. Le modèle produit une réponse plausible mais fausse, avec la même assurance qu'une réponse vraie. La cause est mécanique : le LLM prédit le mot suivant le plus probable sans vérifier la véracité. Dans les métiers régulés (juridique, fiduciaire, santé), la règle est de vérifier humainement chaque citation et chaque chiffre avant publication.
4. Que veut dire « 200 000 tokens de contexte » dans une fiche produit ?
Que le modèle peut lire d'un seul coup environ 150 pages de texte. Le token est l'unité de mesure d'un LLM (environ trois quarts d'un mot en français) et l'unité de facturation chez la plupart des fournisseurs d'API IA, donc une variable de coût directe.
5. Ce lexique remplace-t-il le lexique juridique AI Act / RGPD ?
Non, il le complète. Ce glossaire est technique. Le lexique juridique IA (AI Act, RGPD, Cloud Act, NIS2, DORA, DPF) encadre l'usage légal d'une IA au Luxembourg. Les deux vocabulaires sont nécessaires pour piloter un projet IA dans un métier régulé.
6. Comment se former concrètement à ces sept termes au Luxembourg ?
Le programme gratuit Elements of AI Luxembourg, porté par le Ministère de la Connectivité, le Digital Learning Hub et l'INFPC, propose chaque année un module de formation accessible à tous (source : Digital Learning Hub Luxembourg, page officielle Elements of AI). La 5e édition s'est clôturée le 22 mai 2026. Les éditions suivantes sont annoncées sur dlh.lu. Pour aller plus loin sur les cas d'usage spécifiques à votre métier, prenez rendez-vous pour discuter de votre cas d'usage.
