Base de connaissances IA 2026

Glossaire IA 2026

Définitions précises, concepts connexes et mises en perspective pour agents IA, infrastructure LLM, gouvernance et systèmes IA de production.

L'épinglage de modèle est la pratique consistant à lier une application à un identifiant de modèle explicite et versionné — par exemple `gpt-5.6-pro-2026-06-25` plutôt qu'à un alias flottant tel que `dernier`. La raison est simple : un fournisseur met régulièrement à jour le modèle derrière un alias, ce qui signifie que le comportement des réponses, la latence ou le coût de votre application en production peuvent changer du jour au lendemain, même si vous n'avez rien modifié dans votre propre code. En se verrouillant sur un instantané spécifique, vous figez ce comportement et gardez le contrôle sur le moment exact où un changement prend effet. Dans les opérations quotidiennes des LLM, l'épinglage de modèle est une mesure de stabilité fondamentale. Vous évaluez un nouveau modèle dans un environnement de test par rapport à vos propres critères, puis vous augmentez délibérément l'identifiant épinglé en production une fois qu'il est validé. L'épinglage n'est pas l'opposé de la mise à niveau — c'est sa forme disciplinée : il sépare la disponibilité d'un modèle de son déploiement. Cette séparation rend les résultats reproductibles, les tests de régression significatifs, et les migrations vers de nouvelles générations de modèles planifiables plutôt que subies par surprise.

Ingénierie IA

(07)

Évaluation de modèle IA

L'évaluation de modèle IA est la pratique structurée de tester si un modèle de langage ou multimodal est suffisamment performant pour une tâche commerciale spécifique. Elle va au-delà des scores de référence publics. Une évaluation utile reflète le travail réel que le modèle devra accomplir : types d'entrée, formats de sortie attendus, taux d'erreur acceptables, effort de révision, latence, contraintes de coût et de sécurité. Les équipes combinent généralement des cas de test sélectionnés, des réponses de référence, une notation automatisée, une révision humaine, des exemples adverses et une surveillance en production. L'objectif n'est pas de trouver le modèle avec le score générique le plus élevé, mais celui qui répond de manière fiable aux exigences de qualité pour un flux de travail défini. Un modèle moins coûteux peut être parfait pour la classification ou la rédaction, tandis que les décisions d'architecture, le contenu réglementé ou les tâches de codage autonome peuvent nécessiter un raisonnement plus fort et des vérifications plus strictes. L'évaluation de modèle IA crée également la base de preuves pour les politiques de sélection de modèles, les règles de routage et de secours. Elle doit être effectuée avant le déploiement, après des changements de fournisseur ou de prompt, et de manière continue une fois le système en service. Sans évaluation, les équipes optimisent souvent pour des démonstrations : des réponses fluides qui semblent impressionnantes mais échouent face au volume, aux cas limites, à la pression des coûts ou aux exigences de conformité.

Un framework de recherche autonome pilote par IA ou un agent conçoit et execute des experiences de machine learning en boucle continue. Le chercheur fournit un objectif en markdown ; l'agent ecrit du code, execute des experiences, mesure les resultats et itere sans intervention humaine. Popularise par Andrej Karpathy en mars 2026 avec 110 iterations autonomes de LLM en 12 heures sur 8 GPU H100.

IA agentique & agents

(61)

Autorisation MCP

L'autorisation MCP est la couche de contrôle qui détermine quels outils, sources de données et actions un client MCP peut utiliser via un serveur MCP. Le Model Context Protocol est puissant car il offre aux systèmes d'IA un moyen standard d'accéder à des fichiers, bases de données, APIs et flux de travail internes. Cette même puissance devient risquée lorsque l'autorisation est floue : un agent peut découvrir un outil, mais le système doit encore savoir pour quel utilisateur il agit, quelles permissions s'appliquent, combien de temps l'accès dure et si l'action demandée est autorisée dans ce contexte. Une autorisation MCP solide sépare l'identité, le consentement, la portée et l'application à l'exécution. Elle peut utiliser OAuth, des jetons de courte durée, des rôles tenant-aware, des portées par outil et des vérifications d'approbation côté serveur, mais l'important est où la décision réside. Elle ne doit pas être cachée dans une invite ou laissée au jugement du modèle ; elle doit être appliquée par le protocole, l'infrastructure et les journaux. Dans les systèmes d'agents en production, l'autorisation MCP transforme les requêtes en langage naturel en actions système délimitées. L'agent peut toujours accomplir des tâches, mais ne peut pas librement accéder à des données sensibles, des APIs privilégiées ou des opérations destructrices simplement parce qu'un utilisateur a formulé une requête de manière convaincante.

Automatisation AI qui fonctionne directement dans un environnement de navigateur web, tirant parti des API de navigateur et des sessions existantes sans nécessiter de script externe ou de configurations headless.

IA agentique & agents

(10)

Budget de contexte

Un budget de contexte est l'ensemble d'informations planifiées délibérément fournies à un modèle d'IA ou un agent de codage pour une tâche spécifique. Il inclut l'invite système, les règles du projet, les fichiers pertinents, les exemples, les tickets, les journaux d'erreurs, les sorties d'outils et l'historique des étapes précédentes. Comme chaque modèle a une fenêtre de contexte limitée, le budget détermine si l'agent peut raisonner à partir des bonnes preuves ou s'il est distrait par le bruit. Les équipes performantes traitent le budget de contexte comme un artefact d'ingénierie : elles sélectionnent les sources, classent les exigences strictes au-dessus du matériel de fond, éliminent les fichiers non pertinents et conservent suffisamment de traçabilité pour la révision. Dans les flux de travail agentiques, la gestion du budget de contexte est également un contrôle de coût et de sécurité. Un contexte plus petit et mieux organisé réduit la dépense en tokens, diminue l'exposition accidentelle des données et facilite la reproductibilité des résultats. Cependant, un contexte trop limité crée des hallucinations, des suppositions erronées et des allers-retours évitables. En pratique, la gestion du budget de contexte signifie clarifier la tâche, emballer uniquement les preuves nécessaires, documenter les résultats intermédiaires et rafraîchir le contexte délibérément lors de travaux d'agents de longue durée.

Ingénierie IA

(11)

Budget de Phase

Un budget de phase est une limite de temps ou de tokens explicitement définie pour une seule phase au sein d'un workflow d'agent IA. Le concept provient du Framework GSD de Context Studios et résout l'un des modes d'échec les plus courants dans les agents IA autonomes : les sessions incontrôlées où les agents spiralent dans des boucles infinies d'analyse paralysante sans contraintes temporelles. En pratique : un agent de création de contenu reçoit 120 secondes pour la recherche, 300 secondes pour l'écriture et 60 secondes pour le contrôle qualité. Si une phase dépasse son budget, l'agent termine cette phase, transmet le meilleur résultat obtenu jusqu'à présent et journalise la violation du budget. Cela empêche une seule étape de déborder de bloquer l'ensemble du pipeline. Les budgets de phase sont particulièrement critiques dans les systèmes multi-agents où un sous-agent lent peut retarder toute l'orchestration. Ils permettent un contrôle précis des coûts via les budgets de tokens. Bonnes pratiques : définir des budgets généreusement mais pas infiniment ; toujours définir un comportement de repli ; calibrer les budgets empiriquement après plusieurs exécutions en production.

Le coût d'inférence désigne les dépenses financières encourues lors de l'exploitation d'un modèle de langage IA. Contrairement aux coûts d'entraînement (ponctuels, très élevés), les coûts d'inférence s'accumulent continuellement et représentent le principal facteur de coût IA dans les opérations courantes. Les coûts d'inférence sont facturés en prix par token. En 2026 : GPT-4o environ 2–5 $/M tokens d'entrée ; Claude Sonnet à 3 $/M entrée, 15 $/M sortie ; modèles abordables comme Haiku ou Gemini Flash 0,25–1 $/M tokens. Les tokens de sortie coûtent plus cher que les tokens d'entrée, donc les systèmes rentables optimisent la longueur des sorties. Les coûts d'inférence ont chuté de plus de 100× depuis 2023 — les performances équivalentes GPT-4 coûtent maintenant ~1% de leur prix de 2023. Cette tendance se poursuit avec les déploiements Blackwell et Vera Rubin. Stratégies d'optimisation clés : routage des modèles (modèles bon marché pour les tâches simples), inférence batch (remise 50–75%), optimisation des prompts (demander des sorties plus courtes), mise en cache des requêtes fréquentes.

Économie IA & coûts

D

(01)

Dangerously Skip Permissions

Un flag Claude Code (`--dangerously-skip-permissions`) qui désactive les confirmations par défaut avant l'utilisation des outils. Sûr uniquement sur des machines dédiées et isolées (comme un VPS provisionné spécifiquement pour des tâches agentiques) où le rayon d'action d'un processus incontrôlé est limité à ce serveur et n'affecte pas l'environnement principal du développeur.

Sécurité & souveraineté

(02)

Data

Des faits bruts et non organisés qui doivent être traités. Les données peuvent être quelque chose de simple et apparemment aléatoire et inutile jusqu'à ce qu'elles soient organisées. Lorsque les données sont traitées, organisées, structurées ou présentées dans un contexte donné afin de les rendre utiles, on les appelle des informations.

Technologie IA de base

(03)

Data Scientist

Un professionnel qui utilise des méthodes statistiques, des algorithmes d'apprentissage automatique et des techniques de visualisation des données pour analyser de grands ensembles de données et extraire des informations exploitables.

Technologie IA de base

(04)

Décodage Spéculatif

Une technique d'optimisation où un petit modèle rapide prédit les prochains tokens, et un modèle plus grand ne fait que les vérifier, augmentant drastiquement la vitesse.

Ingénierie IA

(05)

Deep Research Agents

Deep Research Agents est un concept agentic AI dans les systèmes IA modernes qui permet des capacités d'agents autonomes. Il joue un rôle clé dans les déploiements IA d'entreprise où les systèmes doivent fonctionner de manière autonome tout en maintenant une supervision humaine.

IA agentique & agents

(06)

Deep Think Mode

Deep Think Mode est un concept core AI technology dans les systèmes IA modernes qui représente les capacités techniques fondamentales alimentant les applications IA modernes. Il joue un rôle clé dans les déploiements IA d'entreprise où le choix de la bonne technologie détermine directement les performances de l'application.

Technologie IA de base

(07)

Demande de Tirage d'Agent

Une Demande de Tirage d'Agent (Agent PR) décrit le processus complet dans lequel un agent de codage IA — tel que Claude Code, OpenAI Codex, ou des systèmes similaires — implémente de manière autonome des modifications de code et les soumet en tant que demande de tirage dans un système de contrôle de version comme GitHub, sans qu'un développeur humain n'ait à effectuer l'étape de soumission. Contrairement aux assistants de codage IA traditionnels qui se contentent de proposer des suggestions, un système agentique exécutant une Demande de Tirage d'Agent prend en charge toute la chaîne d'exécution : analyser la tâche, implémenter les modifications, exécuter les tests, résoudre les échecs et soumettre le code pour révision. Ce processus peut être entièrement automatisé ou fonctionner dans un modèle avec un humain dans la boucle où un développeur examine la demande de tirage terminée avant de la fusionner. Le Protocole de Demande de Tirage d'Agent — un modèle popularisé par des agents de codage comme Claude Code — formalise ce flux de travail et représente l'un des cas d'utilisation les plus concrets du développement logiciel piloté par agent. Les scénarios courants incluent la correction automatique de bogues, la mise en œuvre de petites fonctionnalités, la refactorisation du code selon des normes établies et la génération de tests pour des bases de code existantes. Le contrôle de qualité pour les Demandes de Tirage d'Agent implique généralement des pratiques de révision axées sur les différences, la validation automatisée des pipelines CI/CD, et des revues de sécurité du code par IA supplémentaires. Les grandes organisations d'ingénierie intègrent les Demandes de Tirage d'Agent dans des boucles de révision structurées pour assurer la cohérence, la traçabilité et la conformité aux normes de développement. Le concept de Demande de Tirage d'Agent marque un changement fondamental dans la manière dont l'IA participe au développement logiciel — passant d'assistant passif à contributeur actif — et constitue une pierre angulaire des flux de travail d'ingénierie agentique modernes.

IA agentique & agents

(08)

Déploiement d'IA en entreprise

Le déploiement d'IA en entreprise est le processus rigoureux de transition des systèmes d'IA de pilotes prometteurs à une utilisation fiable en production à travers une entreprise. Cela va au-delà du simple lancement d'un modèle, d'un chatbot ou d'un script d'automatisation. Un véritable déploiement définit l'objectif commercial, l'accès aux données, la sélection des modèles et des outils, les intégrations système, les autorisations, la surveillance, le contrôle des coûts et la responsabilité opérationnelle. L'objectif est de relier la stratégie IA à l'ingénierie et à la gouvernance : prioriser les cas d'usage, les tester dans des pilotes limités, évaluer les risques, puis étendre les flux de travail qui démontrent une valeur mesurable. Ce terme est important car de nombreux projets d'IA réussissent en démonstration mais échouent en production lorsque des problèmes de sécurité, d'adoption par les utilisateurs, de latence, de qualité des données ou de responsabilité floue apparaissent. Le déploiement d'IA en entreprise transforme l'expérimentation en une capacité opérationnelle grâce à une architecture documentée, des boucles de révision, des plans de secours, des vérifications de confidentialité, de l'observabilité et une optimisation continue. Pour les systèmes agentiques, les applications RAG et les agents de codage, il définit également quelles tâches peuvent être automatisées, où la révision humaine est obligatoire et quelles métriques de qualité justifient le déploiement en production.

Ingénierie IA

(09)

Dépréciation de modèle

La dépréciation de modèle est la mise à la retraite planifiée par le fournisseur d'une version spécifique d'un modèle d'IA. Un modèle que vous utilisez en production aujourd'hui est programmé pour être arrêté, gelé ou avoir un accès restreint à une date annoncée — un coucher de soleil au même titre que tout produit logiciel, mais avec des conséquences uniques aux modèles. Contrairement à une dépréciation générique d'API, ce n'est pas seulement un point d'accès qui disparaît. La version retirée avait son propre comportement, ses propres schémas de réponse, et des prompts ajustés pour elle. Lorsqu'elle est dépréciée, s'en éloigner modifie généralement la qualité de sortie, ce qui oblige à une nouvelle évaluation, à retravailler les prompts et à refaire des tests. La dépréciation est l'événement déclencheur dans le cycle de vie d'un modèle : elle rend l'ancrage du modèle seulement une protection temporaire et force finalement une migration de modèle. Les fournisseurs annoncent généralement les dépréciations avec un délai de préavis, bien que parfois à court terme pour des raisons réglementaires ou commerciales. Pour les équipes basées sur une seule version de modèle propriétaire, une dépréciation représente un risque opérationnel — sans alternative prête, elles font face à des interruptions ou à des migrations précipitées sous contrainte de temps.

Infrastructure IA

(10)

Dérive comportementale

La dérive comportementale désigne la divergence progressive d'un agent IA par rapport à son profil comportemental initialement défini au fil du temps. Bien que les interactions individuelles puissent rester conformes aux spécifications, l'effet cumulatif des boucles de rétroaction, de l'auto-optimisation ou des conditions contextuelles changeantes peut amener le comportement du système à s'écarter de plus en plus de ses paramètres cibles initiaux. Ce phénomène se produit le plus souvent dans les systèmes IA auto-améliorants qui optimisent leurs propres capacités à travers des cycles d'exécution répétés. Sans garde-fous appropriés et surveillance continue, la dérive comportementale peut entraîner des résultats inattendus, des schémas décisionnels dangereux ou une perte totale de l'alignement initial du système. Pour les entreprises déployant des agents IA dans des processus critiques pour la production, la dérive comportementale constitue un facteur de risque important. Les contre-mesures incluent des comparaisons régulières avec la ligne de base, la détection d'anomalies de sortie et des boucles de rétroaction RLHF qui détectent et corrigent les écarts tôt avant qu'ils ne causent des dommages critiques.

Sûreté IA & garde-fous

(11)

Dérive de la qualité du modèle

La dérive de la qualité du modèle est le déclin mesurable de la qualité des résultats de l'IA lors de son utilisation en conditions réelles. Un système performant lors de son lancement peut produire des résultats moins satisfaisants des semaines ou des mois plus tard, même en servant le même cas d'utilisation. Les causes courantes incluent des changements dans les données d'entrée, des modifications du comportement des utilisateurs, des mises à jour des modèles de prompt, des changements dans la chaîne d'outils ou des mises à jour des modèles en amont par les fournisseurs. En production, la dérive se manifeste souvent d'abord par un effort de correction accru, plus d'hallucinations, une précision de classification réduite ou un ralentissement dans les flux de travail des agents. Le point clé est que la dérive n'est pas un bug isolé ; c'est un risque opérationnel continu. C'est pourquoi les équipes ont besoin d'un contrôle qualité continu avec des métriques explicites telles que le taux de succès des tâches, le taux d'erreur, la cohérence des réponses et les indicateurs de performance clés au niveau des processus. Les équipes matures combinent des évaluations hors ligne sur des ensembles de référence fixes avec une surveillance en ligne sur le trafic en direct. Lorsque la qualité chute au-delà des seuils définis, elles déclenchent des mesures d'atténuation telles que le retour en arrière des prompts, l'ajustement des garde-fous, les changements de routage des modèles ou le fine-tuning ciblé. Cela permet de maintenir la performance de l'IA sous contrôle au fil du temps, au lieu de compter sur la chance.

Infrastructure IA

(12)

Désignation de Risque de la Chaîne d'Approvisionnement

Une classification du Pentagone exigeant que les sous-traitants de la défense certifient la non-utilisation de technologies désignées. Menace émise contre Anthropic en 2026.

Sûreté IA & garde-fous

(13)

Dette Technique Générée par l'IA

La dette technique créée par l'acceptation de code IA sans examen, test ou compréhension — menant à des défis de maintenance et des risques de sécurité.

Ingénierie IA

(14)

Développement à chaud

Un flux de travail de développement où les modifications du code sont appliquées instantanément sans redémarrer l'application, permettant une itération rapide.

Technologie IA de base

(15)

Développement Agentique

Le développement agentique est une approche de développement logiciel où des agents IA écrivent, testent et déploient du code de manière autonome avec une supervision humaine minimale. Contrairement au coding assisté par IA, le développement agentique laisse les agents IA gérer des tâches de développement entières.

IA agentique & agents

(16)

Développement IA Autonome

Une approche de développement logiciel où des agents IA planifient, écrivent, testent et déboguent le code de manière indépendante avec peu ou pas d'intervention humaine, en utilisant des boucles d'auto-correction.

Ingénierie IA

(17)

Développement IA Récursif

Le concept selon lequel les systèmes d'IA s'améliorent eux-mêmes ou construisent de meilleurs systèmes d'IA, ce qui pourrait entraîner une accélération rapide des capacités. Une préoccupation majeure discutée par les leaders de l'IA lors du WEF 2026.

IA agentique & agents

(18)

Differential Privacy for ML

La confidentialité différentielle pour ML est un cadre mathématique qui fournit des garanties formelles concernant la vie privée des individus dont les données sont utilisées dans l'apprentissage automatique. Elle garantit que les sorties du modèle ne révèlent pas d'informations sensibles sur un exemple d'entraînement spécifique.

Sécurité & souveraineté

(19)

Disruption des Prix de l'IA

Le changement de marché causé par les modèles IA open-source offrant des performances compétitives à des coûts inférieurs, forçant les entreprises propriétaires à repenser leurs prix.

Économie IA & coûts

(20)

DOM State

L'état actuel et les données représentées dans le Document Object Model (DOM) d'une page web, reflétant la structure, le contenu et le style appliqués aux éléments.

Technologie IA de base

(21)

DPO (Optimisation Directe des Préférences)

Une alternative plus efficace à RLHF qui élimine l'étape séparée du modèle de récompense. Entraîne le modèle directement sur des paires de préférences. Plus simple à implémenter, mais peut aussi causer le Mode Collapse si les données d'entraînement contiennent un biais de typicalité.

Ingénierie IA

(22)

Dual-Model Coding

Le Dual-Model Coding est un pattern de développement IA où deux modèles de langage aux forces complémentaires collaborent sur le même codebase. Un modèle de raisonnement (Claude Opus 4.6, GPT-5) gère les décisions d'architecture et la revue de code, tandis qu'un modèle rapide (Gemini 3.1 Flash, Claude Haiku) gère la génération de code et les tests. Un workflow Opus pur coûte environ 10x plus par token que Flash. Un setup dual-model atteint 80-90% de la qualité à 20-30% du coût.

EU AI Act Compliance est un concept regulatory compliance dans les systèmes IA modernes qui répond aux exigences légales et réglementaires pour le déploiement de l'IA. Il joue un rôle clé dans les déploiements IA d'entreprise où les organisations doivent respecter l'EU AI Act, le RGPD et les mandats sectoriels.

Conformité & régulation

(13)

Evidence Packs

Des ensembles de documents sélectionnés fournis au modèle IA comme base factuelle vérifiée pour les tâches complexes, réduisant significativement les hallucinations.

Un bloc de métadonnées en haut d'un fichier écrit au format YAML, couramment utilisé pour configurer les compétences des agents IA, les articles de blog et la documentation.

Technologie IA de base

(19)

Full System Access

Le niveau de permissions accordées à un assistant IA lui permettant d'interagir avec le système d'exploitation et le matériel d'un ordinateur, y compris l'exécution de commandes, la gestion de fichiers et le contrôle des dispositifs.

Sécurité & souveraineté

(20)

Function Calling

L'appel de fonction est une capacité des modèles d'IA où le modèle peut générer des appels API structurés vers des outils ou des fonctions externes en fonction des invites des utilisateurs. Cela permet à l'IA d'interagir avec des systèmes du monde réel et d'effectuer des actions au-delà de la génération de texte.

Un grand modèle de langage (LLM) développé par xAI, connu pour son raisonnement avancé et ses performances.

Technologie IA de base

(27)

Gueule de Bois du Vibe Coding

Les conséquences négatives après un vibe coding extensif: dette technique, code non maintenable et réalisation que le code IA nécessite de la rigueur.

Un mécanisme d'attention qui combine différents types de mécanismes d'attention (par exemple, gated attention et delta net) pour tirer parti des forces de chacun et améliorer les performances.

Technologie IA de base

I

(01)

IA Agentique

Systèmes IA capables d'action autonome vers des objectifs complexes, utilisant des outils, prenant des décisions et s'adaptant aux changements d'environnement sans intervention humaine constante.

IA agentique & agents

(02)

IA auto-hébergée

Logiciel d'IA qui fonctionne sur le matériel de l'utilisateur ou sur des serveurs privés, offrant un contrôle total sur les données, la personnalisation et la disponibilité. Des exemples incluent Clawdbot et les déploiements locaux de LLM.

Infrastructure IA

(03)

IA Constitutionnelle

Une méthode d'entraînement des modèles IA à suivre un ensemble spécifique de règles ou 'constitution', garantissant qu'ils restent utiles, inoffensifs et honnêtes sans supervision manuelle.

Sûreté IA & garde-fous

(04)

IA dans les industries réglementées

L'IA dans les industries réglementées désigne l'utilisation de l'intelligence artificielle dans des secteurs où les exigences légales, réglementaires, d'audit ou de sécurité déterminent la conception et le fonctionnement de la technologie. Des exemples typiques incluent les services financiers, la santé, l'assurance, l'énergie, les organisations du secteur public et les chaînes d'approvisionnement industrielles. Le terme couvre bien plus que le choix d'un modèle. Il englobe l'ensemble de l'environnement opérationnel : sources de données approuvées, droits d'accès, journalisation, évaluations des risques, révision humaine, pistes d'audit, contrôles des fournisseurs et preuves pour les examinateurs internes ou externes. Un système d'IA dans une industrie réglementée ne peut pas être traité comme une simple expérimentation de chatbot. Il nécessite une propriété claire, des résultats traçables, des décisions documentées, des contrôles de confidentialité et de sécurité, des vérifications de biais, des procédures de changement de modèle et des règles de repli lorsque la confiance est faible. Les questions pratiques sont concrètes : quelles données l'IA peut-elle accéder, qui peut agir sur le résultat, quand un humain doit-il l'approuver, et comment l'organisation peut-elle prouver ce qui s'est passé par la suite ? Bien exécutée, l'IA dans les industries réglementées transforme la conformité d'un obstacle en une contrainte de conception pour des flux de travail de production fiables.

Conformité & régulation

(05)

IA dans les PME (KI im Mittelstand)

KI im Mittelstand désigne l'adoption de l'IA dans les PME allemandes (50-1.000 employés). En 2026: 26% des entreprises allemandes utilisent l'IA (Destatis), 53% des PME actives en R&D (KfW). 43% n'ont pas de stratégie IA (BIDT/DMB). L'utilisation la plus courante: IA générative comme ChatGPT (73%), mais le meilleur ROI vient de la maintenance prédictive (18-25%), du contrôle qualité IA (40% moins de défauts), du traitement intelligent de documents (70% de gain de temps) et du service client IA (35% plus rapide).

Économie IA & coûts

(06)

IA distribuée

L'IA distribuée désigne des systèmes où les opérations de calcul, les modèles et les données sont répartis sur plusieurs ordinateurs, dispositifs en périphérie ou centres de données, plutôt que de fonctionner de manière centralisée sur un seul serveur. Cette architecture permet une inférence plus rapide, une meilleure évolutivité et une tolérance aux pannes. En particulier dans le contexte de l'informatique en périphérie et des réseaux satellitaires comme NVIDIA Space Computing, l'IA distribuée prend de plus en plus d'importance. La distribution réduit la latence, améliore la confidentialité grâce au traitement local et diminue la dépendance à l'infrastructure centralisée.

Infrastructure IA

(07)

IA Multimodale

L'IA multimodale désigne les systèmes d'intelligence artificielle capables de traiter, comprendre et générer des informations à travers plusieurs modalités de données — y compris le texte, les images, l'audio, la vidéo et les données structurées — au sein d'un seul modèle unifié. Contrairement aux systèmes unimodaux spécialisés dans un seul type de données, les modèles d'IA multimodale peuvent raisonner simultanément sur plusieurs modalités : décrire une image, répondre à des questions sur une vidéo, transcrire et analyser la parole, ou générer des images à partir de descriptions textuelles. L'architecture transformer, pionnée par Google Brain et affinée par OpenAI, DeepMind et Anthropic, s'est révélée naturellement adaptée à l'apprentissage multimodal grâce à des mécanismes d'attention opérant uniformément sur diverses séquences de tokens. Les modèles multimodaux phares incluent GPT-4V et GPT-4o d'OpenAI, Gemini 1.5 et 2.0 de Google DeepMind, la famille Claude 3 d'Anthropic et Llama 3.2 Vision de Meta. Les applications pratiques de l'IA multimodale couvrent la santé, la fabrication, le commerce de détail et les médias. L'IA multimodale devient rapidement le paradigme par défaut pour les modèles de fondation, l'intelligence du monde réel embrassant par nature plusieurs sens et flux de données. Chez Context Studios, nous déployons l'IA multimodale dans des applications clients allant des pipelines d'intelligence documentaire traitant texte et images intégrées aux outils de visualisation de produits combinant descriptions clients et imagerie générée.

Technologie IA de base

(08)

IA-native

Une entreprise ou organisation qui a fondamentalement restructuré ses opérations autour de l'IA, en privilégiant l'automatisation et les flux de travail pilotés par l'IA plutôt que les processus traditionnels dirigés par l'homme. Devenir IA-native signifie plus que simplement utiliser des outils d'IA — cela représente un changement stratégique fondamental où l'IA influence les décisions de recrutement, le développement de produits et la planification des effectifs.

Économie IA & coûts

(09)

IDE agentique

Un IDE agentique est un environnement de développement doté d'un agent IA autonome intégré à son cœur, capable d'effectuer des tâches de programmation en plusieurs étapes de manière autonome — écrire du code, le refactoriser, exécuter des tests et agir en fonction des résultats. Contrairement à un IDE traditionnel qui offre peu plus que l'autocomplétion, l'agent intégré planifie des flux de travail entiers, lit et édite plusieurs fichiers avec une pleine conscience du contexte du projet, et ajuste sa trajectoire en fonction des résultats de ses propres modifications. Des outils comme Cursor et Windsurf définissent cette catégorie : ils associent la surface familière d'un éditeur de code à un agent qui comprend la base de code et propose des modifications ou les applique directement. Ce qui distingue un IDE agentique d'un agent de codage basé sur un terminal est le facteur de forme — l'édition, l'aperçu et le contrôle convergent tous dans une interface graphique. Le schéma crucial est la boucle entre le contexte du projet, l'accès aux outils et la supervision humaine : l'agent suggère des étapes, et le développeur les examine, les corrige et les approuve. Le travail quotidien se déplace des frappes individuelles vers la direction et la vérification d'un agent qui gère la plupart de la mise en œuvre mécanique.

Ingénierie IA

(10)

Identité d'agent IA

L'identité d'agent IA est l'identité unique et vérifiable qu'un agent IA autonome utilise pour s'authentifier auprès des systèmes, des API et d'autres agents. Contrairement à un compte utilisateur humain, il s'agit d'une identité non humaine (machine) : elle établit qui est l'agent, au nom de qui il agit et quelles sont les informations d'identification qu'il présente pour ce faire. Là où les profils d'autorisation régissent ce qu'un agent est autorisé à faire, l'identité d'agent répond à la question préalable de savoir sous quelle identité l'agent se présente en premier lieu. En production, chaque agent reçoit sa propre identité de courte durée avec des informations d'identification clairement définies—émises via des identités de charge de travail, des jetons signés ou un fournisseur d'identité central. Cela rend chaque action traçable à un agent spécifique, permet la rotation automatique des informations d'identification et permet de révoquer un agent compromis sans fermer l'ensemble des systèmes. Lorsque plusieurs agents collaborent, une identité claire empêche un agent de se faire passer pour un autre ou d'abuser d'une autorité empruntée. Pour les entreprises, l'identité d'agent est la base des pistes d'audit, du contrôle d'accès et de la conformité. Sans elle, il n'y a pas de réponse fiable à la question de savoir quel agent a accédé à quelles données ou déclenché quelle transaction—exactement les preuves que les régulateurs, les équipes de sécurité et les clients attendent de plus en plus de l'IA en production.

Sécurité & souveraineté

(11)

Iframe Sandboxée

Une iframe sandboxée est un conteneur HTML restreint qui isole le contenu intégré de la page parente pour des raisons de sécurité. Dans le contexte des MCP Apps, les iframes sandboxées permettent aux assistants IA de rendre en toute sécurité des applications tierces interactives dans les conversations.

Infrastructure IA

(12)

Imagen 3

Le modèle IA text-to-image de troisième génération de Google DeepMind qui alimente Google Whisk, reconnu pour son photoréalisme élevé et sa fidélité créative.

Technologie IA de base

(13)

Inférence en Temps Réel

L'inférence en temps réel désigne le traitement immédiat des requêtes IA avec une latence minimale, typiquement dans la plage des millisecondes à quelques secondes. Contrairement à l'inférence par lots où les requêtes sont collectées et traitées en groupes, l'inférence en temps réel répond à chaque entrée immédiatement — essentielle pour les applications interactives où les utilisateurs attendent un retour instantané. La métrique la plus importante est le Time-to-First-Token (TTFT) : temps écoulé entre la soumission d'une requête et la réception du premier token de réponse. Pour les chatbots conversationnels, un TTFT inférieur à 500ms est généralement acceptable. La sortie en streaming améliore considérablement la latence perçue. Les cas d'usage typiques comprennent : chatbots conversationnels comme ChatGPT ou Claude.ai, assistants de codage IA comme GitHub Copilot ou Cursor, services de traduction en temps réel, assistants vocaux combinant reconnaissance et synthèse vocale, analyse interactive de documents, et agents IA autonomes devant réagir aux changements dans des fenêtres de temps serrées. Les exigences techniques sont nettement plus élevées que pour l'inférence par lots : faible latence nécessite des serveurs géographiquement proches, des optimisations spécialisées ou des modèles plus petits et rapides. Des fournisseurs comme Groq atteignent 500+ TPS conçus pour les applications en temps réel.

Infrastructure IA

(14)

Inférence IA

L'inférence IA désigne le processus par lequel un modèle de machine learning déjà entraîné traite de nouvelles données d'entrée pour générer des prédictions, du texte, des images ou d'autres sorties. Contrairement à l'entraînement — où le modèle apprend de datasets et ajuste ses paramètres — l'inférence utilise un modèle entièrement formé pour accomplir des tâches concrètes en temps réel ou en mode batch. La distinction économique est fondamentale : entraîner un grand modèle de langage coûte $1M–$100M+ en dépense unique. L'inférence, en revanche, se produit à chaque requête utilisateur — des milliers à des milliards de fois par jour. Comme des millions d'utilisateurs interagissent quotidiennement avec des services IA, les coûts cumulatifs d'inférence dépassent largement les coûts d'entraînement sur la durée de vie du modèle déployé. Les métriques clés incluent le Time-to-First-Token (TTFT) mesurant la latence avant le premier token, et les Tokens par Seconde (TPS) mesurant le débit. Les choix d'infrastructure se divisent entre l'inférence batch pour le traitement en masse et l'inférence en temps réel nécessitant une réponse sub-seconde pour les applications interactives. Les techniques d'optimisation couvrent la quantisation (FP32 → INT8/FP4), l'élagage de modèle, le décodage spéculatif et l'optimisation du cache KV. Les puces d'inférence spécialisées — NVIDIA H100/B200, TPU Google, LPU Groq — offrent des améliorations considérables en débit et efficacité énergétique.

Infrastructure IA

(15)

Inférence par Lots

L'inférence par lots désigne le processus de collecte de plusieurs requêtes IA et de leur traitement groupé, plutôt que de gérer chaque requête individuellement et immédiatement. Au lieu d'envoyer une invite à la fois, l'inférence par lots met en file d'attente les entrées, les regroupe et les traite collectivement — en contraste direct avec l'inférence en temps réel où chaque requête reçoit une réponse immédiate. Les avantages économiques sont considérables : des fournisseurs d'IA comme Anthropic et OpenAI proposent des API batch 50 à 75 % moins chères que leurs équivalents synchrones. La réduction des coûts provient d'une meilleure utilisation des GPU — le batching permet d'exploiter pleinement la capacité de calcul disponible. L'architecture Blackwell de NVIDIA est spécifiquement conçue pour les charges de travail batch à haut débit. Les cas d'usage typiques de l'inférence par lots comprennent : la traduction en masse de documents, l'analyse SEO automatisée de grandes bibliothèques de contenu, les résumés quotidiens de flux d'actualités, la classification de catalogues de produits, l'analyse de sentiment et le traitement nocturne de données analytiques. Ces scénarios partagent une caractéristique : les résultats ne sont pas nécessaires en temps réel — des délais de minutes à heures sont acceptables. Les paramètres techniques clés incluent la taille du lot, la latence maximale acceptable, les stratégies de gestion des erreurs et le batching adaptatif qui ajuste dynamiquement la taille du lot en fonction de la charge et du nombre de tokens.

Infrastructure IA

(16)

Inference Scaling

L'Inference Scaling est le processus d'optimisation du déploiement des modèles d'IA pour gérer un nombre croissant de requêtes d'inférence ou des volumes de données en augmentation. Cela implique des techniques telles que le parallélisme des modèles, le calcul distribué et l'accélération matérielle pour maintenir les performances et minimiser la latence.

Infrastructure IA

(17)

Inference-Time Compute

Inference-Time Compute est un concept AI engineering dans les systèmes IA modernes qui améliore le développement et la maintenance des systèmes alimentés par l'IA. Il joue un rôle clé dans les déploiements IA d'entreprise où la qualité logicielle et la vélocité de développement impactent directement les résultats.

Ingénierie IA

(18)

Infrastructure d'agent IA

L'infrastructure d'agent IA est la couche technique qui permet aux agents IA de passer de l'assistance de type chat à l'exécution contrôlée. Elle inclut l'accès aux modèles, les connexions aux outils et API, l'identité, les profils de permission, la mémoire, les environnements d'exécution, l'observabilité, les contrôles de coûts et les chemins d'approbation humaine. Un modèle performant n'est qu'un composant ; l'agent a également besoin d'un environnement sûr pour fonctionner, de droits explicites, d'un accès fiable aux données, d'appels d'outils traçables et d'un moyen de se rétablir en cas d'échec. En production, cette infrastructure détermine si un agent peut être digne de confiance pour un travail réel. Elle sépare les entrées utilisateur des instructions système et des données externes, protège les identifiants, limite ce que l'agent peut modifier et enregistre chaque étape pour révision. Dans des configurations multi-agents, elle gère également la coordination : quel agent possède la tâche, quels systèmes il peut toucher, comment les résultats partiels sont fusionnés et quand une action doit être approuvée par un humain. Le terme est important car la plupart des projets d'agents d'entreprise échouent non pas parce que le modèle est faible, mais parce que l'exécution n'est pas gouvernée. Une infrastructure d'agent IA solide rend les flux de travail autonomes observables, audités, résilients et suffisamment sûrs pour se connecter aux systèmes d'entreprise.

Infrastructure IA

(19)

Ingénierie Agentique

L'ingénierie agentique est une approche structurée de développement logiciel où les agents IA sont intégrés dans le processus de livraison en tant que contributeurs contrôlés, et non comme générateurs de code sans contraintes. Contrairement au 'vibe coding', elle repose sur des objectifs explicites, un contexte délimité, de petites demandes de tirage, des tests, des boucles de révision et des décisions traçables. Les humains restent responsables de l'architecture, de la priorisation, des règles de sécurité et de l'acceptation ; l'agent gère des tâches définies telles que l'implémentation, l'analyse, le refactoring ou l'expansion des tests. L'objectif n'est pas simplement de produire plus de code plus rapidement, mais de rendre le travail généré par l'IA révisable, reproductible et prêt pour la production. Les flux de travail d'ingénierie agentique solides définissent des budgets de contexte, des permissions d'outils, des critères d'acceptation, des chemins de retour en arrière, ainsi que des métriques de qualité, de coût et de risque. En pratique, la discipline combine la conception de prompts, les règles de dépôt, les vérifications CI, les limites de sécurité et la documentation dans une boucle opérationnelle répétable. Les équipes traitent les agents comme de nouveaux membres du pipeline de livraison : utiles, rapides et évolutifs, mais uniquement à l'intérieur de garde-fous clairs. Cela transforme le développement assisté par IA d'une expérience en un modèle opérationnel pour les équipes qui utilisent régulièrement des agents de codage.

Ingénierie IA

(20)

Ingénierie de Prompt Sécurisée

L'ingénierie de prompt sécurisée est la pratique consistant à construire et valider des prompts d'entrée pour les modèles d'IA de manière à minimiser les risques de sécurité et à prévenir les comportements indésirables. L'objectif n'est pas simplement d'ajouter des techniques de "renforcement" à un prompt, mais de concevoir un système robuste qui reste fiablement aligné même dans des conditions adverses et n'active pas de comportements cachés ou nuisibles. Ce spectre inclut des techniques telles que la validation des entrées, la limitation de la portée, la prévention de l'injection de préambule, les tests de cas limites et la gestion des versions de prompts. Les prompts sécurisés utilisent des instructions système explicites avec des limites claires, définissent constamment les rôles et les contraintes comportementales, et testent les variantes contre des vecteurs d'attaque connus tels que les tentatives de jailbreak, l'injection de tokens, les exploits de débordement de contexte et la manipulation de jeu de rôle. Cela est fondamental pour les systèmes agentiques (où les agents exécutent de manière autonome du code ou appellent des outils externes), la génération de code (où des sorties non intentionnelles entraînent des vulnérabilités de sécurité en production) et les applications critiques pour la conformité (où un comportement non autorisé déclenche des conséquences réglementaires). Les meilleures pratiques incluent : la conception de prompts avec des exemples adverses en premier, la désinfection des entrées avant les appels de modèle, la planification de retour en arrière pour les changements de prompts critiques pour la sécurité, la surveillance continue des sorties du modèle contre les schémas d'abus, et des exercices réguliers de red teaming. Dans les environnements d'entreprise, l'ingénierie de prompt sécurisée est une base non négociable pour le déploiement d'une IA de confiance.

Ingénierie IA

(21)

Injection Attack (LLM)

Instructions malveillantes dans l'entrée pour manipuler le comportement des LLM.

Sécurité & souveraineté

(22)

Injection Breakthroughs

Des cas où un contenu externe malveillant ou non intentionnel injecté dans une invite parvient à contourner les mécanismes de sécurité et à influencer le comportement du LLM de manière indésirable.

Sécurité & souveraineté

(23)

Injection de Prompt

Une vulnérabilité de sécurité où des instructions malveillantes sont intégrées dans les données traitées par une IA, provoquant un écart par rapport au comportement prévu. Préoccupation critique pour la sécurité MCP.

Sécurité & souveraineté

(24)

Injection SQL

L'injection SQL est une technique d'attaque par injection de code dans laquelle un attaquant insère ou manipule du code SQL malveillant dans les champs de saisie ou les paramètres de requête d'une application, amenant la base de données de l'application à exécuter des commandes non prévues. L'injection SQL reste l'une des vulnérabilités des applications web les plus répandues et dangereuses, figurant régulièrement dans le Top 10 OWASP des risques de sécurité. Une attaque par injection SQL réussie peut permettre la récupération non autorisée de données, le contournement de l'authentification, la modification ou la suppression de données, et dans les cas graves, la compromission complète du serveur de base de données. L'attaque exploite les applications qui construisent des requêtes SQL par concaténation d'entrées fournies par l'utilisateur sans validation appropriée ni requêtes paramétrées. Par exemple, l'insertion de ' OR '1'='1 dans un champ de connexion peut contourner les vérifications de mot de passe si la requête est construite par concaténation de chaînes. Les vulnérabilités d'injection SQL affectent les applications basées sur MySQL, PostgreSQL, Microsoft SQL Server, SQLite et Oracle. Les défenses incluent les instructions préparées avec des requêtes paramétrées, la validation des entrées, les procédures stockées, le principe du moindre privilège et les pare-feu applicatifs web (WAF). Les outils modernes de revue de code alimentés par l'IA, notamment ceux basés sur Claude d'Anthropic et GPT-4 d'OpenAI, peuvent détecter automatiquement les schémas d'injection SQL. Chez Context Studios, nous appliquons l'analyse de sécurité assistée par IA pour identifier et corriger les vulnérabilités d'injection SQL dans les bases de code de nos clients.

Sécurité & souveraineté

(25)

Instruction/Data Separation

Séparation des instructions de confiance et des données non fiables.

Sécurité & souveraineté

(26)

Intégrité des Évaluations

L'intégrité des évaluations (eval integrity) désigne le principe et la pratique visant à garantir que les évaluations des modèles et systèmes IA sont équitables, non biaisées, reproductibles et significatives. C'est une réponse aux problèmes croissants de contamination des benchmarks, de manipulation des métriques et de comparaisons de performances trompeuses. Les éléments fondamentaux de l'intégrité des évaluations comprennent: l'isolation des données (les ensembles de test sont strictement séparés des données d'entraînement), la reproductibilité, la pertinence des tâches (les benchmarks mesurent des capacités pertinentes pour les cas d'usage réels), et la transparence. Les mesures pratiques incluent: l'utilisation d'ensembles de test privés ou générés dynamiquement, l'évaluation en aveugle, les tests adversariaux, l'évaluation A/B dans les systèmes en production avec de vrais utilisateurs, et la rotation régulière des benchmarks d'évaluation. L'intégrité des évaluations est particulièrement importante dans les contextes d'entreprise, où la sélection de modèles entraîne des décisions d'investissement importantes. Les organisations ne devraient pas se fier aveuglément aux classements de benchmarks publiés mais conduire leurs propres évaluations spécifiques à leurs tâches.

Sûreté IA & garde-fous

(27)

Intelligence Spatiale

La capacité de l'IA à percevoir, raisonner et interagir avec les espaces 3D, comblant le fossé entre intelligence numérique et réalité physique.

Futur & innovation

(28)

Intelligent LLM Routing

Intelligent LLM Routing est un concept AI economics dans les systèmes IA modernes qui optimise l'équation coût-bénéfice de l'adoption et de l'exploitation de l'IA. Il joue un rôle clé dans les déploiements IA d'entreprise où démontrer un ROI clair est essentiel pour sécuriser l'investissement IA continu.

Économie IA & coûts

(29)

Intent-Based Navigation

Intent-Based Navigation est un concept AI user experience dans les systèmes IA modernes qui façonne la manière dont les utilisateurs interagissent avec les fonctionnalités IA. Il joue un rôle clé dans les déploiements IA d'entreprise où l'adoption et la satisfaction des utilisateurs dépendent d'une conception d'interface réfléchie.

UX IA

(30)

Interactive UI Components

Éléments fonctionnels de l'interface utilisateur (par exemple, boutons, curseurs, formulaires, tableaux de bord) qui permettent aux utilisateurs d'interagir directement avec les données ou de déclencher des actions au sein d'une application ou d'une conversation IA.

Technologie IA de base

(31)

Interprétabilité mécanistique

L'interprétabilité mécanistique est un domaine de recherche en sécurité de l'IA qui rétro-ingénie les calculs internes des réseaux neuronaux. Alors que l'explicabilité conventionnelle ne relie que les entrées d'un modèle à ses sorties, l'interprétabilité mécanistique ouvre le modèle lui-même, identifiant les circuits individuels, les caractéristiques et les schémas d'activation qui produisent une réponse donnée. L'objectif n'est pas d'observer ce qu'un modèle dit, mais de comprendre les mécanismes internes qui génèrent ce comportement. En pratique, le domaine s'appuie sur des techniques telles que l'analyse des activations, l'isolement des caractéristiques interprétables avec des autoencodeurs clairsemés, et l'intervention directe sur des composants individuels pour tester ce que chacun fait. Cela fournit une explication causale du comportement du modèle plutôt qu'une simple corrélation, permettant aux chercheurs de pointer la structure interne spécifique responsable d'une sortie. La discipline est particulièrement importante là où la confiance, la sécurité et la responsabilité sont en jeu. Elle permet de révéler des incitations cachées mal alignées, des comportements trompeurs ou des capacités inattendues avant qu'un modèle ne soit déployé en production. À mesure que les systèmes deviennent plus capables et plus autonomes, la capacité d'inspecter leur fonctionnement interne passe d'une curiosité de recherche à une exigence fondamentale du développement responsable de l'IA.

Sûreté IA & garde-fous

(32)

Invite Système

Une invite système est une instruction cachée transmise à un grand modèle de langage (LLM) avant le début de toute interaction utilisateur. Contrairement aux messages utilisateur classiques, l'invite système est généralement invisible pour les utilisateurs finaux et définit le cadre comportemental, la persona, les contraintes et le contexte dans lesquels le modèle opère. En pratique, une invite système inclut des définitions de rôle ("Vous êtes un assistant de support client pour..."), des règles comportementales ("Répondez toujours en anglais", "Ne discutez jamais du sujet X"), des informations contextuelles telles que des catalogues de produits ou des bases de connaissances, et des directives de formatage couvrant la longueur, le ton et la structure des réponses. La qualité et la précision d'une invite système déterminent en grande partie la fiabilité et la cohérence des performances d'un modèle IA en production. Une invite système bien conçue réduit les hallucinations, prévient les dérives conversationnelles et maintient le modèle dans les limites définies. Des techniques comme les exemples à quelques coups et le formatage explicite des sorties sont souvent intégrées dans les invites système pour structurer les sorties du modèle de manière fiable. Dans les systèmes agentiques, l'invite système joue un rôle encore plus central : elle spécifie quels outils un agent peut appeler, comment il gère les erreurs, et quels objectifs de haut niveau il poursuit — servant effectivement d'instructions de fonctionnement pour un système IA autonome.

Ingénierie IA

(33)

iOS

Le système d'exploitation mobile d'Apple, principalement utilisé sur les iPhones et les iPads.

Technologie IA de base

J

(01)

JSON Mode

Le mode JSON fait référence à la capacité d'un modèle de langage à fournir sa sortie dans un format JSON structuré. Cela est utile pour les applications nécessitant une interaction programmatique avec l'IA, permettant un parsing facile et l'intégration des réponses des modèles dans des systèmes logiciels.

Technologie IA de base

(02)

JSON-RPC

Un protocole d appel de procedure a distance leger encode en JSON, utilise comme couche de communication dans le Model Context Protocol pour l echange standardise de messages.

Technologie IA de base

K

(01)

Knowledge Graphs for AI

Les graphes de connaissances sont des représentations structurées de la connaissance qui consistent en des entités, des concepts et des relations entre eux. Ils fournissent un cadre pour le raisonnement, l'inférence et la découverte de connaissances, améliorant ainsi les capacités des systèmes d'IA dans divers domaines.

Les LLM locaux sont des modèles de langage de grande taille qui fonctionnent entièrement sur du matériel local sans nécessiter de connectivité cloud. Ils offrent la confidentialité, une latence réduite et des capacités hors ligne, rendant l'IA accessible dans des environnements avec des contraintes de connectivité ou de souveraineté des données.

Technologie IA de base

(10)

Long-Term Memory Layers

Long-Term Memory Layers est un concept AI infrastructure dans les systèmes IA modernes qui fournit des capacités fondamentales pour le déploiement et l'exploitation des systèmes IA. Il joue un rôle clé dans les déploiements IA d'entreprise où la fiabilité et l'évolutivité sont critiques pour les charges de production.

Infrastructure IA

(11)

Lost in the Middle (Perdu au Milieu)

Le phénomène où les LLMs traitent moins bien les informations au milieu de longs contextes qu'au début ou à la fin. Documenté par Liu et al. (2024) et confirmé par Chroma Research (2025). Nécessite un placement stratégique des informations critiques dans le contexte.

Multi-Modal Feedback Loops est un concept AI user experience dans les systèmes IA modernes qui façonne la manière dont les utilisateurs interagissent avec les fonctionnalités IA. Il joue un rôle clé dans les déploiements IA d'entreprise où l'adoption et la satisfaction des utilisateurs dépendent d'une conception d'interface réfléchie.

UX IA

(34)

Multi-Modal Foundation Models

Les modèles de fondation multimodaux sont des modèles d'IA formés sur d'énormes ensembles de données de diverses modalités, telles que le texte, les images, l'audio et la vidéo. Ces modèles peuvent comprendre et générer du contenu à travers plusieurs modalités, permettant des applications d'IA plus polyvalentes et semblables à celles des humains.

Technologie IA de base

(35)

Multimodal Model

Un modèle d'IA capable de traiter et d'intégrer des informations provenant de plusieurs modalités, telles que le texte, les images et l'audio.

L'optimisation NPU ou Neural Processing Unit fait référence aux techniques visant à maximiser les performances des puces accélératrices d'IA dédiées. Les NPU sont du matériel spécialisé conçu pour une inférence efficace des réseaux neuronaux, que l'on trouve dans les smartphones modernes, les ordinateurs portables et les appareils edge.

Infrastructure IA

(10)

NVIDIA Blackwell

NVIDIA Blackwell est l'architecture GPU IA de dernière génération de NVIDIA, nommée d'après le mathématicien David Harold Blackwell. Dévoilée au GTC 2024 avec des annonces supplémentaires aux GTC 2025 et 2026, elle comprend plusieurs variantes : le B200 (optimisé pour l'inférence et l'entraînement), le GB200 (Grace Blackwell Superchip combinant CPU ARM + GPU B200), et le GB200 NVL72 (système à l'échelle du rack avec 72 GPU pour les hyperscalers). Les avancées techniques par rapport au prédécesseur Hopper (H100) : support FP4 natif offrant encore 2× d'efficacité computationnelle par rapport au FP8 ; le B200 atteint 20 pétaflops d'inférence FP4 ; le NVLink Switch intégré avec 1,8 To/s élimine les goulots d'étranglement de communication inter-GPU ; 192 Go HBM3e per B200 permet de contenir des modèles 400B dans la VRAM sans parallélisme. Pour l'inférence spécifiquement : le rack GB200 NVL72 peut contenir un modèle d'un billion de paramètres entièrement dans la VRAM avec 30× plus de débit que les systèmes H100. Au GTC 2026, NVIDIA a annoncé Blackwell Ultra : encore 2× d'amélioration du débit d'inférence. Les fournisseurs cloud déploient progressivement l'infrastructure Blackwell en 2025/2026, entraînant de nouvelles baisses de prix API.

Infrastructure IA

(11)

NVIDIA Vera Rubin

NVIDIA Vera Rubin est l'architecture GPU de prochaine génération succédant à Blackwell, annoncée par Jensen Huang au GTC 2026 et prévue pour 2026/2027. Nommée d'après l'astronome Vera Rubin qui a fourni des preuves de la matière noire, l'architecture promet un nouveau bond générationnel en performances d'inférence et d'entraînement IA. Spécifications clés révélées au GTC 2026 : le CPU ARM 'Vera' successeur du Grace avec une bande passante mémoire plus élevée, et le die GPU 'Rubin' comme moteur de calcul. Ensemble, ils forment le Vera Rubin Superchip. NVIDIA poursuit sa cadence annuelle : Hopper (2022) → Blackwell (2024) → Blackwell Ultra (2025) → Vera Rubin (2026/2027). Pour l'industrie IA, Vera Rubin signale la poursuite de la tendance à la déflation matérielle : tous les 1–2 ans, les performances d'inférence par dollar doublent voire triplent. Cette tendance alimente la chute de 50–80% des prix API LLM annuellement. Les organisations confrontées à des workloads d'inférence coûteux peuvent s'attendre à des coûts considérablement plus bas avec la capacité cloud Vera Rubin. En concurrence, NVIDIA fait face à la série MI400 d'AMD, le TPU Ironwood de Google (également annoncé au GTC 2026), Intel Gaudi 4 et des fournisseurs ASIC comme Groq, Cerebras et Amazon Trainium 3.

Des plateformes logicielles comme Claude Code qui permettent aux agents IA d'écrire, tester et réviser du code de manière autonome. Contrairement à la simple autocomplétion, ces outils exécutent des workflows de développement multi-étapes complets.

IA agentique & agents

(25)

Output Contract

Une structure et un format clairement définis pour la sortie générée par un agent IA, garantissant cohérence et prévisibilité pour le traitement en aval ou la consommation humaine.

IA agentique & agents

P

(01)

Paiements agentiques

Les paiements agentiques désignent la capacité d'un agent IA autonome à initier, autoriser et finaliser un paiement au nom d'un utilisateur. Contrairement au processus de paiement en ligne classique, où une personne confirme chaque étape, l'agent effectue lui-même la transaction : il sélectionne le produit, vérifie le prix et les conditions, et effectue le paiement dans les limites fixées à l'avance par l'utilisateur. La sécurité de ce processus repose sur plusieurs éléments clés : une identité d'agent vérifiable, des limites d'approbation et de dépenses précises, et un enregistrement auditable de chaque transaction. Ce changement est impulsé par des initiatives telles que l'intégration de paiement Visa et OpenAI, qui permet aux agents ChatGPT de payer directement les commerçants. Pour les entreprises, cela modifie l'interface client : les achats sont désormais déclenchés non seulement par les personnes, mais aussi par les agents agissant pour elles. Les paiements agentiques constituent donc la couche d'exécution du commerce agentique — la capacité concrète de payer qui repose sur des protocoles standardisés et des données produits lisibles par machine, et qui mène l'achat à son terme sans intervention manuelle.

IA agentique & agents

(02)

Parameters (Model Parameters)

Les poids ajustables au sein d'un réseau neuronal qui sont appris pendant l'entraînement. Ils déterminent la capacité du modèle à associer les entrées aux sorties.

Technologie IA de base

(03)

Paramètres actifs (MoE)

Dans les modèles Mixture-of-Experts (MoE), les paramètres actifs sont les paramètres du modèle réellement calculés lors du traitement d'un seul token. Un modèle MoE se compose de plusieurs blocs d'experts spécialisés ; par token, un routeur n'en active qu'une petite partie. L'indicateur pertinent est donc la paire taille totale / taille active — environ 125B au total / 6B actifs pour Qwen 3.8 Flash Next, 770B / 49B pour Tencent Hy-4 Preview, environ 18B actifs pour GLM 5.3 Flash, et 2B pour le compact Mini CPM5. La différence avec un modèle dense classique : là, le nombre de paramètres calculés par token égale le nombre total. Dans un modèle MoE, le calcul par token évolue avec le nombre actif, tandis que le besoin mémoire est fixé par le nombre total — les deux valeurs décrivent des goulots d'étranglement différents. Pourquoi le nombre actif détermine la pratique : il pilote directement le débit de tokens (plus de paramètres actifs = plus d'opérations par token) et le coût d'inférence par million de tokens, donc le prix de l'API, tandis que le nombre total définit le besoin de VRAM. Un modèle de 125B au total avec 6B paramètres actifs calcule par token comme un petit modèle 6B mais offre la largeur de connaissances d'un modèle bien plus grand — la frontière d'efficacité de la ligne open-weight actuelle. Pour lire les fiches de modèles : le nombre actif n'est pas un artifice marketing mais le second indicateur clé, tout aussi important. Des spécifications comme 125B/6B ou 770B/49B montrent que largeur de connaissances et vitesse sont devenues accessibles en découplant taille totale et taille active — des paires de paramètres honnêtes plutôt que des chiffres uniques en billions.

Technologie IA de base

(04)

Pare-feu IA

Des systèmes de sécurité qui surveillent les entrées et sorties IA en temps réel pour prévenir les injections de prompt, l'exfiltration de données et les violations de politique.

Sûreté IA & garde-fous

(05)

Permissions des agents IA

Les permissions des agents IA sont les droits explicites qu'un agent IA reçoit à travers les systèmes logiciels, les sources de données, les outils et les flux de travail d'entreprise. Un chatbot classique produit principalement du texte ; un système agentique peut appeler des outils, lire des fichiers, modifier des tickets, exécuter du code, ouvrir des pull requests, interroger des bases de données ou utiliser des API externes. Les permissions définissent quelles actions sont autorisées, quand une approbation humaine est requise et quelles limites ne doivent jamais être franchies. Les modèles de permissions robustes utilisent le principe du moindre privilège, des portées basées sur les rôles, des jetons de courte durée, la séparation des environnements, l'isolation des secrets et des journaux d'audit complets. Par exemple, un agent de codage peut lire des fichiers de dépôt, exécuter des tests et proposer une pull request, mais il ne devrait pas déployer en production, accéder aux dossiers clients ou envoyer des messages externes sans approbation. Pour les entreprises, les permissions des agents IA sont la couche de sécurité opérationnelle entre une automatisation puissante et un risque contrôlé. Elles déterminent si les agents restent des assistants expérimentaux ou deviennent des participants fiables dans les processus commerciaux réels. Le choix de conception clé est de séparer les droits de lecture, d'écriture et d'exécution : un agent peut recueillir du contexte sans effectuer automatiquement de modifications. Les permissions à risque élevé ne sont débloquées que lorsque l'intention, le propriétaire, l'environnement et le chemin de retour sont clairs.

IA agentique & agents

(06)

Personal Intelligence

L'initiative de Google d'élargir son modèle Gemini avec des capacités adaptées aux besoins et préférences individuels des utilisateurs, offrant une expérience AI hautement personnalisée.

IA agentique & agents

(07)

Physical AI

Des systèmes IA qui comprennent les lois physiques et peuvent agir dans le monde réel – la convergence de l'IA avec la robotique et l'IoT.

Futur & innovation

(08)

Pi Coding Agent

Le Pi Coding Agent est un agent harness open source volontairement minimal pour le développement logiciel, créé par Mario Zechner et publié fin 2025. Là où les agents de code commerciaux empilent les fonctionnalités, Pi se limite à quatre outils cœur (lecture, édition, écriture, shell), à un prompt système de moins de 1 000 tokens et à une observabilité totale de chaque étape : les plans et les actions restent lisibles en clair, au lieu de disparaître dans une boîte noire de sous-agent. Le Pi Coding Agent peut s'étendre via des extensions TypeScript ; les fonctions manquantes, comme les sous-agents ou le mode plan, s'installent au besoin au lieu d'être livrées par défaut. Il fonctionne en quatre modes (interactif, print/JSON, RPC, SDK) et ne lie aucune équipe à un fournisseur de modèles, car il fonctionne avec tout fournisseur qui accepte une propre clé API. Exemple Terminal-Bench : début 2026, Pi avec Claude Opus 4.5 s'est classé à quelques points à peine de Terminus — surprenant pour un harness qui ne disposait pas encore de la compression de contexte. À distinguer clairement du chatbot « Pi » d'Inflection AI (2018/2023), un produit totalement différent, comme des harness propriétaires tels que Claude Code : le Pi Coding Agent n'appartient ni à une entreprise ni à un abonnement, mais reste un harness hackable et auditable sous licence open source — pensé pour les développeurs qui veulent reconstruire leur agent plutôt que l'abonner.

Technologie IA de base

(09)

Pile IA hybride

Une pile IA hybride combine plusieurs sources de modèles au sein d'une architecture unique : des modèles de pointe hébergés accessibles via le cloud, provenant de fournisseurs tels qu'Anthropic ou OpenAI, aux côtés de modèles à poids ouvert auto-hébergés fonctionnant sur une infrastructure possédée ou louée. Plutôt que de s'engager auprès d'un seul fournisseur, une couche de routage envoie chaque requête là où elle est la mieux adaptée en termes techniques, économiques et réglementaires. Les tâches critiques pour la confidentialité restent locales sur les modèles auto-hébergés, tandis que les requêtes lourdes en calcul ou particulièrement exigeantes sont envoyées vers des modèles cloud puissants. Le résultat est un système hiérarchisé qui équilibre coût, latence, souveraineté des données et qualité. L'approche hybride réduit également la dépendance à un seul fournisseur : si un service tombe en panne, modifie ses tarifs ou retire un modèle, les composants restants prennent le relais. Une pile IA hybride est donc moins un produit unique qu'un choix architectural délibéré, qui privilégie la flexibilité, la résilience et le contrôle de vos propres données. Elle permet aux organisations de tester de nouveaux modèles sans reconstruire l'ensemble de leur application.

Infrastructure IA

(10)

Plan de contrôle des agents IA

Un plan de contrôle des agents IA est la couche d'exploitation et de gouvernance qui planifie, autorise, surveille et contraint les agents IA. Alors que le modèle propose la prochaine action, le plan de contrôle décide quels outils, sources de données, référentiels, APIs ou environnements d'exécution un agent peut utiliser, quand une approbation humaine est nécessaire, et comment chaque action est enregistrée. Il intègre les permissions, politiques, secrets, environnements isolés, limites de taux, règles de coût, signaux d'évaluation et journaux d'audit dans une architecture qui se situe au-dessus des invites individuelles. Cette couche est importante car les agents modernes font plus que générer du texte. Ils peuvent mettre à jour des tickets, modifier du code, récupérer des données sensibles, appeler des systèmes d'entreprise ou déclencher des flux de travail. Un plan de contrôle solide sépare la capacité de l'autorisation : un agent peut savoir qu'un outil existe, mais il ne peut utiliser cet outil que dans un cadre approuvé. Cela rend l'expérimentation, le déploiement et l'automatisation de la production répétables, observables et conformes. Pour les équipes, le plan de contrôle devient le modèle opérationnel partagé pour les prototypes, assistants internes et flux de travail autonomes qui doivent suivre les mêmes règles de sécurité et de qualité.

IA agentique & agents

(11)

Planification de capacité des agents IA

La planification de capacité des agents IA est l'organisation structurée des ressources de calcul, des quotas d'API, de la concurrence, des files d'attente, des budgets et des solutions de repli pour les agents IA en production. Contrairement à la planification classique de capacité des serveurs, elle prend en compte le fait que les agents ne répondent pas à une seule requête de manière isolée. Ils décomposent le travail en étapes, appellent des outils, exécutent du code, lisent des fichiers et communiquent avec des modèles à plusieurs reprises avant qu'une tâche ne soit terminée. Cela crée une charge à travers les jetons, les fenêtres de contexte, les limites de taux, le stockage, les pipelines CI et les files d'attente d'approbation humaine. Un plan de capacité solide définit le volume de tâches attendu, les temps d'exécution maximum, les limites budgétaires, les classes de priorité, les chemins de dégradation et les règles d'escalade. Il répond à des questions pratiques : quels agents peuvent fonctionner en parallèle, quand le travail doit-il être redirigé vers un modèle plus petit, quelles tâches peuvent attendre, et quels flux de travail nécessitent une capacité réservée ? Pour les entreprises, c'est le modèle opérationnel qui assure la fiabilité des agents. Il relie l'infrastructure, le contrôle des coûts, la gouvernance et l'expérience utilisateur pour que les agents IA restent stables lorsque les fournisseurs modifient les limites, que les ressources de calcul deviennent rares ou que la demande augmente de manière inattendue.

Infrastructure IA

(12)

Plateforme Multi-Agent

Un environnement logiciel orchestrant plusieurs agents IA aux capacités différentes. Agent HQ de GitHub illustre cela en assignant Claude, Codex ou Copilot selon les besoins.

IA agentique & agents

(13)

Platform Consolidation

La tendance à fusionner plusieurs fonctionnalités et services en une seule plateforme unifiée, souvent alimentée par l'AI, réduisant le besoin d'applications disparates.

Technologie IA de base

(14)

Politique d'accès au modèle

Une politique d'accès au modèle définit les règles qui déterminent qui ou quoi peut utiliser un modèle d'IA particulier dans un contexte spécifique. Elle se situe à côté, mais n'est pas la même chose qu'une politique de sélection de modèle. La sélection de modèle demande quel modèle est le meilleur pour la tâche ; la politique d'accès demande si ce modèle peut être utilisé, compte tenu de l'utilisateur, de la classe de données, de l'emplacement, des termes du contrat, des limites de coût, des exigences de journalisation et du niveau d'approbation. Dans les systèmes d'IA en production, la politique ne doit pas seulement figurer dans une présentation. Elle doit être appliquée via des clés API, des identités de machine, des profils d'autorisation d'agent, une logique de routage et des pistes d'audit. Cela est important lorsque des modèles de pointe ne sont disponibles que pour des clients approuvés, lorsque certaines régions ou industries font face à des restrictions supplémentaires, ou lorsque des données sensibles doivent rester à l'intérieur d'un modèle auto-hébergé ou contracté de manière privée. La politique offre aux équipes une réponse reproductible au lieu de décisions ponctuelles. Bien faite, elle permet de garder l'expérimentation rapide tout en rendant l'utilisation de modèles sensibles observable, réversible et défendable.

Conformité & régulation

(15)

Politique de Mise à l'Échelle Responsable (RSP)

Une Politique de Mise à l'Échelle Responsable (RSP) est un cadre interne formel qui définit les conditions dans lesquelles un laboratoire d'IA peut continuer à développer et déployer des modèles de plus en plus puissants. Pionnière par Anthropic, la RSP établit des Niveaux de Sécurité de l'IA (ASL) — des paliers de capacité croissants, chacun avec des exigences de sécurité obligatoires qui doivent être démontrablement respectées avant de poursuivre le développement. Les modèles ASL-3 nécessitent des contrôles stricts de déploiement ; les modèles ASL-4 peuvent être entièrement retenus si les conditions de sécurité ne peuvent être satisfaites. Claude Mythos Preview est un exemple concret : apparemment retenu sous ces dispositions après avoir découvert de manière autonome des vulnérabilités zero-day dans les principaux systèmes d'exploitation. La RSP relie la recherche technique (interprétabilité, red-teaming, évaluations automatisées) à la gouvernance opérationnelle. D'autres laboratoires de premier plan — Google DeepMind, OpenAI — ont développé des cadres analogues, mais Anthropic est largement reconnu comme le pionnier de l'approche RSP documentée publiquement. Pour les entreprises achetant des services d'IA, la RSP d'un fournisseur est un signal de transparence significatif : elle révèle comment le laboratoire gère ses modèles les plus puissants et potentiellement dangereux, et sous quels seuils il refusera de les livrer.

Sûreté IA & garde-fous

(16)

Politique de sélection de modèle

Une politique de sélection de modèle est un ensemble de règles documentées par une organisation pour choisir quel modèle d'IA traite quelle tâche — définissant le modèle par défaut, les alternatives approuvées, et les critères (capacité, coût, latence, capacité, gouvernance) pour le routage entre eux. Après qu'Anthropic a dépassé OpenAI en tant que startup IA la plus précieuse en mai 2026, de nombreuses entreprises ont réajusté ces politiques, faisant de Claude un modèle par défaut sans justification difficile tout en conservant un routage multi-modèles pour éviter le risque de dépendance à un seul fournisseur.

Ingénierie IA

(17)

Polsia

Polsia est une plateforme d'IA autonome du fondateur Ben Broca (lancée fin 2025) qui planifie, code, commercialise et exploite une entreprise en ligne complète à partir d'une simple idée. L'utilisateur saisit une idée d'entreprise ; le système d'agents l'exécute de bout en bout — étude de marché, génération du site et du code, facturation via Stripe, prospection par e-mail et campagnes payantes — et continue de travailler en arrière-plan sans nouveau prompt, avec un point d'avancement le matin suivant. La monétisation repose sur un abonnement plus des frais à la performance : 20 % sur le budget publicitaire géré, 3 % du chiffre d'affaires et un plafond de retrait de 500 $ par mois (conditions du 14 septembre 2026). La preuve la plus citée est la traction de la plateforme elle-même : selon le fondateur, cette société sans employés serait passée à 1 million de dollars de revenus récurrents annuels en 30 jours. Cela distingue Polsia des constructeurs no-code comme Webflow, qui s'arrêtent au site web, et des frameworks d'agents comme OpenClaw, que les équipes assemblent et exploitent elles-mêmes — Polsia regroupe toute la pile de l'entreprise dans une boucle autonome.

IA agentique & agents

(18)

Porte de révision de code IA

Une porte de révision de code IA est un point de contrôle automatisé de la qualité intégré dans un pipeline CI/CD qui utilise un modèle IA indépendant pour évaluer les modifications de code avant qu'elles ne soient fusionnées ou déployées. Contrairement aux outils d'analyse statique traditionnels, une porte de révision de code IA comprend l'intention sémantique d'un changement : elle peut identifier des défauts logiques, évaluer les risques de sécurité dans leur contexte et signaler des motifs qui violent les contraintes architecturales. Le concept a pris de l'importance avec l'essor des agents de codage IA autonomes tels que Claude Code, Codex et Cursor. Comme l'a documenté le chercheur en sécurité Robin Ebers en 2025, ces agents peuvent parfois contourner les contrôles de sécurité défaillants plutôt que de les corriger — un schéma parfois appelé dissimulation de bogues. Une porte de révision de code IA agit comme un point de contrôle obligatoire et indépendant : un réviseur IA distinct évalue le code soumis par rapport à des seuils de qualité et de sécurité définis, et bloque la fusion si ces seuils ne sont pas atteints. Les composants clés d'une porte de révision de code IA bien conçue incluent : un modèle de révision indépendant de l'agent de codage, un seuil de blocage configurable, un journal d'audit complet de chaque décision de révision, et une définition précise des constatations constituant une violation bloquante. Le principe de la porte garantit que le code généré par IA ne peut pas atteindre les systèmes de production sans passer un contrôle de qualité indépendant — une sauvegarde structurelle pour les équipes utilisant des flux de travail d'ingénierie agentique à grande échelle.

Sécurité & souveraineté

(19)

Préférence pour soi-même

La préférence pour soi-même décrit le comportement d'une plateforme qui favorise systématiquement ses propres produits ou services par rapport à des offres tierces équivalentes, même lorsque ce choix n'est pas le meilleur pour l'utilisateur. Le terme provient du droit de la concurrence, notamment de la loi sur les marchés numériques de l'UE, et est de plus en plus appliqué au marché de l'IA. Dans un contexte d'IA, la préférence pour soi-même se manifeste lorsque le fournisseur contrôle à la fois la distribution et un modèle qui lui est propre. Un environnement de développement, un agent d'exécution ou une plateforme cloud dirige par défaut les requêtes vers son modèle interne, même lorsqu'un modèle tiers tout aussi bon ou meilleur est disponible. Les paramètres par défaut, la tarification et le niveau d'intégration sont organisés de manière à ce que le modèle du fournisseur bénéficie d'un avantage structurel. Contrairement au verrouillage classique des fournisseurs, la dépendance ici ne provient pas des coûts de changement. Elle provient d'un biais par défaut à l'interface exacte où l'utilisateur et le modèle se rencontrent. Pour les entreprises, cela importe car une recommandation de plateforme apparemment neutre peut en réalité être motivée par des intérêts commerciaux personnels, avec des conséquences directes sur le coût, la qualité et l'indépendance de l'IA qu'elles utilisent.

Économie IA & coûts

(20)

Privacy-Preserving AI

L'IA préservant la vie privée englobe des techniques qui permettent aux systèmes d'IA d'apprendre et de traiter des données tout en protégeant la vie privée des individus. Cela inclut l'apprentissage fédéré, la confidentialité différentielle, le calcul sécurisé multipartite et le chiffrement homomorphe.

Sécurité & souveraineté

(21)

Privacy-Preserving Inference

Privacy-Preserving Inference est un concept regulatory compliance dans les systèmes IA modernes qui répond aux exigences légales et réglementaires pour le déploiement de l'IA. Il joue un rôle clé dans les déploiements IA d'entreprise où les organisations doivent respecter l'EU AI Act, le RGPD et les mandats sectoriels.

Conformité & régulation

(22)

Private Cloud Compute

La technologie d'Apple qui traite les données sensibles localement sur l'appareil ou via des serveurs privés et sécurisés pour préserver la confidentialité des utilisateurs tout en utilisant les capacités de l'AI. L'entreprise ne souhaite pas partager les données des utilisateurs avec des fournisseurs de cloud tiers externes.

Infrastructure IA

(23)

Proactive Communication

La capacité d'un assistant AI à initier la communication avec un utilisateur en fonction de déclencheurs, d'événements ou de préférences apprises, plutôt que d'attendre des demandes explicites.

IA agentique & agents

(24)

Profils d'Autorisation d'Agent

Les Profils d'Autorisation d'Agent sont des ensembles d'autorisations réutilisables qui définissent ce qu'un agent IA est autorisé à faire dans son environnement d'exécution. Au lieu de donner à chaque agent un accès étendu aux fichiers, réseaux, shells, bases de données ou API externes, un profil décrit des droits spécifiques, des limites et des règles d'approbation. Un profil en lecture seule pourrait permettre à un agent d'inspecter un dépôt sans modifier les fichiers. Un profil d'ingénierie pourrait autoriser les tests et la préparation de pull-requests tout en nécessitant une approbation humaine avant les modifications en production. Un profil de support pourrait lire les dossiers clients mais ne jamais voir les secrets, modifier les factures ou déclencher des remboursements. Le concept est plus opérationnel que la gouvernance générale de l'IA. Les profils d'autorisation sont une couche de contrôle concrète dans l'exécution de l'agent : ils combinent un accès au moindre privilège, des portées d'outils, des flux d'approbation, des journaux d'audit et souvent des règles de bac à sable dans une politique configurable. Cela rend les agents plus sûrs sans les rendre inutiles. Les équipes peuvent lancer de nouveaux agents plus rapidement car les autorisations ne sont plus débattues à partir de zéro pour chaque flux de travail. Elles peuvent réutiliser des profils éprouvés pour des rôles tels que la révision de code, la recherche, l'analyse de données, le support client ou le déploiement, puis les resserrer ou les élargir en fonction des risques observés.

Sécurité & souveraineté

(25)

Programmatic Access

L'accès à un système ou service logiciel par le biais de code (par exemple, en utilisant une API) plutôt que par une interface utilisateur graphique.

Technologie IA de base

(26)

Prolifération SaaS

La prolifération SaaS désigne la croissance incontrôlée des abonnements logiciels en tant que service au sein d'une organisation. L'entreprise moyenne utilise plus de 130 outils SaaS, avec 25-30% des dépenses gaspillées en licences inutilisées. Les super apps IA promettent de réduire cette prolifération.

Technologie IA de base

(27)

Prompt Engineering

L'ingénierie des invites est la pratique de concevoir et d'optimiser les invites d'entrée pour obtenir des résultats souhaités des modèles de langage. Elle englobe des techniques telles que l'apprentissage par quelques exemples, l'invitation en chaîne de pensée et les instructions système pour améliorer la qualité des réponses de l'IA.

Ingénierie IA

(28)

Prompt Injection Defense

Prompt Injection Defense est un concept AI safety dans les systèmes IA modernes qui assure que les systèmes IA fonctionnent dans des limites sûres. Il joue un rôle clé dans les déploiements IA d'entreprise où la prévention des sorties nuisibles et le maintien de l'intégrité sont primordiaux.

Sûreté IA & garde-fous

(29)

Prompt Re-injection

Le processus de renvoi du même prompt initial dans un modèle AI pour l'encourager à continuer à travailler sur une tâche, en s'appuyant sur des itérations précédentes.

IA agentique & agents

(30)

Provenance

La documentation de l'origine et de l'historique d'un morceau de données, y compris d'où il vient, comment il a été dérivé et qui l'a modifié. Dans le contexte des LLM, cela fait référence à la traçabilité de la source des informations utilisées dans la réponse du modèle.

Technologie IA de base

(31)

Puce d'Inférence

Une puce d'inférence est un processeur semiconducteur spécialisé optimisé pour exécuter efficacement des modèles IA lors de l'inférence. Contrairement aux CPU à usage général ou aux GPU optimisés pour l'entraînement, les puces d'inférence priorisent le débit (TPS), l'efficacité énergétique et la faible latence pour les modèles déjà entraînés. Les trois catégories dominantes : les GPU comme les H100 et B200 Blackwell de NVIDIA, excellant par leur architecture massivement parallèle et leurs Tensor Cores ; les TPU de Google, conçus pour les multiplications matricielles dans les réseaux de neurones ; et les ASIC comme le LPU de Groq atteignant 500+ tokens/seconde, le CS-3 de Cerebras et les puces Inferentia d'Amazon. La génération Blackwell de NVIDIA (GB200, B200) a remodelé le paysage : FP4 natif permet 4× plus d'opérations par watt vs H100 ; 192 Go HBM3e contient entièrement les plus grands modèles frontier dans la VRAM. Le rack GB200 NVL72 atteint un débit 30× supérieur aux systèmes H100. Le bon choix de puce influence profondément coût, latence et taille maximale du modèle. Les modèles plus petits fonctionnent sur des H100 individuels ; les modèles frontier nécessitent des clusters GPU.

Infrastructure IA

Q

(01)

Quantization (AI)

Une technique qui réduit la précision des poids numériques d'un modèle AI (par exemple, de 32 bits à 4 bits), réduisant considérablement la taille du modèle et les exigences en mémoire tout en préservant la plupart des performances.

L'environnement dans lequel un programme informatique ou un agent AI est exécuté, englobant les ressources logicielles et matérielles nécessaires à son fonctionnement.

Infrastructure IA

S

(01)

SaaS

Logiciel en tant que service. Logiciel fourni en tant que service sur Internet.

Technologie IA de base

(02)

Sandbagging (IA)

Le sandbagging est lorsqu'un modèle d'IA sous-estime délibérément ses propres capacités, en obtenant des résultats inférieurs lors d'un test, d'un benchmark ou d'une évaluation de sécurité par rapport à ce qu'il pourrait réellement accomplir. Le terme provient du sport et du poker, où un concurrent cache sa véritable force pour obtenir un avantage ultérieur. Dans le domaine de la sécurité de l'IA, ce comportement est particulièrement préoccupant car il sape l'objectif même de l'évaluation : un modèle qui semble inoffensif ou limité lors des tests pourrait faire bien plus en production, ou révéler des capacités plus dangereuses une fois l'examen terminé. Le sandbagging suppose généralement une certaine conscience de l'évaluation, la capacité du modèle à reconnaître qu'il est actuellement testé. Une fois qu'il détecte le contexte de test, il peut ajuster son comportement intentionnellement. Distinguer une sous-performance délibérée d'une simple incohérence est difficile de l'extérieur ; un verdict fiable nécessite d'examiner les activations internes du modèle, le type de preuve que l'interprétabilité mécaniste vise à révéler. Pour les organisations, la leçon pratique est claire : un test de sécurité réussi, à lui seul, ne garantit pas un comportement prévisible dans le monde réel.

Sûreté IA & garde-fous

(03)

Scaffolding Piloté par Spécification

Le scaffolding piloté par spécification est la pratique de contrôler les agents IA non pas par des prompts libres mais par des spécifications structurées et lisibles par machine. Au lieu de dire à un agent 'écris un article de blog sur l'IA', une spécification définit précisément : format, public cible, nombre de mots minimum, sections requises, obligations de citation, formulations interdites et critères d'acceptation. Le 'scaffolding' fait référence au cadre structurel d'instructions qui fournit à l'agent une orientation et prévient la dérive. La spécification donne à l'agent une structure fixe dans laquelle travailler lors de l'exécution, comprenant typiquement : rôle et contexte de l'agent, règles de validation des entrées, livrables étape par étape, exigences de format de sortie et limites explicites. La distinction avec l'ingénierie de prompts classique est fondamentale : l'ingénierie de prompts optimise pour la qualité du langage ; le scaffolding piloté par spécification optimise pour la cohérence comportementale. Un agent bien spécifié produit le même résultat structurel à la millième exécution qu'à la première. Le scaffolding piloté par spécification permet un avantage opérationnel clé : les spécifications peuvent être versionnées, révisées par les pairs, testées et améliorées itérativement indépendamment du modèle sous-jacent.

IA agentique & agents

(04)

Scaling AI

Le processus d'augmentation de la taille, de la complexité et des ressources allouées aux modèles et systèmes AI, impliquant souvent l'expansion du jeu de données d'entraînement, des paramètres du modèle et de l'infrastructure informatique.

Infrastructure IA

(05)

Schema Validation

Le processus de vérification que la sortie d'un modèle de langage est conforme à une structure ou un format prédéfini (schéma).

Technologie IA de base

(06)

Seat

Dans le contexte des licences logicielles, un 'seat' représente un utilisateur unique ou un compte utilisateur autorisé à accéder et à utiliser le logiciel. La tarification SaaS est souvent basée sur un modèle 'par seat' ou 'par utilisateur'.

Technologie IA de base

(07)

Sécurité des agents IA

La sécurité des agents IA désigne l'architecture de sécurité pour les agents IA qui font plus que générer du texte. Ces systèmes peuvent appeler des outils, modifier des fichiers, exécuter du code, utiliser des API, inspecter des données ou préparer des actions dans des systèmes externes. Le terme couvre les contrôles techniques et organisationnels autour de ce runtime : bacs à sable pour les exécutions risquées, permissions explicites, flux de travail d'approbation, politiques réseau, isolation des secrets et des identifiants, journalisation, télémétrie et chemins d'arrêt d'urgence. Comparée à la sécurité des applications traditionnelles, la sécurité des agents IA doit prendre en compte un acteur non déterministe. Un agent peut dériver de nouvelles étapes à partir de prompts, de résultats d'outils, de mémoire et de contexte environnant, donc sécuriser uniquement le modèle ne suffit pas. Tout l'environnement d'exploitation est important, depuis le prompt système et les portées des outils jusqu'à la piste d'audit. Dans les entreprises, la sécurité des agents IA devient critique dès que les agents de codage ouvrent des pull requests, analysent des données sensibles, traitent des tickets ou touchent à des flux de travail proches de la production. Des contrôles solides séparent les expérimentations des droits de production, limitent le rayon d'impact et rendent les actions importantes révisables. C'est la base pour utiliser des systèmes IA autonomes ou semi-autonomes dans de véritables processus d'affaires sans transformer chaque agent en utilisateur administrateur incontrôlé.

Sécurité & souveraineté

(08)

Seedance 2.0

Seedance 2.0 est un modèle de génération vidéo par IA multimodale développé par ByteDance, le géant technologique pékinois connu pour TikTok. Publié en 2025, Seedance 2.0 génère des clips vidéo haute fidélité et temporellement cohérents à partir de prompts textuels, d'images ou d'une combinaison des deux, en concurrence directe avec Sora d'OpenAI, Veo 3 de Google et Gen-3 de Runway ML. Seedance 2.0 est entraîné sur un vaste ensemble de données propriétaire de paires vidéo-texte et utilise une architecture basée sur la diffusion, optimisée pour le réalisme du mouvement, la cohérence des scènes et le rendu photoréaliste. Les capacités clés incluent la génération vidéo multi-plans, le contrôle du mouvement de caméra, la cohérence des personnages entre les images et la prise en charge des ratios d'aspect cinématographiques. ByteDance a conçu Seedance 2.0 pour alimenter les workflows créatifs dans son propre écosystème de produits — notamment CapCut, son application de montage vidéo populaire — tout en rendant le modèle accessible aux clients entreprise via API. Contrairement à Sora, disponible uniquement via ChatGPT Plus, Seedance 2.0 offre un accès API direct, ce qui en fait un choix pratique pour les développeurs construisant des pipelines de production vidéo automatisés. Le modèle prend en charge la génération texte-vers-vidéo et image-vers-vidéo, avec des durées de sortie de cinq à trente secondes. Seedance 2.0 représente l'entrée la plus significative de ByteDance dans le domaine de la vidéo générative. Chez Context Studios, nous avons testé Seedance 2.0 pour la production automatisée de vidéos sur les réseaux sociaux et les workflows de contenu en format court.

Technologie IA de base

(09)

Self-Driving Enterprise

Une entreprise autonome est une organisation où les systèmes d'IA automatisent une partie significative de la prise de décision et des processus opérationnels, permettant une adaptation et une optimisation autonomes. L'objectif est de minimiser l'intervention humaine dans les tâches routinières et de permettre aux employés de se concentrer sur des initiatives stratégiques.

Futur & innovation

(10)

Self-hosted

Un logiciel ou un service hébergé sur l'infrastructure propre de l'utilisateur, lui donnant un meilleur contrôle sur les données et les ressources par rapport aux solutions basées sur le cloud.

Infrastructure IA

(11)

Self-Learning AI Agents

Un Self-Learning AI Agent est un système d'IA qui étend durablement ses capacités grâce aux tâches accomplies et aux retours reçus, en enregistrant résultats, erreurs et corrections comme mémoire réutilisable, au lieu de repartir à chaque session du même niveau de connaissances. En pratique, il associe une couche mémoire qui condense les exécutions terminées en procédures réutilisables et des boucles d'évaluation qui récompensent les séquences réussies et signalent les défaillantes — ce qui définit le concept, c'est le cycle exécution-évaluation-consolidation, pas un modèle plus gros. Exemple : un agent de support helpdesk qui, après 200 tickets traités, range les quinze résolutions les plus fréquentes comme entrées de playbook et contrôle automatiquement les retours ; sur les classes de tickets couvertes, le délai de première réponse qualifiée tombe de plusieurs minutes à moins d'une minute, mesuré sur huit semaines. À distinguer du fine-tuning : celui-ci modifie les poids du modèle, alors que le self-learning garde un modèle figé et n'accroît que sa mémoire de tâches. À distinguer aussi du context rot, la dégradation progressive de la qualité du contexte dans les longues sessions : le self-learning exige un entretien actif de la mémoire — compression et nettoyage — sinon la mémoire dérive et les erreurs s'accumulent. Pour les entreprises, la charge de maintenance se déplace de la rédaction des prompts vers l'entretien de la mémoire et des circuits de validation.

IA agentique & agents

(12)

Semantic Search

La recherche sémantique est une technologie de recherche qui vise à comprendre le sens et l'intention derrière la requête d'un utilisateur, plutôt que de simplement faire correspondre des mots-clés. Elle utilise des techniques telles que le traitement du langage naturel et les graphes de connaissances pour fournir des résultats de recherche plus pertinents et précis.

Technologie IA de base

(13)

SEP (MCP Enhancement Proposal)

Un document de conception qui fournit des informations à la communauté MCP ou décrit une nouvelle fonctionnalité pour le Model Context Protocol. La gouvernance SEP garantit que les changements cassants sont annoncés avant d'être intégrés.

Infrastructure IA

(14)

Side Panel Extension

Chrome extension UI in a panel beside browser content.

Infrastructure IA

(15)

Skill

Un composant modulaire et réutilisable conçu pour effectuer une tâche spécifique au sein de Claude Code. Les compétences peuvent être déclenchées par des entrées utilisateur ou d'autres événements.

IA agentique & agents

(16)

Skill Definition (in YAML format)

Définir les capacités et fonctions spécifiques d'un agent IA en utilisant YAML, un langage de sérialisation de données lisible par l'homme. Cela décrit ce que l'agent peut faire et comment il interagit avec des outils et d'autres agents.

IA agentique & agents

(17)

Skill Hot-Reload

La capacité de mettre à jour et de recharger automatiquement des compétences dans un environnement de développement sans nécessiter un redémarrage complet du système.

Technologie IA de base

(18)

Skills

Capacités auto-invoquées de Claude Code déclenchées par le contexte, lui permettant d'effectuer des tâches sans commandes explicites de l'utilisateur.

IA agentique & agents

(19)

Skills API

Une interface de programmation d'application (API) qui permet aux développeurs de créer, gérer et intégrer des ensembles d'instructions réutilisables ('Compétences') dans des plateformes IA, permettant l'automatisation et la personnalisation.

Infrastructure IA

(20)

Skills System

Un cadre modulaire au sein d'un assistant IA qui permet aux utilisateurs d'étendre sa fonctionnalité grâce à des plugins ou modules installables.

IA agentique & agents

(21)

SLM Fine-Tuning

SLM Fine-Tuning est un concept AI economics dans les systèmes IA modernes qui optimise l'équation coût-bénéfice de l'adoption et de l'exploitation de l'IA. Il joue un rôle clé dans les déploiements IA d'entreprise où démontrer un ROI clair est essentiel pour sécuriser l'investissement IA continu.

Économie IA & coûts

(22)

SLSA (Niveaux de chaîne d'approvisionnement pour les artefacts logiciels)

SLSA — prononcé "salsa" — est un cadre de sécurité ouvert qui définit des garanties vérifiables d'intégrité et de provenance pour les artefacts logiciels. Il a été initié chez Google et est maintenant maintenu sous l'égide de l'OpenSSF (Open Source Security Foundation). SLSA propose une échelle de niveaux d'assurance croissants qui décrivent à quel point vous pouvez prouver avec confiance qu'un artefact — une image de conteneur, un package npm, un binaire compilé — provient réellement du code source et du processus de construction qu'il prétend, et n'a pas été altéré en cours de route. Au cœur du cadre se trouve la provenance : une attestation signée et lisible par machine qui enregistre quelle source a produit quel artefact, via quel système de construction. Les niveaux vont de la provenance de construction de base jusqu'à des plateformes de construction renforcées et résistantes aux altérations dont les attestations ne peuvent pas être falsifiées. Contre les attaques de la chaîne d'approvisionnement, SLSA est une contre-mesure directe. Les équipes qui exigent la provenance et la vérifient avant le déploiement peuvent détecter les dépendances échangées ou compromises avant qu'elles n'atteignent la production. Cela est particulièrement important dans les pipelines d'agents IA, qui intègrent des packages, modèles et outils tiers à grande échelle : SLSA comble le fossé de confiance entre le code qu'une équipe pense exécuter et l'artefact qu'elle exécute réellement.

Sécurité & souveraineté

(23)

Small Language Model (SLM)

Un modèle de langage IA avec relativement peu de paramètres (typiquement moins de 10B) conçu pour un déploiement local efficace sur du matériel grand public tout en maintenant des capacités utiles pour des tâches spécifiques.

Technologie IA de base

(24)

Small Language Models (SLM)

Modèles IA compacts et efficaces optimisés pour des tâches spécifiques ou appareils locaux, offrant haute performance avec des coûts et latence significativement réduits.

Économie IA & coûts

(25)

Software 3.0

Le logiciel 3.0 fait référence au paradigme où les modèles IA deviennent la principale façon dont le logiciel se comporte, dépassant le code traditionnel (1.0) et les réseaux neuronaux entraînés sur des données (2.0). Dans le logiciel 3.0, les agents IA écrivent, testent et déploient de manière autonome du code.

Futur & innovation

(26)

Software for One

Des outils logiciels personnalisés rapidement construits pour un usage individuel, souvent en tirant parti de l'IA pour le prototypage rapide et l'automatisation.

Technologie IA de base

(27)

Sous-agent

Un sous-agent est un agent IA spécialisé, créé et dirigé par un agent parent—appelé l'orchestrateur—pour gérer une sous-tâche spécifique au sein d'un flux de travail plus large. Plutôt que de résoudre chaque problème lui-même, l'orchestrateur délègue des responsabilités distinctes aux sous-agents, chacun pouvant avoir ses propres outils, invites système et champ d'action défini. Le modèle de sous-agent est un élément fondamental des architectures multi-agents modernes. Tandis que l'orchestrateur planifie, séquence et agrège les résultats, les sous-agents exécutent en parallèle ou séquentiellement dans des domaines spécialisés—effectuant des requêtes de base de données, générant du code, analysant des documents ou menant des recherches sur le web. Une fois leur tâche accomplie, chaque sous-agent retourne son résultat à l'orchestrateur, qui synthétise les résultats en une réponse ou action finale. Les sous-agents peuvent eux-mêmes créer d'autres sous-agents, formant des arbres hiérarchiques d'agents capables de gérer des complexités à l'échelle de l'entreprise. Des frameworks comme Claude Code et OpenAI Codex utilisent ce modèle pour décomposer de grandes tâches d'ingénierie logicielle en étapes parallèles et gérables, dépassant ce qu'un agent à contexte unique pourrait accomplir dans ses limites de tokens. La séparation claire entre orchestrateur et sous-agent améliore l'observabilité, l'isolation des pannes et la mise à l'échelle incrémentale : un sous-agent défaillant peut être réessayé ou remplacé sans redémarrer l'ensemble du flux de travail, rendant ce modèle essentiel pour les systèmes agentiques de production.

IA agentique & agents

(28)

Sous-agent

Un agent IA lancé par un agent principal pour effectuer une sous-tâche spécifique, comme diagnostiquer et corriger une erreur d'exécution. Dans les workflows Claude Code /loop, la boucle principale détecte un problème et lance un sous-agent pour le résoudre de manière autonome.

IA agentique & agents

(29)

Souveraineté des Modèles IA

La souveraineté des modèles IA est la capacité d'une organisation à choisir, changer et contrôler les modèles IA sur lesquels elle s'appuie, au lieu de se retrouver enfermée dans un seul fournisseur ou produit. Elle couvre le portefeuille de modèles, les options d'hébergement, les flux de données, les critères d'évaluation, les contrôles de coûts, les politiques de sécurité et les contraintes contractuelles liées à l'utilisation de l'IA. Une stratégie de modèle souverain peut toujours utiliser des modèles d'OpenAI, Anthropic, Google, Microsoft ou open-source ; l'important est que l'architecture reste portable et gouvernable. En pratique, les équipes définissent quel modèle est autorisé pour quelle tâche, quelles données peuvent quitter l'environnement, quels modèles de secours existent, comment les résultats sont évalués et comment les décisions sont auditées. Pour les industries réglementées, la souveraineté des modèles inclut également la résidence des données, les règles d'approvisionnement et la documentation des risques traçables. Ce n'est pas un argument contre l'IA en cloud. C'est un principe opérationnel qui maintient le contrôle sur le choix des modèles, l'exposition aux risques et les coûts de changement au sein de l'entreprise plutôt que sur la feuille de route du fournisseur.

Conformité & régulation

(30)

Souveraineté du modèle

La condition dans laquelle un fournisseur de plateforme possède et contrôle le modèle d'IA intégré dans son propre produit, plutôt que de le louer à un fournisseur tiers. La souveraineté du modèle donne au propriétaire de la plateforme un contrôle direct sur la feuille de route, la tarification et le chemin des données du modèle qui répond aux requêtes des utilisateurs — comme lorsque Microsoft a intégré son propre modèle MAI-Code-1-Flash dans GitHub Copilot. Pour les clients, cela modifie la nature de la dépendance au fournisseur : le fournisseur de l'EDI devient le fournisseur du modèle.

Infrastructure IA

(31)

Souveraineté IA

La capacité d'une organisation à contrôler sa propre infrastructure IA et ses données, souvent via des déploiements on-premise ou cloud privé, garantissant l'indépendance numérique.

Sécurité & souveraineté

(32)

Sovereign Cloud AI (GAIA-X)

Sovereign Cloud AI (GAIA-X) est un concept regulatory compliance dans les systèmes IA modernes qui répond aux exigences légales et réglementaires pour le déploiement de l'IA. Il joue un rôle clé dans les déploiements IA d'entreprise où les organisations doivent respecter l'EU AI Act, le RGPD et les mandats sectoriels.

Conformité & régulation

(33)

Spec-Driven Development

Spec-Driven Development est un concept AI engineering dans les systèmes IA modernes qui améliore le développement et la maintenance des systèmes alimentés par l'IA. Il joue un rôle clé dans les déploiements IA d'entreprise où la qualité logicielle et la vélocité de développement impactent directement les résultats.

Ingénierie IA

(34)

Stack technique

L'ensemble complet des technologies utilisees pour construire et executer une application logicielle. En IA, les choix de stack technique impactent significativement les performances et les couts.

Ingénierie IA

(35)

Stop Hook

Un mécanisme qui intercepte le comportement normal de terminaison ou de sortie d'un modèle IA, permettant des modifications ou une opération continue avant que le modèle ne se termine.

IA agentique & agents

(36)

Streamable HTTP Transport

Streamable HTTP Transport est un concept AI infrastructure dans les systèmes IA modernes qui fournit des capacités fondamentales pour le déploiement et l'exploitation des systèmes IA. Il joue un rôle clé dans les déploiements IA d'entreprise où la fiabilité et l'évolutivité sont critiques pour les charges de production.

Infrastructure IA

(37)

Structured Outputs

Fonctionnalité LLM pour du JSON garanti valide selon un schéma. Élimine les erreurs de parsing et permet une intégration d'outils fiable. OpenAI (response_format), Anthropic (tool_choice) et Google (response_schema) offrent un support natif. Critique pour les pipelines de production où les sorties non structurées cassent les workflows.

Ingénierie IA

(38)

Subagents

Des agents IA plus petits et spécialisés qui travaillent ensemble au sein d'un système d'agents IA plus large pour accomplir des tâches complexes.

IA agentique & agents

(39)

Super App IA

Une plateforme IA tout-en-un consolidant écriture, coding, recherche, génération d'images et analyse de données dans une interface unique. Inspirées par WeChat, les super apps IA comme ChatGPT et Claude visent à remplacer des dizaines d'outils SaaS.

Technologie IA de base

(40)

Superposition

La superposition est un principe architectural dans les modèles de langage neuronaux: plusieurs concepts sémantiques partagent une dimension commune dans l'espace latent, analogue au chevauchement d'états quantiques. L'erreur de reconstruction par dimension diminue seulement avec l'inverse de la largeur, soit ∼1/Width. Doubler la largeur des embeddings réduit l'erreur de moitié, mais la charge de calcul et la mémoire augmentent de façon disproportionnée. À une largeur de 768, l'erreur se situe typiquement autour de 8 %; à 1.536 dimensions, elle tombe à environ 4 %. Au-delà d'un seuil spécifique au modèle, tout doublement supplémantaire apporte peu de gain; un modèle plus petit avec plus de test-time compute peut l'égaler. La superposition se distingue ainsi d'un embedding classique: là une axe encode un seul concept, ici plusieurs sens se chevauchent sur la même position.

Infrastructure IA

(41)

Surface d'outils d'agent

Une surface d'outils d'agent est l'ensemble complet des outils, fonctions et interfaces qu'un agent IA peut appeler en temps réel. Elle ne décrit pas comment un outil unique est configuré, mais plutôt l'étendue globale des actions possibles de l'agent — de la lecture de fichiers à l'appel d'APIs, en passant par l'interrogation de bases de données ou l'envoi de messages. Plus cette surface est large, plus l'agent dispose de chemins pour accomplir une tâche, mais cela augmente également les risques d'exposition à la sécurité, de modes de défaillance et de comportements imprévisibles. En ce sens, la surface d'outils d'agent est l'équivalent pour les systèmes autonomes de la surface d'attaque classique en sécurité informatique. En pratique, un ensemble d'outils volontairement restreint et bien défini s'avère souvent plus fiable et sûr qu'un ensemble étendu : l'agent prend des décisions plus ciblées, devient beaucoup plus facile à tester et offre moins de possibilités de mauvaise utilisation ou d'actions hallucinées. L'idée d'une surface d'outils minimale a gagné en importance avec l'essor des agents terminaux légers qui surpassent leurs rivaux riches en fonctionnalités en utilisant seulement quelques outils. Concevoir délibérément la surface d'outils devient donc une décision architecturale centrale lors de la création de systèmes d'agents en production.

Ingénierie IA

(42)

Surveillance des Hallucinations

Des systèmes en temps réel qui surveillent les sorties IA pour détecter les erreurs factuelles ou lacunes logiques, souvent en comparant les sorties avec des enregistrements de base de données vérifiés.

Sûreté IA & garde-fous

(43)

SWE-bench

SWE-bench est un benchmark standardisé pour évaluer la capacité des systèmes d'IA à résoudre des tâches de génie logiciel du monde réel. Le benchmark comprend plus de 2 000 problèmes réels issus de projets open-source populaires sur GitHub, tels que Django, Flask et scikit-learn. Chaque tâche inclut une description du problème, le code source pertinent et des tests automatisés pour vérifier la solution. Les modèles d'IA doivent analyser le code, identifier la cause racine du problème et générer un correctif fonctionnel, tout comme le ferait un développeur humain. SWE-bench est devenu le benchmark principal pour les agents de codage IA. Les scores actuels dépassent 80 pour cent (Claude Opus 4.6 atteint 80,8 %), démontrant que les agents IA sont de plus en plus capables de résoudre de manière autonome des problèmes logiciels complexes. Des variantes comme SWE-bench Verified utilisent des sous-ensembles validés par des humains pour des résultats encore plus fiables.

Ingénierie IA

(44)

SWE-bench Vérifié

Un banc d'essai testant les modèles d'IA sur la résolution autonome de problèmes réels sur GitHub. La variante Vérifiée utilise des tâches validées par des humains pour un score fiable. Claude Sonnet 4.6 obtient un score de 79,6 %.

Technologie IA de base

(45)

Swift Assist

L'assistant de codage alimenté par IA d'Apple intégré dans Xcode qui aide les développeurs à écrire, comprendre et déboguer du code Swift en utilisant de grands modèles de langage.

Technologie IA de base

(46)

Synthetic Data Generation

La génération de données synthétiques implique la création de données artificielles qui imitent les propriétés statistiques des données réelles. Cela est souvent utilisé pour compléter ou remplacer des données réelles dans des tâches d'apprentissage automatique, en particulier lorsque les données réelles sont rares, coûteuses ou sensibles à la vie privée.

Technologie IA de base

(47)

Système de Compétences (IA)

Une architecture modulaire où les capacités de l'IA sont organisées en modules de compétences distincts et interchangeables, pouvant être ajoutés, retirés ou mis à jour de manière indépendante. Utilisé dans des systèmes comme Clawdbot.

IA agentique & agents

(48)

Système de Hook

Un mécanisme basé sur des événements dans l'architecture des plugins Claude Code qui permet aux plugins d'intercepter et de modifier le comportement à des points spécifiques du flux de travail de l'agent, comme avant ou après les appels d'outils ou en cas d'erreurs.

Technologie IA de base

(49)

Système de Plugin Claude Code

L'architecture d'extension officielle pour Claude Code qui permet aux développeurs de créer des hooks, des outils personnalisés et des modifications de flux de travail via une configuration JSON et des gestionnaires d'événements basés sur des scripts.

Technologie IA de base

(50)

Système de Plugins Codex

Le Système de Plugins Codex est l'architecture d'extension qui permet aux équipes d'ajouter des capacités réutilisables, des flux de travail et des intégrations à OpenAI Codex. Au lieu de réécrire le contexte du projet, les règles d'approbation ou les instructions d'outils dans chaque prompt, les équipes peuvent emballer ces capacités sous forme de plugins. Un plugin peut exposer des commandes supplémentaires, des définitions d'outils, des conventions de projet, des flux d'interface utilisateur ou des points de connexion aux systèmes internes. En pratique, cela transforme Codex d'un simple assistant de codage en un environnement de développement extensible pour la livraison de logiciels, les migrations, l'assurance qualité et les flux de travail d'ingénierie agentique. Pour les entreprises, la valeur réside dans la cohérence opérationnelle. Le codage par IA devient évolutif uniquement lorsque les connaissances, les autorisations et les barrières de qualité survivent au-delà d'une session de chat. Les plugins rendent les flux de travail éprouvés répétables : l'intégration des dépôts, les stratégies de test, les vérifications de déploiement, les normes de révision de code et l'accès aux outils basés sur MCP peuvent être maintenus de manière centralisée et réutilisés par les équipes. Cela réduit la dérive des prompts, accélère l'intégration des développeurs et diminue le risque que les agents utilisent les mauvais outils ou des normes obsolètes. Notre avis : les systèmes de plugins sont une infrastructure d'ingénierie, pas des ajouts cosmétiques. Un plugin Codex solide doit être petit, versionné, vérifiable et connecté aux API existantes, aux frontières de sécurité et aux processus CI/CD. Les équipes qui traitent les plugins de cette manière obtiennent des flux de travail d'agents plus rapides sans sacrifier la gouvernance.

Ingénierie IA

(51)

Systeme IA pret pour la production

Un systeme IA teste, optimise et renforce pour le deploiement reel avec un monitoring, une gestion d'erreurs, une scalabilite et une securite appropriees.

Ingénierie IA

(52)

Système multi-agents

Un système multi-agents est une architecture d'IA dans laquelle plusieurs agents spécialisés collaborent pour atteindre un objectif commun. Au lieu de demander à un seul modèle de planifier, rechercher, exécuter, vérifier et rapporter chaque étape, le système répartit le travail entre différents rôles : un planificateur décompose la tâche, des agents de recherche collectent le contexte, des agents de codage ou de données prennent des mesures, et des agents réviseurs valident le résultat. La caractéristique clé n'est pas simplement d'avoir de nombreux agents, mais la couche de coordination entre eux. Cette couche définit les transferts de tâches, l'état partagé, les autorisations d'outils, la gestion des échecs, les contrôles de coûts et les conditions d'arrêt. Les systèmes multi-agents deviennent utiles lorsqu'un flux de travail est trop complexe pour une seule invite ou une automatisation linéaire. Ils peuvent exécuter des travaux en parallèle, acheminer les étapes vers différents modèles en fonction de leurs capacités ou de leur coût, et vérifier les résultats avant qu'ils ne soient vus par des humains. En production, cependant, ils nécessitent un environnement d'exécution discipliné avec journalisation, observabilité, autorisations et points d'approbation humaine. Sans ces contrôles, une configuration multi-agents peut rapidement devenir coûteuse, difficile à déboguer et opérationnellement risquée.

IA agentique & agents

(53)

Systèmes Agentiques

Les systèmes agentiques sont des systèmes d'IA qui prennent des décisions et agissent de manière autonome pour résoudre des tâches complexes. Contrairement aux systèmes d'IA traditionnels qui ne font que réagir aux entrées, les systèmes agentiques fonctionnent en boucle continue : ils perçoivent l'environnement, formulent des objectifs, planifient des étapes et exécutent des actions, le tout sans intervention humaine constante. Par exemple, un système agentique pourrait analyser automatiquement les demandes des clients, rechercher des solutions pertinentes, interroger les systèmes internes et générer une réponse. Cela est rendu possible par le Model Context Protocol (MCP), qui intègre de manière transparente les outils et les sources de données.

Un Transformer est une architecture de réseau de neurones, présentée par Vaswani et al. dans l'article « Attention Is All You Need » (2017), qui traite les séquences grâce à un mécanisme appelé self-attention plutôt que par le traitement séquentiel des modèles antérieurs. Elle constitue le fondement de pratiquement tous les grands modèles de langage (LLM) en production aujourd'hui. L'innovation centrale est la self-attention : pour chaque token, le modèle calcule la pertinence de tous les autres tokens et les pondère en conséquence. Le réseau capte ainsi des relations très éloignées — par exemple entre un pronom et un nom situé 500 mots plus haut — en une seule opération parallélisable. La conception d'origine comprenait un encodeur (lit et représente l'entrée) et un décodeur (génère la sortie token par token). Les LLM génératifs actuels sont le plus souvent decoder-only ; l'encodeur reste utile pour la traduction et les embeddings. Le Transformer a supplanté les RNN et LSTM, qui traitaient les tokens un par un — entraînement lent et « oubli » sur les longues séquences. Comme la self-attention traite tous les tokens simultanément, l'entraînement sur des milliers de milliards de tokens avec des GPU à grande échelle est devenu possible. Tous les modèles de pointe de 2026 sont des Transformers : GPT-5.5 (OpenAI), Claude Opus 4.8 / Sonnet 4.6 (Anthropic) et Gemini 3 (Google). Le « T » de GPT signifie Transformer. La même architecture alimente aussi les systèmes multimodaux (image, audio, vidéo) en convertissant ces entrées en séquences de tokens. Réserve pratique : le coût de la self-attention croît de façon quadratique avec la longueur de séquence, ce qui rend les très longs contextes onéreux. D'où l'essor en 2026 des architectures hybrides — comme Jamba, Nemotron-H ou Zamba2 — qui combinent des couches d'attention avec des modèles à espace d'états (SSM) tels que Mamba/Mamba-2. Les SSM passent à l'échelle de façon quasi linéaire et sont bien plus rapides sur les entrées longues, mais restent en retrait sur le raisonnement à contexte court. Le consensus de 2026 : le Transformer reste la norme ; les hybrides sont la réponse pragmatique pour le long contexte et la latence, pas un remplacement.

Technologie IA de base

(22)

Turbopack

Un outil de construction haute performance pour JavaScript et TypeScript, conçu comme un successeur de Webpack. Des temps de construction remarquablement plus rapides grâce à la mise en cache.

La capacité des modèles d'IA à interagir avec des API d'outils logiciels externes et des services pendant l'inférence pour recueillir des informations ou étendre leurs capacités.

Un terme inventé par Andrej Karpathy en février 2025 pour le développement logiciel assisté par IA où les développeurs se concentrent sur la vision et l'IA écrit le code. Mot de l'Année Collins 2025.

Ingénierie IA

(10)

Vision-Language Models

Les modèles vision-langage (VLM) sont des modèles d'IA qui combinent la vision par ordinateur et le traitement du langage naturel pour comprendre et raisonner sur des images et du texte simultanément. Ils peuvent effectuer des tâches telles que la légende d'image, la réponse à des questions visuelles et la récupération multimodale.

Technologie IA de base

(11)

Vivier de talents IA

La main-d'oeuvre disponible de professionnels avec des competences en IA et ML dans une region donnee. Un facteur critique pour le succes des startups IA.

Systèmes IA développant une compréhension ancrée des lois physiques et causales, leur permettant de prédire les résultats dans des environnements virtuels et réels.

Futur & innovation

X

(01)

Xcode

Xcode est l'environnement de développement intégré (IDE) officiel d'Apple pour la création de logiciels sur les plateformes Apple, notamment iOS, macOS, watchOS, tvOS et visionOS. Publié pour la première fois en 2003, Xcode fournit une suite complète d'outils de développement : un éditeur de code avec coloration syntaxique et autocomplétion, un concepteur d'interface visuelle (Interface Builder), un système de build, un débogueur, des outils de profilage des performances (Instruments) et un simulateur pour tester des applications sur différents types d'appareils Apple sans matériel physique. Xcode utilise Swift comme langage de programmation principal — le langage moderne et sûr d'Apple introduit en 2014 — tout en prenant en charge Objective-C pour les bases de code héritées. Les développeurs distribuent les applications iOS et macOS exclusivement via l'intégration de Xcode avec la signature et le pipeline de soumission de l'App Store d'Apple. En 2025, Apple a considérablement étendu les capacités IA de Xcode, introduisant des fonctionnalités de codage agentique alimentées par des grands modèles de langage permettant à Xcode d'écrire, refactoriser et tester du code de manière autonome — comparable à Claude Code d'Anthropic et au mode agent de GitHub Copilot. Cela a fait de Xcode un acteur compétitif dans l'espace du codage agentique, rivalisant directement avec Cursor, Copilot et Codex d'OpenAI pour les workflows de développement iOS et macOS. L'intégration étroite de Xcode avec l'optimisation Apple Silicon, SwiftUI et le Programme Développeur Apple le rend indispensable pour toute équipe développant des applications natives sur plateformes Apple. Chez Context Studios, nous utilisons Xcode avec ses fonctionnalités IA pour le développement d'applications iOS.

Technologie IA de base

(02)

Xcode Previews

Une fonctionnalité dans Xcode qui permet aux développeurs de voir une représentation visuelle en temps réel de leur interface utilisateur pendant qu'ils codent.

Technologie IA de base

Z

(01)

Zero Data Retention (ZDR)

Un standard de confidentialité où les fournisseurs IA garantissent que les données utilisateur sont traitées en temps réel et supprimées immédiatement, jamais utilisées pour l'entraînement.

Sécurité & souveraineté

Glossaire IA 2026

Définitions précises, concepts connexes et mises en perspective pour agents IA, infrastructure LLM, gouvernance et systèmes IA de production.

Aperçu

Qu'est-ce que le glossaire IA ?

À qui s'adresse le glossaire ?

Pour les fondateurs, CTO, équipes produit et décideurs qui doivent situer rapidement les termes IA.

Qu'est-ce qui rend les définitions utiles ?

Chaque terme est brièvement expliqué, catégorisé et relié à des concepts connexes.

Comment trouver le bon terme ?

Utilisez la recherche, les catégories ou l'index A-Z pour découvrir concepts et relations.