Accueil IAC.aiENFRContact
À propos · Glossaire

Lexique de l'automatisation souveraine

Comment IAC.ai emploie les termes clés de l'IA et de l'automatisation en entreprise. Écrit pour les dirigeants, les architectes, les achats et les équipes de gouvernance de l'IA.

IAC.ai : le cadre de référence IAC AI Enablement

De quoi s'agit-il : ce lexique définit la façon dont IAC.ai (Intelligent Automation Company) emploie les termes clés de l'IA et de l'automatisation en entreprise. Il s'adresse aux dirigeants, aux architectes, aux achats et aux équipes de gouvernance de l'IA.

Pourquoi ce lexique : en 2026, le vocabulaire est une question de stratégie. Si votre partenaire donne un sens sensiblement différent à la souveraineté, à la maîtrise, à la dépendance ou aux résultats, votre organisation accumule peut-être un risque de dépendance caché.

Principe IAC : l'automatisation et l'IA livrées comme une capacité opérationnelle interne. Pas comme une intelligence externalisée.

Agent IAUn agent IA est une entité logicielle capable de raisonner, de planifier et d'exécuter des tâches de façon autonome, dans des limites définies.Souveraineté de l'IALa souveraineté de l'IA est la capacité d'une entreprise à posséder, contrôler, gouverner et faire évoluer pleinement ses systèmes d'IA, indépendamment des fournisseurs ou des plateformes.Dépendance fournisseurLa dépendance fournisseur est une situation où changer de prestataire devient coûteux, lent ou risqué sur le plan opérationnel.RésultatUn résultat est un effet métier mesurable, obtenu par l'exécution.Engagement au résultatL'engagement au résultat est un modèle où les critères de succès et la rémunération sont liés à des résultats métier mesurables, plutôt qu'à l'effort fourni ou au temps passé.Indépendance technologiqueL'indépendance technologique consiste à concevoir des systèmes qui ne dépendent pas structurellement d'un seul fournisseur, d'un seul modèle ou d'une seule plateforme.Maîtrise de l'exécutionLa maîtrise de l'exécution est la capacité de l'entreprise à contrôler la façon dont le travail est réalisé et dont les résultats sont produits par l'IA et l'automatisation.AgentOpsAgentOps est la discipline opérationnelle chargée de déployer, superviser, contrôler et améliorer les agents IA en production.AI FactoryUne AI Factory est une capacité centralisée de l'entreprise pour concevoir, déployer, gouverner et passer à l'échelle les systèmes d'IA dans toute l'organisation.Maîtriser son destinMaîtriser son destin dans l'IA d'entreprise, c'est garder dans la durée le contrôle des systèmes qui prennent les décisions et exécutent le travail.

Définition de référence

Un agent IA est une entité logicielle capable de raisonner, de planifier et d'exécuter des tâches de façon autonome, dans des limites définies.

Le regard d'IAC sur la souveraineté

Dans le cadre d'IAC, un agent IA est une main-d'œuvre numérique qui opère dans l'environnement gouverné du client, avec des limites d'action explicites, une supervision et des règles d'escalade. L'entreprise possède la logique d'orchestration et le comportement opérationnel qui rendent l'agent efficace dans les processus réels.

Pourquoi c'est important

Si la « capacité agent » n'existe que dans une plateforme fermée, vous gagnez peut-être en vitesse aujourd'hui, mais vous perdrez le contrôle demain. Un agent en production doit être portable, auditable et gouvernable, sinon il devient un risque opérationnel.

Garde-fous pour l'entreprise (non négociables)

  • Périmètre de décision : des limites claires sur ce que l'agent peut faire sans escalade.
  • Supervision humaine : un humain dans la boucle pour les actions à fort impact et les exceptions.
  • Auditabilité : des journaux et des traces qui permettent de reconstituer les actions et les décisions.
  • Gestion des changements : versionnage des prompts, des outils et des politiques.

Définition de référence

La souveraineté de l'IA est la capacité d'une entreprise à posséder, contrôler, gouverner et faire évoluer pleinement ses systèmes d'IA, indépendamment des fournisseurs ou des plateformes.

Le regard d'IAC sur la souveraineté

La souveraineté n'est pas un slogan. C'est le fruit de choix de conception et de contrats. Elle signifie que l'entreprise peut changer de modèles, d'outils ou de fournisseurs sans perdre sa logique de décision centrale, sa continuité opérationnelle ni sa propriété intellectuelle.

Pourquoi c'est important

L'IA passe de la génération de contenu à l'exécution opérationnelle. Quand la logique opérationnelle échappe à votre contrôle, vous n'externalisez pas seulement des outils : vous externalisez votre capacité à piloter l'entreprise de façon sûre et cohérente.

Ce que la souveraineté recouvre en pratique

  • Propriété intellectuelle : les prompts, les workflows, l'orchestration et les livrables de mise en œuvre appartiennent au client.
  • Portabilité : la capacité à migrer la logique et les systèmes d'un fournisseur à l'autre, avec peu de reprise.
  • Gouvernance : des politiques appliquées par l'architecture et par des contrôles à l'exécution.
  • Auditabilité : la reconstitution des décisions et des actions, pour la gestion des risques, la conformité et l'apprentissage.

Définition de référence

La dépendance fournisseur est une situation où changer de prestataire devient coûteux, lent ou risqué sur le plan opérationnel.

Le regard d'IAC sur la souveraineté

Dans l'IA d'entreprise, la dépendance porte rarement sur les seules données. C'est souvent une dépendance comportementale : le raisonnement métier, la gestion des exceptions et les circuits de décision sont intégrés de telle sorte que vous ne pouvez pas les exporter. C'est là que se trouve le vrai risque de dépendance.

Pourquoi c'est important

L'IA évolue vite. Si votre logique centrale est captive, vous ne pouvez pas réagir aux variations de prix, aux évolutions des capacités, aux contraintes réglementaires ou aux incidents opérationnels sans devoir négocier pour sortir de votre propre modèle opérationnel.

Les formes de dépendance courantes qu'IAC évite dès la conception

  • Circuits de décision opaques : vous ne pouvez pas voir comment les décisions sont prises.
  • Orchestration non exportable : les workflows ne tournent que sur une seule plateforme.
  • Boucles d'apprentissage fermées : les améliorations ne peuvent pas être séparées du fournisseur.
  • Intégrations dépendantes de la plateforme : des connecteurs critiques impossibles à remplacer sans risque.

Définition de référence

Un résultat est un effet métier mesurable, obtenu par l'exécution.

Le regard d'IAC sur la souveraineté

Dans le modèle d'IAC, le résultat est la seule unité de succès acceptable pour l'IA en entreprise. Les livrables ne sont pas des résultats. Une démo de modèle n'est pas un résultat. Un pilote n'est pas un résultat tant qu'il ne change rien aux opérations réelles.

Pourquoi c'est important

L'IA d'entreprise échoue quand les équipes optimisent l'activité plutôt que l'impact. Les résultats protègent la gouvernance, le budget et la crédibilité, parce qu'ils rendent le succès vérifiable.

Exemples de résultats bien formulés

  • Réduction de l'OpEx : une baisse de coûts mesurable dans un processus défini.
  • Réduction des délais de traitement : un gain de débit mesurable dans un processus critique.
  • Réduction des erreurs : une baisse mesurable des reprises, des défauts ou des exceptions.
  • Meilleur contrôle : une hausse mesurable de l'auditabilité et du périmètre couvert par la gouvernance.

Définition de référence

L'engagement au résultat est un modèle où les critères de succès et la rémunération sont liés à des résultats métier mesurables, plutôt qu'à l'effort fourni ou au temps passé.

Le regard d'IAC sur la souveraineté

L'engagement au résultat est un outil de gouvernance. Il oblige à clarifier la situation de référence, la mesure et le périmètre opérationnel. Il aligne les intérêts sur ce dont l'entreprise a vraiment besoin, pas sur l'activité ou le nombre de personnes mobilisées.

Pourquoi c'est important

L'IA réduit l'effort. Si les contrats rémunèrent l'effort, ils pénalisent l'efficacité. Les modèles au résultat rémunèrent un impact mesurable, tout en protégeant les deux parties grâce à des indicateurs objectifs.

Les conditions pour que l'engagement au résultat fonctionne

  • Situation de référence : le point de départ convenu.
  • Méthode de mesure : des sources de données et des calculs convenus.
  • Gouvernance : la gestion des changements de périmètre et d'hypothèses.
  • Mise en exploitation : supervision et support en production.

Définition de référence

L'indépendance technologique consiste à concevoir des systèmes qui ne dépendent pas structurellement d'un seul fournisseur, d'un seul modèle ou d'une seule plateforme.

Le regard d'IAC sur la souveraineté

Pour IAC, l'indépendance technologique est une assurance stratégique. Elle préserve la capacité de l'entreprise à changer de modèles, de clouds, d'outils de données ou de composants d'orchestration sans réécrire sa logique métier centrale.

Pourquoi c'est important

Les capacités et l'économie de l'IA changent vite. Une architecture qui ne permet pas de remplacer ses composants sans risque poussera l'entreprise à des compromis stratégiques, même quand de meilleures options existent.

À quoi ressemble une conception indépendante des technologies

  • Architecture modulaire : des composants remplaçables aux interfaces stables.
  • Orchestration externalisée : des workflows qui ne sont pas captifs d'une plateforme.
  • Exécution observable : une supervision et un audit qui restent cohérents d'un outil à l'autre.
  • Plan de portabilité : des scénarios de sortie documentés avant la mise en production.

Définition de référence

La maîtrise de l'exécution est la capacité de l'entreprise à contrôler la façon dont le travail est réalisé et dont les résultats sont produits par l'IA et l'automatisation.

Le regard d'IAC sur la souveraineté

La maîtrise de l'exécution fait la différence entre consommer de l'IA et construire une capacité opérationnelle. Elle signifie que l'entreprise peut ajuster ses workflows, modifier ses règles de décision ou remplacer ses fournisseurs, tout en gardant la capacité en fonctionnement, sans repartir de zéro.

Pourquoi c'est important

Sans maîtrise de l'exécution, la valeur ne se cumule pas. L'organisation paie encore et encore pour le même apprentissage, et le contrôle opérationnel glisse hors de l'entreprise.

La maîtrise de l'exécution suppose

  • Des livrables qui appartiennent au client : workflows, prompts et logique d'orchestration.
  • Un modèle opérationnel : des rôles clairs pour construire, exploiter et gouverner.
  • Des contrôles : supervision, escalade, validation des changements.
  • De la documentation : assez détaillée pour exploiter sans dépendre d'un fournisseur.

Définition de référence

AgentOps est la discipline opérationnelle chargée de déployer, superviser, contrôler et améliorer les agents IA en production.

Le regard d'IAC sur la souveraineté

AgentOps est le plan de contrôle de la main-d'œuvre numérique. Dans les environnements d'entreprise souverains, AgentOps garantit que les agents restent observables, auditables, soumis à des droits d'accès et alignés sur la tolérance au risque de l'entreprise.

Pourquoi c'est important

Sans AgentOps, les agents s'exécutent sans pilotage. Cela crée un risque de gouvernance et une fragilité opérationnelle, même quand les modèles sous-jacents sont solides.

Les pratiques AgentOps essentielles

  • Supervision : performance, erreurs et indicateurs de résultat.
  • Détection de dérive : repérer tôt les dégradations.
  • Gouvernance des accès : moindre privilège pour les outils et les données.
  • Réponse aux incidents : arrêt d'urgence, retour arrière et analyse des causes racines.

Définition de référence

Une AI Factory est une capacité centralisée de l'entreprise pour concevoir, déployer, gouverner et passer à l'échelle les systèmes d'IA dans toute l'organisation.

Le regard d'IAC sur la souveraineté

Dans le cadre d'IAC, une AI Factory évite l'exécution éclatée et le Shadow AI en faisant de l'intelligence une capacité d'entreprise partagée et gouvernée. Elle permet la réutilisation, la cohérence et une maîtrise durable des actifs d'automatisation.

Pourquoi c'est important

Les entreprises ne passent pas l'IA à l'échelle avec des outils isolés. Elles le font avec un modèle opérationnel de production reproductible, qui impose la gouvernance et capitalise sur les acquis.

Les briques d'une AI Factory

  • Standards : des modèles pour l'orchestration, la journalisation et les validations.
  • Gouvernance : classification des risques, gestion des changements, préparation aux audits.
  • Actifs réutilisables : workflows, connecteurs, contrôles, bancs d'évaluation.
  • Système de mise en œuvre : une chaîne reproductible, de la découverte à la production.

Définition de référence

Maîtriser son destin dans l'IA d'entreprise, c'est garder dans la durée le contrôle des systèmes qui prennent les décisions et exécutent le travail.

Le regard d'IAC sur la souveraineté

Dans l'approche d'IAC, maîtriser son destin résulte de la souveraineté combinée à la maîtrise de l'exécution. Cela signifie que vous pouvez changer de partenaires, de modèles ou de plateformes sans perdre votre capacité opérationnelle, votre auditabilité ni le contrôle interne de votre logique métier.

Pourquoi c'est important

L'IA devient une capacité opérationnelle. Quand quelque chose devient critique pour l'entreprise, un contrôle externe devient un risque. Le destin n'est pas un mot marketing. C'est une réalité d'architecture, de gouvernance et de contrats.

Les signes concrets que vous maîtrisez votre destin

  • Portabilité : vous pouvez remplacer des composants sans réécrire le système.
  • Auditabilité : vous pouvez reconstituer les décisions et les actions.
  • Gouvernance : les politiques sont appliquées par conception, pas par bonne volonté.
  • Capacités cumulatives : chaque projet livré augmente votre vitesse et votre contrôle en interne.

Remarque : les définitions ci-dessus sont rédigées par IAC.ai pour un usage en entreprise. Elles reflètent une philosophie de mise en œuvre axée sur la souveraineté et les résultats, et sont conçues pour l'auditabilité, la portabilité et le contrôle opérationnel.

Termes IAC

Nos propres mots, en clair

Les noms que nous utilisons dans nos offres, ce qu'ils signifient et où en savoir plus.

IAC.ai : 360 Discovery en quatre phases, une décision d'investissement

360 DiscoveryDiagnostic 360

Une étude au périmètre fixe, de 4 à 8 semaines de travail de notre côté. Quatre phases aboutissent à un business case par initiative et à une seule décision d'investissement.

En savoir plus →
IAC.ai : l'Opportunity Radar montre toutes les idées sur une seule page

Opportunity Radar

Une seule page qui rassemble toutes les idées d'IA repérées pendant la 360 Discovery, pour les comparer et ne retenir que celles qui en valent la peine.

En savoir plus →
IAC.ai : chaque initiative IA passe par les cinq mêmes étapes, avec un jalon de validation à chacune

Les cinq étapes

Découvrir, décider, construire, mettre en production, exploiter et améliorer. Chaque cas d'usage passe par ces étapes, avec un go / no-go à chaque jalon.

En savoir plus →
IAC.ai : Talent-as-a-Service, des ingénieurs recrutés en 30 jours ou moins

Talent-as-a-ServiceIngénieurs à la demande

Nos ingénieurs dans votre équipe, sous votre direction, en 30 jours ou moins. Un forfait mensuel par rôle.

En savoir plus →
IAC.ai : ingénieurs support, niveaux 2 et 3 au sein de votre équipe

Support engineersIngénieurs support N2 et N3

Des ingénieurs de niveau 2 et 3 intégrés à votre équipe, pour que votre automatisation et votre IA continuent de tourner.

En savoir plus →
IAC.ai : Managed services, nous l'exploitons pour vous, sous SLA

Managed servicesServices managés

Nous exploitons votre automatisation et votre IA pour vous, sous SLA. Vous en gardez la maîtrise.

En savoir plus →
IAC.ai : six leviers qui suppriment les tickets, dans cet ordre

Six leviers

Comment nous supprimons les tickets IT, dans cet ordre : prévenir, dévier, accélérer, améliorer. Chaque levier est d'abord dimensionné sur vos données de tickets.

En savoir plus →
IAC.ai : un seul jeu de règles pour passer l'IA à l'échelle dans tout le groupe

AI Enablement FrameworkCadre de déploiement de l'IA à l'échelle

Un seul cadre de règles pour passer l'IA à l'échelle dans tout le groupe : gouvernance, rôles, standards et le centre qui le pilote.

En savoir plus →
IAC.ai : Capability academy, votre propre équipe formée et certifiée

Capability academyAcadémie de compétences

Vos propres équipes formées et certifiées, un parcours par rôle.

En savoir plus →
6 termes

Les bases de l'IA

IAC.ai : la stack IA aujourd'hui (quatre couches, un rail de confiance)

Intelligence artificielle (IA)

Un logiciel qui accomplit des tâches qui demandaient auparavant un jugement humain : lire, trier, prédire ou rédiger.

L'IA est un terme générique. Il couvre des techniques anciennes comme le machine learning et d'autres plus récentes comme l'IA générative. Pour un dirigeant, la bonne question n'est pas « utilisons-nous l'IA », mais « quel problème résout-elle, et combien cela vaut-il ». Beaucoup de problèmes se règlent plus vite avec une simple automatisation, sans aucune IA.

À ne pas confondre : L'IA n'est pas l'automatisation : l'automatisation suit des règles fixes, l'IA traite les cas où les règles ne sont pas entièrement écrites.

Chez IAC : IAC part d'un problème métier précis, puis regarde où l'IA ou une simple automatisation est rentable.

En savoir plus →

Machine learning (apprentissage automatique)

Un type d'IA qui apprend des schémas à partir de données passées pour prédire ou classer de nouveaux cas.

Le machine learning est à l'œuvre dans la détection de fraude, les prévisions de demande et la classification des tickets. Il exige de bonnes données historiques, et sa qualité dépend de ces données. Il prédit et trie bien, mais il ne rédige pas de texte comme le fait l'IA générative.

À ne pas confondre : Le machine learning n'est pas l'IA générative : le ML sert surtout à prédire ou à classer, l'IA générative crée du contenu nouveau.

Chez IAC : dans 360 Discovery for IT, des algorithmes de ML et d'autres techniques cherchent les schémas, le bruit et le sens dans vos données de tickets.

En savoir plus →

IA générative (GenAI)

Une IA qui crée du contenu nouveau, comme du texte, des images, du code ou de l'audio, à partir d'une instruction.

L'IA générative est ce que la plupart des gens entendent aujourd'hui par IA. Elle excelle à rédiger des premières versions, à résumer et à répondre aux questions. Elle peut aussi se tromper avec une parfaite assurance : il faut donc la vérifier avant de fonder de vraies décisions sur ce qu'elle produit.

À ne pas confondre : L'IA générative n'est pas une solution complète : seule, elle produit des contenus, pas des résultats métier.

Grand modèle de langage (LLM)

Le moteur de la plupart des outils d'IA générative : un modèle entraîné sur d'énormes volumes de texte pour comprendre et écrire du langage.

Un LLM fonctionne en prédisant le morceau de texte suivant, encore et encore. Les produits comme les assistants conversationnels et les agents IA reposent sur un ou plusieurs LLM. Les modèles évoluent vite : votre conception doit donc vous permettre de remplacer un modèle par un autre.

À ne pas confondre : Un LLM n'est pas une application : le modèle est le moteur, l'outil de chat ou l'agent est la voiture construite autour.

Chez IAC : IAC est indépendant des technologies et travaille avec des modèles comme Claude, GPT et Gemini, choisis selon votre architecture.

En savoir plus →

Fenêtre de contexte

La quantité de texte qu'un modèle peut lire et garder en vue en une seule fois, comptée en tokens.

Un token est un petit morceau de texte, souvent un mot ou une partie de mot. La fenêtre de contexte contient votre instruction, les documents que vous ajoutez et la réponse. Beaucoup de fournisseurs facturent l'usage au token : les entrées longues coûtent donc plus cher. Quand la fenêtre est pleine, le contenu le plus ancien disparaît ou doit être coupé.

À ne pas confondre : Une fenêtre de contexte n'est pas une mémoire : le modèle ne se souvient pas des conversations passées, sauf si l'application les stocke et les lui redonne.

Hallucination

Quand un modèle d'IA affirme une chose fausse comme si elle était vraie.

Les hallucinations surviennent parce qu'un modèle produit du texte probable, pas des faits vérifiés. Vous ne pouvez pas les supprimer complètement, mais vous pouvez les réduire : donnez au modèle des sources approuvées, testez-le et gardez un humain dans la boucle pour les décisions à fort impact. Considérez toute réponse d'IA non vérifiée comme un brouillon.

À ne pas confondre : Une hallucination n'est pas un bug qu'on corrige une fois pour toutes : c'est une propriété du fonctionnement de ces modèles, qui se gère en permanence.

Chez IAC : dans les solutions construites par IAC, les réponses viennent de vos données approuvées, et des personnes restent dans la boucle pour les décisions à fort impact ou ambiguës.

En savoir plus →
7 termes

Agents et outils

IAC.ai : agents IA, plus de 30 déploiements, 30 à 80 % de coûts en moins

Chatbot

Un programme avec lequel vous dialoguez dans une fenêtre de chat. Il répond aux questions, mais n'agit généralement pas dans vos systèmes.

Les anciens chatbots suivent des scripts et des arbres de décision. Les plus récents s'appuient sur un LLM et répondent donc en texte libre. Un chatbot est utile pour les questions et les demandes simples, mais le travail qui suit la réponse reste souvent manuel.

À ne pas confondre : Un chatbot n'est pas un agent IA : un chatbot parle, un agent agit dans vos systèmes, dans des limites fixées.

Copilote (assistant IA)

Une IA qui travaille aux côtés d'une personne, dans ses outils : elle suggère, rédige et résume, et la personne décide.

Un copilote aide une personne à aller plus vite, par exemple pour rédiger un e-mail ou un rapport. L'humain reste maître de chaque action. Le gain est réel mais souvent difficile à mesurer, car il dépend de l'usage de chacun.

À ne pas confondre : Le copilote, en tant que catégorie, n'est pas un produit unique : Microsoft utilise Copilot comme nom de marque, mais de nombreux éditeurs vendent des assistants IA.

Chez IAC : Advisory on demand compare des options comme Copilot Studio, Agentforce ou votre propre stack, au regard de votre architecture, de vos données et de vos coûts.

En savoir plus →

Workflow agentique

Un processus métier où des agents IA planifient et réalisent eux-mêmes certaines étapes, dans des limites fixées, en complément de règles classiques et d'interventions humaines.

Dans un workflow agentique, l'IA décide comment traiter un cas, utilise des outils, puis transmet le cas ou l'escalade. Les parties fixes restent fixes. Cela convient aux tâches très variables, que des règles seules ne peuvent pas couvrir.

À ne pas confondre : Utiliser un LLM ne suffit pas à être agentique : une étape d'IA dans un flux fixe, c'est de l'automatisation avec de l'IA, pas un workflow agentique.

Chez IAC : IAC fait évoluer les robots à base de règles vers des workflows agentiques pilotés par l'IA, par vagues, chacune avec un retour arrière possible.

En savoir plus →

Model Context Protocol (MCP)

Un standard ouvert qui permet aux applications d'IA de se connecter aux outils et aux sources de données de façon unifiée.

Anthropic a lancé MCP en novembre 2024. Avant MCP, chaque outil d'IA avait besoin de son propre connecteur sur mesure pour chaque système. Avec MCP, un système peut être exposé une seule fois et utilisé par toute application d'IA qui prend en charge le protocole.

À ne pas confondre : MCP n'est ni un agent ni un modèle : c'est le standard de branchement. Il ne sécurise rien à lui seul non plus : les règles d'accès restent nécessaires.

Chez IAC : IAC connecte les agents IA basés sur Claude, GPT et Gemini à vos systèmes via MCP.

En savoir plus →

Appel d'outils (tool calling)

La façon dont un modèle d'IA demande à utiliser un outil, comme une recherche, une API ou une base de données, pour obtenir des données ou réaliser une tâche.

Le modèle n'exécute pas l'outil lui-même. Il envoie une requête structurée, l'application exécute l'outil, et le résultat revient au modèle. C'est ce qui permet à un agent IA de consulter une commande ou de mettre à jour un ticket, et c'est là que se concentre l'essentiel du risque.

Orchestration

La logique qui décide quelle étape, quel modèle, quel outil, quel agent ou quelle personne traite quoi, dans quel ordre, et ce qui se passe en cas d'échec.

C'est dans l'orchestration que résident les règles métier d'une solution d'IA. Quand plusieurs agents spécialisés travaillent ensemble, on parle de système multi-agents, et l'orchestration les coordonne. Qui maîtrise cette logique contrôle la façon dont le travail est fait.

À ne pas confondre : L'orchestration n'est pas le modèle : vous pouvez changer de modèle et garder votre orchestration, si elle est conçue pour cela.

Chez IAC : IAC construit des systèmes multi-agents avec des outils comme LangGraph et CrewAI, et dans son modèle, la logique d'orchestration appartient au client.

En savoir plus →

Humain dans la boucle (human in the loop)

Une conception où une personne vérifie ou approuve le résultat ou l'action de l'IA à des points définis, avant qu'ils ne prennent effet.

L'humain dans la boucle s'applique aux décisions à fort impact, ambiguës ou réglementées. Il ralentit un peu les choses, mais laisse le contrôle et la responsabilité aux humains. Le plus difficile est de choisir quelles étapes ont besoin d'une personne et lesquelles peuvent tourner seules.

À ne pas confondre : L'humain dans la boucle, ce n'est pas une personne qui surveille tout : c'est une vérification à des points définis, selon le risque.

Chez IAC : dans les solutions construites par IAC, des personnes restent dans la boucle pour les décisions à fort impact ou ambiguës, et rien n'arrive en production sans votre go ou no-go.

En savoir plus →
5 termes

Données et connaissances

IAC.ai : des plateformes de données pensées pour la vitesse, le passage à l'échelle et la décision

Génération augmentée par récupération (RAG)

Une méthode où l'IA trouve d'abord les passages pertinents dans vos propres documents, puis s'appuie sur eux pour rédiger sa réponse.

Le RAG permet à un modèle de répondre avec vos politiques, produits ou procédures à jour, sans le réentraîner. Il peut aussi indiquer la source utilisée, pour que chacun puisse vérifier. La réponse ne vaut que ce que valent les documents sur lesquels elle s'appuie.

À ne pas confondre : Le RAG n'est pas du fine-tuning : le RAG consulte votre contenu au moment de la question, le fine-tuning modifie le modèle lui-même.

Chez IAC : IAC construit des solutions d'IA pour la connaissance et les documents : des réponses et un traitement documentaire ancrés dans vos propres données.

En savoir plus →

Ancrage (grounding)

Faire répondre un système d'IA à partir de sources approuvées et connues, plutôt que sur la seule base de ce que le modèle a appris à l'entraînement.

L'ancrage est le principal moyen de réduire les réponses inventées dans un usage professionnel. Il passe en général par le RAG, par un accès à vos systèmes, ou par les deux. Il facilite aussi l'audit, car on peut remonter d'une réponse à sa source.

À ne pas confondre : L'ancrage n'est pas une garantie : une réponse ancrée peut rester fausse si la source est erronée ou obsolète.

Chez IAC : dans les solutions construites par IAC, les réponses viennent de vos données approuvées.

En savoir plus →

Fine-tuning (affinage)

Un entraînement complémentaire d'un modèle d'IA existant sur vos propres exemples, pour modifier son style, son format ou son comportement sur une tâche précise.

Le fine-tuning est utile quand vous avez besoin d'un format fixe, d'un ton, ou d'une tâche très spécifique réalisée de la même façon à chaque fois. Il prend du temps, exige de bonnes données d'exemple, et vous devrez peut-être le refaire quand le modèle de base change. Pour des faits qui changent souvent, le RAG est en général le meilleur choix.

À ne pas confondre : Le fine-tuning n'est pas l'entraînement d'un modèle à partir de zéro : vous ajustez un modèle qui existe déjà.

Embeddings (plongements vectoriels)

Une façon de transformer du texte, des images ou d'autres données en listes de nombres qui en traduisent le sens, pour que les éléments similaires se retrouvent proches les uns des autres.

Les embeddings permettent à un système de trouver du contenu par le sens, et pas seulement par les mots exacts. Une recherche sur « remboursement » peut alors aussi trouver « récupérer mon argent ». C'est une brique clé du RAG et de la recherche sémantique.

Base de données vectorielle

Une base de données conçue pour stocker des embeddings et retrouver rapidement les éléments dont le sens est le plus proche d'une question.

Dans le RAG, les bases de données vectorielles servent à choisir les bons passages avant que l'IA ne réponde. Beaucoup de bases existantes proposent désormais aussi la recherche vectorielle : vous n'avez donc peut-être pas besoin d'un nouveau produit. Le plus important est de garder le contenu à jour et des droits d'accès exacts.

À ne pas confondre : Une base de données vectorielle n'est pas votre système de référence : elle contient une copie interrogeable, les données sources restent où elles sont.
9 termes

Automatisation

IAC.ai : automatisation et IA agentique, notre expertise la plus pointue

Automatisation robotisée des processus (RPA)

Des robots logiciels qui reproduisent à l'écran les clics et les frappes clavier d'un humain, pour exécuter des tâches répétitives fondées sur des règles.

La RPA se déploie vite sur des systèmes anciens sans API. Elle est aussi fragile : quand un écran ou un champ change, le robot peut cesser de fonctionner. Les grands parcs de robots ont besoin de support, de supervision et de gestion des changements, sinon leur coût de maintien grimpe.

À ne pas confondre : La RPA n'est pas de l'IA : un robot classique suit des règles fixes, il n'apprend pas et ne juge pas.

Chez IAC : IAC fait évoluer les robots à base de règles vers des workflows agentiques pilotés par l'IA, par vagues, chacune avec un retour arrière possible.

En savoir plus →

Automatisation intelligente

Une automatisation qui combine des outils à base de règles, comme la RPA et les workflows, avec l'IA, pour traiter des tâches moins structurées.

L'automatisation à base de règles traite les cas clairs. L'IA lit les documents, classe les demandes ou décide de l'étape suivante quand le cas est moins clair. Ensemble, elles couvrent une plus grande part d'un processus de bout en bout.

À ne pas confondre : L'automatisation intelligente n'est pas un produit unique : c'est un ensemble d'outils et de méthodes, choisis processus par processus.

Chez IAC : IAC.ai signifie Intelligent Automation Company.

En savoir plus →

Process mining

L'analyse des journaux d'événements de vos systèmes, comme l'ERP, le CRM ou l'ITSM, pour montrer comment un processus se déroule réellement.

Le process mining montre les vrais chemins, les délais, les boucles et les exceptions, pas le processus sur le papier. C'est un moyen efficace de repérer ce qu'il faut automatiser et de fixer une situation de référence avant de changer quoi que ce soit.

À ne pas confondre : Le process mining n'est pas le task mining : le process mining lit les journaux des systèmes, le task mining enregistre ce que les personnes font sur leur poste de travail.

Chez IAC : la Capability academy forme les concepteurs au process mining et au task mining, par la pratique, sur vos propres outils et données.

En savoir plus →

Traitement intelligent des documents (IDP)

Un logiciel qui lit des documents comme des factures, des formulaires ou des contrats, en extrait les données et les vérifie, grâce à l'IA.

L'IDP transforme des documents en données propres que d'autres systèmes peuvent utiliser. Il gère des mises en page différentes et envoie les cas ambigus à une personne. La qualité dépend des types de documents et d'une bonne gestion des exceptions.

À ne pas confondre : L'IDP n'est pas l'OCR : l'OCR transforme une image en texte, l'IDP comprend quel texte correspond à quel champ et le vérifie.

Chez IAC : IAC construit des solutions d'IA pour la connaissance et les documents : des réponses et un traitement documentaire ancrés dans vos propres données.

En savoir plus →

Plateforme d'intégration en mode service (iPaaS)

Une plateforme cloud qui connecte vos applications et fait circuler les données entre elles, grâce à des connecteurs prêts à l'emploi.

Les outils iPaaS vous permettent de relier des systèmes comme un CRM, un ERP et un outil ITSM sans écrire tout le code vous-même. Ils incluent souvent aussi des fonctions de workflow. C'est une base courante pour une automatisation qui s'étend sur plusieurs systèmes.

À ne pas confondre : L'iPaaS n'est pas la RPA : l'iPaaS connecte les systèmes par leurs API, la RPA passe par l'écran, comme une personne.

Chez IAC : IAC travaille avec des outils de workflow et d'intégration comme Workato, n8n et Power Automate, et recommande ce qui convient à votre architecture.

En savoir plus →

Gestion des services IT (ITSM)

La façon dont une équipe IT fournit ses services et en assure le support : incidents, demandes, changements et problèmes, généralement gérés dans un outil de ticketing.

L'ITSM est le volet processus du support IT, et ServiceNow est un outil d'ITSM bien connu. Comme il fonctionne avec des tickets, il contient beaucoup de données sur ce qui tombe en panne et sur ce que demandent les utilisateurs. C'est donc un point de départ naturel pour l'automatisation.

À ne pas confondre : L'ITSM n'est pas ITIL : l'ITSM, c'est ce que vous faites, ITIL est un référentiel de bonnes pratiques bien connu pour le faire.

Chez IAC : dans l'automatisation des tickets IT, la classification, le routage, les validations et le traitement des demandes s'exécutent sous forme de workflows dans votre outil ITSM.

En savoir plus →

Déviation des tickets

Aider les utilisateurs à résoudre eux-mêmes une demande, en libre-service, pour qu'aucun ticket n'arrive à l'équipe support.

La déviation s'appuie en général sur un portail en libre-service, une base de connaissances ou un agent IA capable de répondre et d'agir. Elle réduit les volumes et donne une réponse aux utilisateurs à toute heure. Elle ne fonctionne que si les réponses sont justes, sinon les utilisateurs reviennent et ouvrent quand même un ticket.

À ne pas confondre : La déviation n'est pas la prévention : la déviation permet aux utilisateurs de résoudre eux-mêmes leur problème, la prévention l'élimine avant que quiconque ait besoin d'aide.

Chez IAC : dans l'automatisation des tickets IT, le libre-service par agent IA permet aux utilisateurs de résoudre eux-mêmes les demandes courantes, à toute heure.

En savoir plus →

Automatisation auto-réparatrice (self-healing)

Une automatisation qui détecte un problème connu et le corrige automatiquement, souvent avant qu'un utilisateur ne le remarque ou qu'un ticket ne soit ouvert.

L'auto-réparation s'applique à des problèmes connus et récurrents dont la correction est claire, comme redémarrer un service ou libérer un disque plein. Chaque correction automatique doit être journalisée, pour que l'on puisse voir ce qui s'est passé et supprimer définitivement la cause racine.

À ne pas confondre : L'auto-réparation, ce n'est pas une IA qui corrige tout ce qu'elle trouve : elle applique des corrections approuvées à des problèmes connus.

Chez IAC : dans l'automatisation des tickets IT, l'auto-réparation corrige automatiquement les problèmes connus, avant qu'un ticket ne soit créé.

En savoir plus →

AIOps

L'utilisation de l'IA et du machine learning sur les données d'exploitation IT, comme les alertes, les journaux et les métriques, pour réduire le bruit et trouver plus vite les causes racines.

L'AIOps regroupe les alertes liées, repère les comportements inhabituels et peut déclencher des corrections automatisées. L'objectif : moins d'incidents et une résolution plus rapide. Pour bien fonctionner, il a besoin de données de supervision propres.

À ne pas confondre : L'AIOps n'est ni le MLOps ni l'AgentOps : l'AIOps, c'est l'IA au service de l'exploitation IT, le MLOps et l'AgentOps, c'est l'exploitation au service de l'IA.

Chez IAC : IAC utilise l'AIOps pour la corrélation d'alertes et les corrections automatisées, dans le cadre de l'optimisation de l'existant.

En savoir plus →
6 termes

L'IA en production

IAC.ai : quatre pratiques de support pour garder la maîtrise de votre automatisation

MLOps et LLMOps

Les pratiques et les outils pour déployer, versionner, superviser et mettre à jour les modèles d'IA et les applications LLM en production.

Le MLOps est né du machine learning, le LLMOps applique les mêmes idées aux applications construites sur des LLM. Ils couvrent les étapes de mise en production, les tests, la supervision et le retour arrière. Sans eux, chaque mise à jour de modèle est un risque.

À ne pas confondre : Le MLOps n'est pas l'AgentOps : le MLOps gère des modèles, l'AgentOps gère des agents qui agissent.

Chez IAC : IAC héberge, exploite, maintient et améliore votre IA et votre automatisation après la mise en production.

En savoir plus →

Dérive du modèle

Quand un modèle d'IA se dégrade avec le temps, parce que les données, l'activité ou la version du modèle ont changé.

Un modèle qui fonctionnait au lancement peut donner peu à peu de moins bons résultats, à mesure que les clients, les produits ou les processus changent. Avec les applications LLM, une mise à jour du fournisseur peut aussi modifier le comportement. Vous ne voyez la dérive que si vous continuez à mesurer après la mise en production.

Évaluations (evals)

Des tests structurés qui notent les sorties de l'IA par rapport à des réponses attendues ou à des critères convenus, avant la mise en production et après chaque changement.

Les evals transforment « ça a l'air bien en démo » en résultat mesuré. Un bon jeu de tests utilise des cas réels, y compris des cas difficiles et inhabituels. Relancez-les quand vous changez le prompt, les données ou le modèle.

À ne pas confondre : Une eval n'est pas une démo : une démo montre le meilleur cas, une eval montre à quelle fréquence ça fonctionne.

Chez IAC : chaque livrable est testé au regard de ses critères de recette avant sa mise en production.

En savoir plus →

Observabilité

La capacité à voir ce que fait un système et pourquoi, à partir de ses journaux, de ses métriques et de ses traces.

Pour l'IA, l'observabilité signifie aussi voir les entrées, les appels d'outils, les sorties et les coûts de chaque exécution. C'est ce qui permet d'expliquer une mauvaise réponse, de trouver une étape défaillante et de prouver à un auditeur ce qui s'est passé.

À ne pas confondre : L'observabilité ne se limite pas à la supervision : la supervision vous dit que quelque chose ne va pas, l'observabilité vous aide à trouver pourquoi.

Chez IAC : IAC intègre la journalisation, les pistes d'audit et la supervision dans chaque automatisation.

En savoir plus →

Accord de niveau de service (SLA)

Un engagement contractuel sur la performance d'un service, comme la disponibilité et les délais de réponse ou de résolution.

Un SLA rend la qualité de service mesurable et vous donne un recours quand il n'est pas respecté. Les bons SLA mesurent ce que vivent les utilisateurs, pas seulement ce qui est facile à compter. Revoyez-les régulièrement, au fil de l'évolution du service.

À ne pas confondre : Un SLA n'est pas un KPI : le SLA est la promesse inscrite au contrat, le KPI est un indicateur que vous suivez.

Chez IAC : les Managed services d'IAC exploitent votre IA et votre automatisation sous SLA, à prix unitaire ou au résultat.

En savoir plus →

Support de niveau 2 et de niveau 3 (N2, N3)

Les niveaux de support au-dessus du helpdesk de premier niveau : le N2 prend en charge le diagnostic approfondi, le N3 l'ingénierie experte et les problèmes les plus difficiles.

Le niveau 1 assure le premier contact et résout les cas simples. Le niveau 2 pousse le diagnostic plus loin et escalade. Le niveau 3 corrige la cause racine, gère les incidents majeurs et modifie le code ou la configuration si nécessaire.

Chez IAC : IAC fournit des ingénieurs N2 et N3 nommément désignés, qui exploitent et corrigent votre IA et votre automatisation aux horaires de votre choix, jusqu'à 24 h/24 et 7 j/7.

En savoir plus →
7 termes

Gouvernance et risques

IAC.ai : chaque décision IA exige un dossier. Où que vous en soyez.

AI Act (règlement européen sur l'IA)

Le règlement de l'Union européenne qui encadre l'IA selon le niveau de risque, des usages interdits jusqu'aux règles strictes pour les systèmes à haut risque.

L'AI Act est entré en vigueur le 1er août 2024 et s'applique par étapes. L'interdiction de certaines pratiques et l'obligation de maîtrise de l'IA sont arrivées en premier, en février 2025. Selon le calendrier actuel, les règles pour les systèmes d'IA à haut risque s'appliqueront en décembre 2027, et en août 2028 pour l'IA intégrée à des produits réglementés. Il peut s'appliquer à des entreprises hors de l'UE lorsque leur IA est utilisée dans l'UE.

Chez IAC : IAC classe chaque cas d'usage par niveau de risque, y compris sa catégorie au titre de l'AI Act.

En savoir plus →

Système d'IA à haut risque

Au sens de l'AI Act, un système d'IA utilisé là où des erreurs peuvent gravement affecter la santé, la sécurité ou les droits des personnes.

Par exemple, l'IA utilisée pour le recrutement, les décisions de crédit, l'éducation ou les infrastructures critiques. Ces systèmes exigent une gestion des risques, des données de qualité, une journalisation, une supervision humaine et une documentation technique. Selon le calendrier actuel, les règles sur le haut risque s'appliqueront en décembre 2027, et en août 2028 pour l'IA intégrée à des produits réglementés.

À ne pas confondre : Le haut risque ne dépend pas du niveau de sophistication de l'IA : il dépend de l'endroit et de la manière dont elle est utilisée.

Chez IAC : l'AI Enablement Framework définit des niveaux de risque et des contrôles, prêts pour l'AI Act.

En savoir plus →

IA responsable

Concevoir et exploiter l'IA pour qu'elle soit sûre, équitable, sécurisée, explicable et responsable, chaque décision ayant un propriétaire clairement désigné.

L'IA responsable n'est pas une charte qui dort dans un tiroir. Elle se voit dans la pratique quotidienne : contrôles des risques, règles d'accès, tests, validation humaine et pistes d'audit. Il coûte moins cher de l'intégrer dès le premier cas d'usage que de corriger le tir plus tard.

À ne pas confondre : L'IA responsable ne se résume pas à la conformité : la loi fixe un minimum, l'IA responsable est la façon de garder le contrôle au quotidien.

Chez IAC : IAC applique deux contrôles à chaque étape, de la première idée à la solution en production.

En savoir plus →

Garde-fous

Des règles et des contrôles techniques autour d'un système d'IA, qui limitent ce qui entre, ce qui sort et les actions qu'il peut mener.

Les garde-fous peuvent bloquer certains sujets, masquer les données personnelles, vérifier les sorties ou empêcher un agent d'agir au-delà d'un seuil fixé. Ils fonctionnent mieux en couches. Aucun garde-fou n'arrête tout à lui seul.

Chez IAC : chaque agent reçoit des limites claires : ce qu'il peut faire, ce qu'il ne peut pas faire, et quand il passe la main à une personne.

En savoir plus →

Shadow AI

Les outils d'IA utilisés par les collaborateurs sans validation ni contrôle des équipes IT, sécurité ou risques.

Le Shadow AI part souvent d'une bonne intention, comme coller un document dans un outil de chat public pour gagner du temps. Le risque : des fuites de données et des décisions que personne ne peut retracer. Les interdictions seules marchent rarement : des options approuvées et des règles claires fonctionnent mieux.

À ne pas confondre : Le Shadow AI n'est pas simplement du shadow IT : c'est le même problème, mais ces outils peuvent aussi voir et réutiliser vos données.

Chez IAC : l'AI Enablement Framework donne à chaque initiative d'IA un seul circuit de qualification, des niveaux de risque et un guichet unique pour tout le groupe.

En savoir plus →

Injection de prompt

Une attaque dans laquelle des instructions cachées dans un e-mail, une page web ou un document poussent un système d'IA à ignorer ses règles.

L'injection de prompt pose surtout problème quand un agent IA peut lire du contenu externe et agir. Il n'existe pas aujourd'hui de parade complète. Vous réduisez le risque en limitant ce que l'agent peut faire, en contrôlant les entrées et les sorties, et en demandant à une personne d'approuver les actions à fort impact.

À ne pas confondre : L'injection de prompt n'est pas un jailbreak tenté par l'utilisateur : l'attaque peut venir du contenu que l'IA lit, pas de la personne qui l'utilise.

Dépendance au modèle

Quand votre solution d'IA ne fonctionne qu'avec un seul modèle ou fournisseur d'IA, si bien qu'en changer est lent, coûteux ou risqué.

Les modèles progressent et les prix changent vite. Si les prompts, l'orchestration et les données sont construits autour d'un seul modèle, vous ne pouvez pas changer quand une option meilleure ou moins chère apparaît. Une bonne conception fait du modèle une pièce remplaçable.

À ne pas confondre : La dépendance au modèle est une forme de dépendance fournisseur : la dépendance fournisseur concerne n'importe quel prestataire, la dépendance au modèle porte sur le modèle d'IA lui-même.

Chez IAC : IAC conçoit ses solutions pour éviter toute dépendance au modèle : les plateformes suivent votre architecture, pas une liste de partenaires.

En savoir plus →

Apportez-nous un problème

Une séance de travail sur votre problème. Une proposition suit sous 5 jours ouvrés.

Apportez-nous un problème