Glossaire
Des définitions courtes, stables et citables pour comprendre le gaspillage IA, la mesure du ROI et la méthode Harmondale.
Dernière mise à jour : 25 juin 2026
L’intelligence artificielle désigne le champ des systèmes machines qui infèrent à partir d’entrées pour produire des prédictions, contenus, recommandations ou décisions. En entreprise, la vraie question n’est pas l’étiquette IA, mais l’objectif servi et le résultat modifié.
Lire la définitionUn système IA est un système machine qui utilise des entrées pour inférer comment générer des prédictions, contenus, recommandations ou décisions. Il peut fonctionner avec différents niveaux d’autonomie et s’adapter après déploiement, ce qui rend l’ownership et le monitoring indispensables.
Lire la définitionL’apprentissage automatique est une branche de l’IA où un système améliore ou configure son comportement à partir de données plutôt qu’avec seulement des règles écrites à la main. Le modèle apprend des motifs statistiques pendant l’entraînement, puis les applique à de nouvelles entrées.
Lire la définitionL’apprentissage profond est du machine learning fondé sur des réseaux neuronaux à nombreuses couches. Ces réseaux apprennent des représentations dans les données, ce qui les rend utiles pour langage, image, voix et recommandation, mais plus difficiles à expliquer et gouverner.
Lire la définitionUn modèle IA est le composant mathématique entraîné qui transforme des entrées en sorties. Ce n’est pas tout le produit : le système complet inclut aussi prompts, retrieval, permissions, logs, relecture humaine, intégrations, politiques et workflow d’usage.
Lire la définitionUn modèle de fondation est un grand modèle entraîné sur des données larges pour être adapté à de nombreuses tâches. Il peut soutenir chat, classification, extraction, code, image ou agents, mais demande encore contexte, contrôles, évaluation et discipline de coût.
Lire la définitionUn large language model, ou LLM, est un modèle entraîné sur de grands ensembles de textes et données associées pour prédire et générer du langage. Il peut rédiger, résumer, classer, traduire ou raisonner sur un contexte, sans savoir automatiquement ce qui est vrai pour votre entreprise.
Lire la définitionL’IA générative est une IA qui produit de nouveaux contenus comme texte, images, code, audio, vidéo ou brouillons structurés à partir d’un prompt ou d’une autre entrée. Sa valeur dépend du travail réduit, de la qualité gagnée ou du risque créé.
Lire la définitionUn transformer est une architecture de réseau neuronal qui utilise des mécanismes d’attention pour relier les parties d’une séquence d’entrée. Les transformers ont rendu pratiques les LLM et beaucoup de modèles multimodaux grâce au contexte long, à l’entraînement parallèle et aux tâches séquentielles.
Lire la définitionUn token est une unité de texte ou de donnée traitée par un modèle de langage, souvent un morceau de mot, un mot, une ponctuation ou un symbole. Les tokens déterminent limite de contexte, prix, latence et volume d’information traité.
Lire la définitionLa fenêtre de contexte est la quantité d’information qu’un modèle peut prendre en compte dans une seule requête, généralement mesurée en tokens. Elle inclut instructions système, prompt utilisateur, documents récupérés, historique de conversation et sortie à générer.
Lire la définitionUn prompt est l’instruction, la question, la donnée ou le contexte donné à un modèle IA pour orienter sa sortie. Un bon prompt définit tâche, contraintes, audience, sources et critères de réussite au lieu de demander une réponse générique.
Lire la définitionLe prompt engineering consiste à concevoir, tester et maintenir des instructions qui rendent les sorties IA plus fiables pour une tâche précise. Dans un workflow mature, il inclut exemples, contraintes, frontières de sources, critères d’évaluation et versioning.
Lire la définitionUn embedding est une représentation numérique d’un texte, d’une image, d’un son ou d’une autre donnée qui place les éléments similaires près les uns des autres dans un espace vectoriel. Il sert à chercher par sens, regrouper et retrouver du contexte.
Lire la définitionUne base vectorielle stocke des embeddings et retrouve les éléments les plus proches d’un vecteur de requête. Elle est souvent utilisée pour recherche sémantique et RAG, quand le modèle doit recevoir des documents d’entreprise pertinents avant de répondre.
Lire la définitionLe retrieval-augmented generation, ou RAG, est un modèle d’architecture où le système récupère des sources pertinentes avant de demander au modèle de générer une réponse. Le modèle reste génératif, mais sa réponse est ancrée dans des documents, enregistrements ou passages sélectionnés.
Lire la définitionLe fine-tuning est un entraînement supplémentaire qui adapte un modèle existant à une tâche, un style, un domaine ou un format de sortie plus précis. Il change le comportement plus durablement qu’un prompt, sans remplacer données propres, retrieval, évaluation ou gouvernance.
Lire la définitionL’inférence est le moment où un modèle IA applique ce qu’il a appris à une nouvelle entrée et produit une sortie. En production, c’est là que latence, coût, contrôles de sécurité, retrieval, logs et expérience utilisateur se rencontrent.
Lire la définitionLes données d’entraînement sont les données utilisées pour ajuster les paramètres apprenables d’un système IA. Elles façonnent les motifs que le modèle peut apprendre, donc lacunes, biais, doublons, exemples obsolètes ou droits flous peuvent devenir comportement modèle.
Lire la définitionLes données de validation servent à évaluer un modèle entraîné pendant le développement et à régler des choix non appris comme seuils, prompts, hyperparamètres ou décisions d’arrêt. Elles aident à détecter l’overfitting avant le test indépendant final.
Lire la définitionLes données de test servent à évaluer indépendamment un système IA avant lancement ou après changement majeur. Elles doivent représenter les conditions réelles sans servir à entraîner ou ajuster le modèle, sinon l’évaluation devient artificiellement optimiste.
Lire la définitionUne hallucination IA est une sortie qui paraît plausible mais qui est fausse, non étayée ou déconnectée des sources fournies. Elle ne vient pas seulement du modèle : prompts faibles, contexte manquant, mauvais retrieval ou absence de relecture peuvent l’amplifier.
Lire la définitionUn agent IA est un système qui utilise un modèle pour poursuivre un objectif par étapes, appels d’outils, mémoire ou actions dans d’autres logiciels. Le risque n’est pas le mot agent, mais les permissions, données, validations et chemins de retour accordés.
Lire la définitionUn workflow IA est une séquence répétable où l’IA change la production, la vérification, l’approbation ou la livraison d’un travail. Il inclut tâche, données d’entrée, modèle ou outil, relecture humaine, handoff, KPI et règle d’arrêt.
Lire la définitionL’évaluation de modèle mesure si un modèle ou système IA fonctionne assez bien pour un usage précis. Elle peut tester précision, fiabilité, biais, robustesse, latence, coût, sécurité et impact métier avant puis après le déploiement.
Lire la définitionLe ROI IA est le retour mesurable produit par un usage IA précis après déduction du coût complet des outils, de la relecture humaine, de l’intégration, de la formation, de la gouvernance et du risque. Ce n’est ni le volume d’usage ni le temps gagné déclaré, mais une valeur nette vérifiable.
Lire la définitionUn audit ROI IA cartographie chaque usage IA significatif, abonnement, workflow, propriétaire, coût, risque et résultat attendu, puis compare la promesse aux preuves. Il sépare le déploiement utile du théâtre, identifie le gaspillage et donne une feuille d’action pour arrêter, consolider, gouverner ou réinvestir.
Lire la définitionLe gaspillage IA est l’écart entre ce qu’une organisation dépense ou risque avec l’IA et la valeur qu’elle peut prouver. Il inclut les outils doublons, les sièges inutilisés, les pilotes jamais livrés, le shadow AI risqué, les sorties reprises et l’adoption sans résultat métier.
Lire la définitionL’AI Waste Index est le score de diagnostic Harmondale qui estime combien de valeur IA fuit avant une analyse approfondie. Il pondère la dispersion des dépenses, l’adoption sans valeur, les risques de données ou de contrôle et la dérive des rôles, puis propose un levier prioritaire.
Lire la définitionThe Four Leaks of AI ROI est le framework Harmondale qui nomme les quatre endroits où la valeur IA s’échappe : sur-dépense et dispersion, adoption en trompe-l’œil, fuites et risques, dérive des rôles et démotivation. Il rend le problème opérationnel avant toute recommandation d’outil.
Lire la définitionL’AI ROI Recovery Method est le processus Harmondale en cinq étapes pour transformer une activité IA dispersée en valeur mesurable : auditer l’empreinte réelle, cartographier la valeur, rationaliser le gaspillage, redéployer les workflows utiles, puis gouverner et mesurer dans la durée. Elle commence par les preuves.
Lire la définitionLe shadow AI désigne les outils, prompts, extensions, agents ou automatisations IA utilisés sans validation, inventaire, revue sécurité ou propriétaire officiel. Il commence souvent comme une expérimentation utile, puis devient un risque caché car données, dépendance fournisseur, coûts et qualité échappent à la gouvernance.
Lire la définitionL’adoption en trompe-l’œil est un usage IA qui crée une apparence de progrès sans résultat métier mesurable. Les équipes promptent, génèrent, résument ou démontrent davantage, mais coût, qualité, délai, revenu ou risque ne s’améliorent pas. L’adoption devient une performance, pas une preuve de retour.
Lire la définitionLa rationalisation des outils IA est la revue disciplinée des abonnements, licences, copilotes, agents et dépendances fournisseurs pour décider ce qui doit rester, fusionner, s’arrêter ou être renégocié. Le but n’est pas moins d’outils par principe, mais une stack avec valeur, ownership et contrôle.
Lire la définitionLa gouvernance IA est le système opérationnel qui définit quels usages IA sont autorisés, qui les possède, quelles données ils touchent, comment les sorties sont vérifiées, comment les coûts sont suivis et quand un usage doit changer ou s’arrêter. Une bonne gouvernance permet d’investir.
Lire la définitionLe plateau de productivité IA apparaît quand davantage d’usage IA ne crée plus de valeur mesurée supplémentaire. Les équipes génèrent plus de brouillons, résumés et automatisations, mais les goulots, contrôles qualité, exceptions, réunions ou responsabilités floues absorbent les gains. Le mouvement augmente, pas le débit.
Lire la définitionLes licences IA inutilisées sont des sièges payés pour des copilotes, assistants ou plateformes IA que les collaborateurs ouvrent rarement ou ne relient pas à un travail utile. Elles passent inaperçues car la facture se renouvelle, le siège isolé paraît faible et personne ne compare accès payé et adoption réelle.
Lire la définition