Glossaire vivant : comment les mots de l’ia évoluent au fil des usages

En deux ans, le vocabulaire de l’intelligence artificielle s’est emballé, et pas seulement dans les labos, car les mots de l’IA ont quitté les papiers de recherche pour s’installer dans les réunions, les copies d’élèves, les contrats, et même les conversations familiales. « Prompt », « hallucination », « agent » ou « RAG » ne désignent déjà plus tout à fait la même chose selon que l’on parle à un ingénieur, à un juriste ou à un responsable marketing. Derrière cette inflation lexicale, un phénomène très concret : les usages redessinent les définitions, et les enjeux économiques accélèrent la dérive.

Prompt : du mode d’emploi à l’artisanat

Le « prompt » a-t-il encore un sens stable ? À l’origine, le terme vient d’une réalité simple, presque austère : une instruction textuelle envoyée à un modèle pour obtenir une réponse. Dans la littérature technique, la notion est indissociable du contexte d’inférence, avec une logique de chaîne de tokens et d’optimisation de la consigne, et, dès 2022, l’explosion des interfaces grand public a projeté le mot hors du cercle des spécialistes. Très vite, le « prompt » est devenu un objet social, un petit bout de texte que l’on échange comme une recette, une formule, voire un talisman, et, sur les plateformes, on a vu apparaître des bibliothèques de prompts, des « templates », des guides, et une promesse implicite : bien écrire la consigne suffirait à bien travailler.

Or l’usage a élargi le terme à des pratiques parfois éloignées de sa définition initiale. Dans certaines entreprises, « faire un prompt » signifie désormais cadrer un besoin, structurer une tâche, définir un livrable, et non plus seulement rédiger une instruction, et, dans les métiers créatifs, la frontière entre prompt et direction artistique s’est estompée. Cette évolution a une raison pragmatique : avec des modèles capables de dialoguer, le prompt n’est plus un ordre ponctuel mais une négociation, un brief itératif, un dispositif de pilotage. Les données d’adoption le confirment indirectement : selon la banque UBS, l’application ChatGPT a atteint environ 100 millions d’utilisateurs mensuels en janvier 2023, un record de vitesse de diffusion pour un service grand public, et, mécaniquement, cette masse d’usagers a entraîné une re-sémantisation rapide des mots, « prompt » en tête. Le terme s’est aussi industrialisé, avec des plateformes qui monétisent des prompts, des équipes qui standardisent des bibliothèques internes, et une nouvelle compétence revendiquée : le « prompt engineering », dont l’intitulé même est discuté parce qu’il mélange rhétorique, logique, psychologie d’usage et compréhension des limites du modèle.

Hallucination : erreur, mensonge ou simple limite ?

Le mot fait peur, et c’est précisément pour cela qu’il s’est imposé. Dans les articles scientifiques, « hallucination » renvoie à un phénomène de génération de contenu non fidèle aux sources ou au monde, un produit de l’architecture probabiliste des modèles, et, dans le langage courant, il a glissé vers une accusation morale : l’IA « invente », donc elle « ment ». Cette bascule n’est pas neutre, parce qu’elle change la manière dont les organisations gèrent le risque. Là où un ingénieur parlera de taux d’erreur, un juriste évoquera la responsabilité, un communicant parlera de confiance, et un dirigeant exigera des garde-fous. Les définitions se superposent, et le mot devient un champ de bataille sémantique.

Les chiffres, eux, ancrent le débat dans le réel, et rappellent que le phénomène n’est ni marginal ni uniforme. Une étude très citée de Stanford et de l’université de Californie à Berkeley, publiée en 2023, montrait que le comportement de modèles pouvait varier sensiblement d’une version à l’autre sur des tâches identiques, et, plus récemment, des évaluations publiques ont insisté sur le fait que les performances dépendent fortement des domaines, des langues, et de la qualité du contexte fourni. Autrement dit, « hallucination » est devenu un mot-valise qui recouvre des situations différentes : une date erronée faute de contexte, une citation inventée, une référence bibliographique plausible mais inexistante, ou une affirmation fausse présentée avec aplomb. Les rédactions, les cabinets d’avocats et les équipes produit ont donc développé leur propre sens opérationnel du terme, en l’adossant à des procédures : vérification humaine, traçabilité des sources, et techniques de réduction du risque, notamment via la recherche augmentée par récupération de documents, la fameuse « RAG », qui consiste à injecter des contenus fiables dans le contexte du modèle avant génération.

RAG, agents : les sigles quittent les laboratoires

Pourquoi ces acronymes se propagent-ils si vite ? Parce qu’ils répondent à un besoin simple : nommer des solutions concrètes à des problèmes concrets. La « RAG », pour Retrieval-Augmented Generation, est d’abord un ensemble de méthodes, un pont entre moteur de recherche et génération, et, en entreprise, le mot désigne souvent une promesse : réduire les réponses fantaisistes, et ancrer l’IA dans des documents internes. Le risque, là encore, est lexical : « faire de la RAG » peut vouloir dire tout et son contraire, depuis un simple ajout de documents dans un chat, jusqu’à une architecture complète avec indexation, vectorisation, contrôle d’accès, et journalisation. On croit parler d’une technique, on parle parfois d’un produit, d’un budget, ou d’une stratégie.

La même dérive touche le mot « agent », devenu omniprésent depuis que des outils permettent à des modèles de planifier des actions, d’appeler des API, d’exécuter des étapes successives, et de boucler jusqu’à atteindre un objectif. Dans les articles de recherche, un agent est un système qui perçoit, décide et agit dans un environnement, et, dans les démonstrations commerciales, l’agent devient un collègue numérique, un « employé » virtuel, un terme qui anthropomorphise la technique, et brouille les responsabilités. Cette confusion est amplifiée par le marché, car l’IA générative représente un enjeu massif : selon Bloomberg Intelligence, le marché de l’IA générative pourrait atteindre 1 300 milliards de dollars de revenus annuels d’ici 2032, une projection qui alimente une course à l’appropriation des mots. À mesure que les budgets suivent, les définitions se plient aux présentations, et les sigles deviennent des labels, plus que des descriptions. Pour clarifier sans simplifier, certains lecteurs cherchent des synthèses accessibles, et peuvent, par exemple, consulter cette page ici afin de remettre les termes dans leur contexte et comparer les usages.

Gouvernance, droit : les mots deviennent contractuels

Un mot mal compris peut-il coûter cher ? De plus en plus, oui, parce que le lexique de l’IA s’invite dans les politiques internes, les appels d’offres, et les clauses de conformité. Le terme « modèle », par exemple, n’a pas la même portée selon qu’il s’agit d’un modèle de fondation entraîné sur de grands corpus, d’un modèle « affiné » sur des données spécifiques, ou d’un simple paramétrage d’outil. « Données sensibles », « données personnelles », « anonymisation », « pseudonymisation » : ces mots ont une définition juridique, mais, dans les équipes techniques, ils peuvent être utilisés de façon approximative, et, dans les directions, ils deviennent parfois des catégories de risque. Cette friction explique l’essor de nouveaux mots, ou plutôt de nouveaux usages de mots anciens : « gouvernance », « auditabilité », « traçabilité », « explicabilité ». Chacun porte une attente, et chacun se heurte à des limites techniques réelles.

Le cadre réglementaire accélère cette cristallisation. En Europe, l’AI Act, adopté en 2024, impose des obligations graduées selon les niveaux de risque, et, même si tous les détails d’application se déploient dans le temps, son existence change déjà le langage des entreprises, parce qu’il force à classer, à documenter et à prouver. On voit ainsi des glossaires internes émerger, non pas pour faire savant, mais pour éviter les malentendus : qu’appelle-t-on « déploiement » d’un modèle ? Que signifie « supervision humaine » dans un processus automatisé ? À partir de quel moment une fonctionnalité devient-elle un « système d’IA » au sens du texte ? Ces questions ne relèvent pas seulement de la sémantique, elles conditionnent des décisions de sécurité, de budget, et de responsabilité. Et c’est là que le journalisme, comme la pédagogie, a un rôle à jouer : suivre l’évolution des mots, c’est suivre l’évolution du pouvoir, car celui qui fixe la définition fixe souvent la règle du jeu.

À surveiller avant d’acheter ou déployer

Avant de signer, exigez un glossaire contractuel, et une description précise des briques : modèle, données, RAG, agents, journalisation. Prévoyez un budget de vérification humaine, et de mise en conformité, car l’IA ne supprime pas le contrôle, elle le déplace. Enfin, regardez les aides et programmes sectoriels, souvent régionaux, qui financent diagnostic et expérimentation.