Glossaire IA et automatisation 2027 : 30+ définitions clés

Le vocabulaire de l’IA et de l’automatisation évolue vite. Entre LLM, RAG, MCP, embedding et orchestration multi-agents, les dirigeants de PME se retrouvent face à un mur de termes techniques que leurs prestataires ou leurs équipes IT utilisent quotidiennement — sans toujours les expliquer.

Ce glossaire regroupe 30+ définitions essentielles, organisées par catégories, chacune avec un exemple concret d’application en PME. L’objectif : comprendre les concepts sans avoir à décoder du jargon, pour prendre de meilleures décisions.

---

Catégorie 1 — Les grands modèles de langage (LLM)

Qu’est-ce qu’un LLM ?

Un LLM (Large Language Model, ou grand modèle de langage) est un modèle d’IA entraîné sur des milliards de textes pour comprendre et générer du langage naturel. ChatGPT (OpenAI), Claude (Anthropic), Mistral et Llama sont des LLM.

Exemple PME : un cabinet comptable utilise un LLM pour classer automatiquement les emails entrants par type de demande (TVA, bilan, devis) et rédiger des réponses initiales standardisées.

GPT, Claude, Mistral : quelle différence ?

Ces trois noms désignent des LLM distincts, développés par des entreprises différentes.

• GPT (OpenAI) : modèle américain très performant, disponible via API, fort sur le raisonnement et le code.
• Claude (Anthropic) : modèle américain orienté sécurité et fiabilité, excellent pour les documents longs.
• Mistral : modèle français, hébergé en Europe, conforme RGPD par défaut — recommandé pour les PME traitant des données sensibles.

Token

Un token est l’unité de traitement d’un LLM. Environ 100 tokens représentent 75 mots en français. Le coût d’utilisation d’un LLM via API est calculé en nombre de tokens consommés (en entrée et en sortie).

Impact budget : pour une PME qui traite 500 emails/mois via un LLM, le coût tourne autour de 5 à 20 euros selon le modèle — souvent largement compensé par le temps économisé.

Hallucination

L’hallucination désigne le phénomène où un LLM génère une information fausse mais formulée avec assurance. C’est l’un des risques principaux des systèmes IA mal conçus.

Comment l’éviter : utiliser le RAG (voir ci-dessous) pour ancrer les réponses sur des documents internes vérifiés, plutôt que de laisser le modèle répondre de mémoire.

Fine-tuning

Le fine-tuning consiste à réentraîner un LLM existant sur un jeu de données spécifique à une entreprise ou un secteur, pour l’adapter à un vocabulaire métier particulier.

Exemple PME : une agence immobilière réalise un fine-tuning sur 2 000 annonces passées pour que le modèle rédige des descriptions dans le ton et le style maison, sans intervention humaine. Coût typique : 800 à 3 000 euros, amorti rapidement.

Prompt

Un prompt est l’instruction envoyée à un LLM pour lui demander d’accomplir une tâche. La qualité du prompt conditionne directement la qualité de la réponse.

Exemple : “Tu es un assistant comptable. Lis l’email suivant et extrait : le nom du client, la date d’échéance, le montant. Réponds en JSON.” — ce prompt simple permet d’automatiser l’extraction de données sans code.

---

Catégorie 2 — Techniques avancées IA

RAG (Retrieval-Augmented Generation)

Le RAG est une architecture qui connecte un LLM à une base documentaire privée. Au lieu de répondre de mémoire, le modèle recherche d’abord les passages pertinents dans vos documents, puis formule sa réponse en s’appuyant sur ces sources.

Cas d’usage PME : un fabricant industriel déploie un RAG sur ses 300 fiches techniques produits. Les commerciaux posent des questions en langage naturel et obtiennent des réponses précises extraites des fiches — sans chercher manuellement dans un PDF.

Résultat terrain : temps de recherche d’information réduit de 70 %, réponses clients plus rapides et plus fiables.

Embedding

Un embedding est la représentation mathématique d’un texte sous forme de vecteur numérique. Les embeddings permettent de mesurer la similarité sémantique entre deux textes — c’est le moteur du RAG.

En pratique : quand un employé tape “délai de livraison standard”, le système calcule l’embedding de sa question et le compare aux embeddings de tous vos documents pour trouver les passages les plus pertinents.

Vector DB (base de données vectorielle)

Une base de données vectorielle (ou Vector DB) stocke et indexe les embeddings pour permettre des recherches de similarité ultra-rapides. Pinecone, Qdrant, Weaviate et ChromaDB sont les solutions les plus courantes.

Analogie : si vos documents sont des livres, les embeddings sont des résumés mathématiques et la Vector DB est la bibliothèque qui permet de retrouver instantanément le bon livre par concept, pas par mot-clé exact.

MCP (Model Context Protocol)

Le MCP est un protocole standardisé, développé par Anthropic en 2024, qui permet aux LLM de se connecter à des outils externes (fichiers, API, bases de données, logiciels métiers) de manière structurée.

Impact concret : grâce au MCP, un agent IA peut accéder à votre CRM, lire un devis, créer une facture dans votre ERP et envoyer un email — le tout en suivant une séquence définie, sans que vous ayez à développer une intégration sur mesure pour chaque outil.

---

Catégorie 3 — Outils d’automatisation

N8N

N8N est une plateforme d’automatisation open-source et low-code. Elle permet de créer des workflows connectant des centaines d’applications (Gmail, Slack, CRM, bases de données, API) via une interface visuelle. Hébergeable en auto-managed pour garder le contrôle des données.

Exemple PME : une PME de distribution connecte son formulaire de contact → qualification IA → création automatique dans le CRM → attribution au bon commercial → email de confirmation personnalisé. Déploiement : 4 heures.

Make (anciennement Integromat)

Make est une plateforme d’automatisation no-code concurrente de N8N. Basée en Europe (République tchèque), avec une interface très visuelle et des connecteurs natifs pour plus de 1 000 applications.

Quand choisir Make vs N8N : Make est plus accessible pour les profils non techniques. N8N offre plus de flexibilité technique et un hébergement on-premise — recommandé pour les données sensibles.

Zapier

Zapier est la plateforme d’automatisation la plus connue mondialement, avec 6 000+ connecteurs. Idéale pour des automatisations simples (2-3 étapes), mais les coûts augmentent rapidement à volume élevé.

Positionnement : Zapier convient aux solopreneurs et TPE pour des tâches simples. Les PME avec des volumes importants ou des workflows complexes préfèrent N8N ou Make pour une meilleure maîtrise des coûts.

Webhook

Un webhook est un mécanisme qui envoie automatiquement des données d’une application à une autre dès qu’un événement précis se produit. C’est le “déclencheur en temps réel” des automatisations.

Exemple : quand un client signe un devis sur votre plateforme (événement), un webhook déclenche instantanément la création du dossier dans votre logiciel de gestion, l’envoi d’un email de bienvenue et l’alerte au responsable de compte.

API (Application Programming Interface)

Une API est une interface qui permet à deux logiciels de communiquer entre eux. La majorité des outils modernes (CRM, ERP, plateformes e-commerce) exposent une API pour permettre l’intégration.

Distinction importante : une API répond à une demande (pull), un webhook envoie des données proactivement (push). Les deux sont complémentaires dans une architecture d’automatisation.

---

Catégorie 4 — Agents IA et orchestration

Agent IA

Un agent IA est un système qui utilise un LLM pour percevoir son environnement, planifier des actions et les exécuter de manière autonome pour atteindre un objectif. Contrairement à un simple chatbot, un agent peut enchaîner plusieurs étapes et utiliser des outils externes.

Exemple concret : un agent IA de traitement des commandes reçoit un email, extrait les références produits, vérifie le stock, calcule la disponibilité, confirme la commande au client et met à jour l’ERP — sans intervention humaine.

Orchestration (multi-agents)

L’orchestration désigne la coordination de plusieurs agents IA spécialisés qui collaborent pour accomplir une tâche complexe. Un agent “chef d’orchestre” répartit le travail entre agents spécialisés.

Quand l’utiliser : dès que votre processus implique plus de 4 à 5 étapes distinctes nécessitant des compétences différentes (analyse, rédaction, décision, action).

RPA (Robotic Process Automation)

Le RPA est une technologie qui automatise des tâches répétitives sur des interfaces graphiques existantes (applications Windows, sites web, fichiers Excel) — sans modifier le logiciel source.

Différence avec un agent IA : le RPA suit un script rigide (si A alors B). Un agent IA s’adapte au contexte. Les deux sont complémentaires : le RPA pour les systèmes legacy sans API, l’agent IA pour les décisions contextuelles.

LangChain / LangGraph

LangChain est un framework Python qui simplifie le développement d’applications basées sur des LLM (chaînes de prompts, RAG, agents). LangGraph est son extension pour les agents multi-étapes avec gestion d’état.

Pour les PME : ces frameworks sont utilisés par les développeurs qui construisent des agents sur mesure. Si vous passez par une plateforme no-code (N8N, Make), vous n’avez pas besoin de les connaître — mais savoir qu’ils existent permet de mieux évaluer les devis techniques.

---

Catégorie 5 — Concepts techniques et données

ETL (Extract, Transform, Load)

L’ETL désigne le processus d’extraction de données depuis une source, de transformation (nettoyage, reformatage) et de chargement dans une destination. C’est la colonne vertébrale de l’intégration de données.

Exemple PME : extraction des commandes WooCommerce chaque nuit → transformation en format compatible ERP → chargement dans le logiciel de gestion. Automatisable avec N8N en 2 à 3 heures.

Workflow

Un workflow est une séquence d’étapes automatisées déclenchées par un événement. C’est le terme générique pour désigner un flux de travail automatisé dans N8N, Make ou tout autre outil d’automatisation.

Anatomie d’un workflow : déclencheur (trigger) → conditions → actions → gestion d’erreurs. Un workflow bien conçu s’exécute sans intervention humaine et notifie uniquement en cas d’exception.

Context Window (fenêtre de contexte)

La fenêtre de contexte est la quantité maximale de texte qu’un LLM peut lire et traiter en une seule fois. Elle se mesure en tokens (exemples : 128 000 tokens pour GPT-4o, 200 000 pour Claude).

Impact pratique : pour traiter un contrat de 50 pages, il faut un modèle avec une fenêtre de contexte suffisante. Un modèle avec une petite fenêtre “oubliera” le début du document en lisant la fin.

Température (LLM)

La température est un paramètre qui contrôle le degré de créativité ou de rigueur du LLM. Proche de 0 : réponses précises et reproductibles. Proche de 1 : réponses plus variées et créatives.

Règle pratique : température basse (0,1 à 0,3) pour l’extraction de données, la classification, les réponses factuelles. Température plus haute (0,7 à 0,9) pour la génération de contenu créatif ou les suggestions.

---

Catégorie 6 — Cadre réglementaire et sécurité

AI Act

L’AI Act est le règlement européen sur l’IA, entré en vigueur en 2024. Il classe les usages IA par niveau de risque (minimal, limité, élevé, inacceptable) et impose des obligations proportionnelles.

Pour 90 % des PME françaises : les usages courants (chatbot FAQ, automatisation interne, classification de documents) relèvent du risque minimal ou limité. L’obligation principale est la transparence envers les utilisateurs — indiquer qu’ils interagissent avec une IA.

RGPD appliqué à l’IA

Le RGPD s’applique dès que votre système IA traite des données personnelles (nom, email, comportement client). Les points de vigilance spécifiques à l’IA : traçabilité des décisions automatisées, droit d’opposition, durée de conservation des données d’entraînement.

Recommandation terrain : pour les PME, utiliser Mistral ou des modèles hébergés en France/Europe simplifie la conformité. Toujours documenter quel modèle traite quelles données, avec quel objectif.

Souveraineté des données

La souveraineté des données désigne le principe selon lequel vos données métier restent sous votre juridiction. Pour l’IA : héberger le modèle en Europe (ou on-premise) pour éviter qu’elles soient traitées sur des serveurs américains soumis au Cloud Act.

Options concrètes : Mistral (France), Scaleway AI (France), hébergement N8N on-premise, modèles Llama en self-hosted.

---

FAQ — Glossaire IA et automatisation

Faut-il tout maîtriser pour démarrer avec l’automatisation IA ?

Non. Les termes fondamentaux à retenir pour un dirigeant de PME sont : LLM, RAG, agent IA, workflow et webhook. Les concepts plus techniques (embedding, Vector DB, température) sont utiles pour évaluer les propositions techniques, pas pour les opérer au quotidien.

Quelle est la différence entre un chatbot et un agent IA ?

Un chatbot répond à des questions dans une conversation. Un agent IA perçoit son environnement, décide d’une séquence d’actions et les exécute — il peut accéder à des outils, modifier des données et prendre des décisions contextuelles. Un agent peut inclure un chatbot, mais l’inverse n’est pas vrai.

N8N et Make sont-ils vraiment sans code ?

Ce sont des outils low-code : la plupart des workflows s’assemblent visuellement sans écrire une seule ligne de code. Certaines fonctions avancées (transformation de données complexe, logique conditionnelle avancée) utilisent du JavaScript ou des expressions — accessibles à un profil semi-technique ou avec l’aide d’un intégrateur.

Qu’est-ce qu’un workflow “production-ready” ?

Un workflow prêt pour la production dispose de : gestion des erreurs (retry automatique, alerte en cas d’échec), logs d’exécution consultables, documentation des données traitées et tests de non-régression. Un workflow sans gestion d’erreurs tombe en silence — et personne ne s’en rend compte.

Le RAG est-il adapté aux PME sans équipe technique ?

Oui, depuis 2025. Des plateformes comme Flowise ou les nœuds RAG natifs de N8N permettent de déployer un RAG sur vos documents internes en quelques heures, sans développeur. Le coût de démarrage se situe entre 1 500 et 4 000 euros selon le volume documentaire et le niveau de personnalisation.

---

Ce qu’il faut retenir

Le vocabulaire de l’IA et de l’automatisation peut sembler dense, mais les concepts clés sont accessibles dès qu’on les relie à des cas d’usage concrets. Pour une PME qui démarre, l’essentiel est de comprendre ce que ces termes permettent de faire — pas de les maîtriser techniquement.

LLM, RAG, agent IA, workflow, webhook, API : ces six termes couvrent l’essentiel de ce que vous rencontrerez dans un projet d’automatisation IA. Tous les autres concepts de ce glossaire approfondissent et nuancent ces fondamentaux.