Glossaire IA & IA Agentique

Large Language Model (LLM)

Un système d'IA entraîné sur de vastes quantités de texte capable de comprendre, raisonner et générer du langage humain au niveau expert.

Les LLM sont le moteur de raisonnement derrière les agents IA modernes. Ils traitent les instructions, comprennent le contexte, génèrent des réponses et décident des actions à entreprendre. Des modèles comme Claude, Gemini et GPT-4 sont des LLM. La qualité d'un LLM détermine directement la qualité des agents IA construits sur sa base.

Exemple : Un LLM lit un contrat de 40 pages, identifie toutes les clauses de renouvellement et conditions de résiliation, signale trois clauses dérogeant aux standards et rédige un résumé pour l'équipe juridique - en moins de 30 secondes.

Autres appellations : modèle de fondation, modèle de langage, modèle IA, modèle génératif, modèle transformer

IA Générative

Une classe de modèles d'IA qui créent de nouveaux contenus - texte, images, code, audio, vidéo - en apprenant des patterns à partir de données existantes.

L'IA générative est la technologie derrière des outils comme Claude, Gemini et GPT-4. Elle peut rédiger des rapports, formuler des e-mails, générer du code, créer des images et résumer des documents. En entreprise, elle est plus puissante combinée aux capacités agentiques - passant du contenu généré au contenu sur lequel on agit.

Exemple : Une équipe marketing utilise l'IA générative pour produire 50 variantes d'e-mails personnalisés pour une campagne en 20 minutes - chacune adaptée à un segment client et une étape de communication différents.

Autres appellations : GenAI, IA créative, génération de contenu IA, sorties de modèles de fondation

Ingénierie de Prompt

La pratique de rédiger des instructions précises pour les modèles d'IA afin de produire des résultats précis, cohérents et utiles pour des tâches business spécifiques.

La qualité de la sortie d'un agent IA dépend largement de la qualité de ses instructions. Les ingénieurs prompt conçoivent, testent et affinent les instructions qui guident les agents IA - définissant leur rôle, contraintes, ton, format de sortie et comment gérer les cas limites. C'est une compétence critique pour déployer une IA fiable en production.

Exemple : Un prompt bien conçu pour un agent support client spécifie : toujours répondre dans la langue du client, ne jamais promettre de remboursement sans vérifier le statut de la commande, escalader si le sentiment est négatif pendant plus de deux échanges, et formater les réponses en points.

Autres appellations : conception de prompt, optimisation de prompt, ingénierie d'instruction, conception de prompt système

Affinage (Fine-tuning)

Le processus d'entraînement d'un modèle d'IA existant sur vos données business spécifiques pour le rendre significativement plus précis et pertinent pour votre cas d'usage.

Un LLM généraliste connaît beaucoup de choses sur le monde mais rien de spécifique sur votre entreprise, vos produits ou votre jargon sectoriel. L'affinage adapte le modèle à votre contexte en l'entraînant sur vos exemples de domaine - le rendant plus rapide, moins cher et plus précis pour vos tâches spécifiques.

Exemple : Un cabinet juridique affine un LLM sur 10 000 contrats passés, permettant au modèle d'identifier les clauses non standard avec 94% de précision - contre 67% pour un modèle généraliste sur la même tâche.

Autres appellations : affinage de modèle, adaptation de domaine, personnalisation de modèle, affinage supervisé

Intelligence Artificielle (IA)

La simulation de l'intelligence humaine par des machines, leur permettant d'effectuer des tâches nécessitant typiquement la cognition humaine comme le raisonnement, l'apprentissage et la prise de décision.

Autres appellations : IA, intelligence machine

Apprentissage Automatique

Un sous-ensemble de l'IA où les systèmes apprennent des données et améliorent leurs performances au fil du temps sans être explicitement programmés pour chaque tâche.

Autres appellations : ML, apprentissage statistique, modélisation prédictive

Apprentissage Profond

Un sous-ensemble de l'apprentissage automatique qui utilise des réseaux de neurones à plusieurs couches pour apprendre des patterns complexes dans de grands ensembles de données. Il alimente la plupart des avancées IA modernes.

Autres appellations : réseaux de neurones, DL, réseaux de neurones profonds

Réseau de Neurones

Un système informatique inspiré du cerveau humain, composé de nœuds interconnectés qui traitent l'information en couches. La base du deep learning moderne.

Autres appellations : réseau de neurones artificiel, ANN, modèle deep learning

Traitement du Langage Naturel (TLN)

Une branche de l'IA axée sur permettre aux ordinateurs de comprendre, interpréter et générer le langage humain. Le TLN alimente les chatbots, la traduction, l'analyse de sentiment et les agents IA.

Autres appellations : NLP, linguistique computationnelle, IA textuelle

Transformer (Architecture)

L'architecture de réseau de neurones qui alimente pratiquement tous les LLM modernes. Introduite par Google en 2017, elle utilise des mécanismes d'attention pour traiter le texte en parallèle - permettant l'échelle qui rend les LLM possibles.

Autres appellations : modèle transformer, modèle basé sur l'attention, architecture auto-attention

Mécanisme d'Attention

Un composant des modèles transformer qui permet à l'IA de se concentrer sur les parties les plus pertinentes de l'entrée lors de la génération de chaque sortie. Il permet aux LLM de comprendre le contexte à longue portée.

Autres appellations : auto-attention, attention croisée, attention multi-tête

Tokenisation

Le processus de découpage du texte en unités plus petites (tokens) qu'un modèle d'IA peut traiter. Les coûts API sont calculés par token, rendant la conscience de la tokenisation importante pour le budget IA en entreprise.

Autres appellations : tokenisation de texte, tokenisation sous-mot, BPE

Hallucination

Quand un modèle d'IA génère des informations qui semblent confiantes et plausibles mais sont factuellement incorrectes ou entièrement fabriquées. Un risque clé à gérer dans les déploiements IA en entreprise.

Autres appellations : confabulation IA, fabrication de modèle, erreur LLM

Token

L'unité de base du texte traité par un modèle de langage. Un token peut être un mot, une partie d'un mot ou de la ponctuation. Les LLM ont des limites de tokens qui définissent la quantité de texte qu'ils peuvent traiter à la fois.

Autres appellations : limite de token, token de contexte, token d'entrée

Coût d'Inférence

Le coût computationnel d'exécution d'un modèle d'IA pour générer des sorties. Dans l'IA d'entreprise, le coût d'inférence est la principale dépense courante après le déploiement et impacte directement les calculs de ROI.

Autres appellations : tarification d'inférence, coût API, coût par token, coût de calcul

Distillation de Modèle

Le processus d'entraînement d'un modèle plus petit et plus rapide pour reproduire le comportement d'un modèle plus grand et plus capable. Les modèles distillés atteignent des performances quasi-équivalentes à une fraction du coût de calcul.

Autres appellations : distillation de connaissances, compression de modèle, entraînement enseignant-élève

Benchmark

Un test standardisé utilisé pour évaluer et comparer les performances des modèles d'IA sur des tâches spécifiques. Les benchmarks courants incluent MMLU (connaissances générales), HumanEval (codage) et HellaSwag (raisonnement).

Autres appellations : évaluation IA, évaluation de modèle, benchmark de performance

Rétropropagation

L'algorithme utilisé pour entraîner les réseaux de neurones en calculant la contribution de chaque paramètre à l'erreur et en ajustant les poids en conséquence. Le moteur mathématique du deep learning moderne.

Autres appellations : rétropropagation du gradient, différentiation en mode inverse

Paramètres (Modèle IA)

Les valeurs numériques qu'un modèle apprend pendant l'entraînement et qui déterminent comment il traite les entrées et génère les sorties. GPT-4 a environ 1 800 milliards de paramètres.

Autres appellations : poids du modèle, poids appris, paramètres du modèle

IA Agentique

Des systèmes d'IA capables de planification autonome, de prise de décision et d'exécution sur des workflows complexes multi-étapes - sans nécessiter d'input humain à chaque étape.

L'IA agentique va au-delà de la génération de texte ou des réponses aux questions. Elle perçoit le contexte, fixe des sous-objectifs, sélectionne des outils, exécute des actions et itère jusqu'à l'achèvement d'une tâche. C'est l'évolution de l'IA comme outil qu'on utilise vers l'IA comme système qui travaille pour vous.

Exemple : Une équipe finance déploie une IA agentique qui surveille les relevés bancaires chaque nuit, signale les anomalies, rapproche les transactions avec les factures, met à jour l'ERP et génère un rapport de rapprochement - prêt pour le CFO chaque matin.

Autres appellations : systèmes agentiques, IA autonome, IA basée sur des agents, IA proactive, IA auto-dirigée

Agent IA

Un système qui exécute de manière autonome des tâches multi-étapes à travers des outils et sources de données pour atteindre un objectif business défini - sans intervention humaine à chaque étape.

Contrairement à un chatbot qui répond aux questions, un agent IA agit. Il perçoit son environnement, raisonne sur ce qu'il faut faire, prend de vraies actions - mise à jour de bases de données, envoi d'e-mails, appels d'API - et s'adapte en fonction des résultats. Les agents IA sont le bloc de construction central de l'automatisation d'entreprise moderne.

Exemple : Un agent IA commercial reçoit un nouveau lead, enrichit les données de contact depuis LinkedIn, score le lead, met à jour le CRM, envoie un e-mail de suivi personnalisé et notifie le commercial - le tout en moins de 60 secondes.

Autres appellations : agent autonome, système agentique, assistant IA, agent intelligent, agent propulsé par LLM

Orchestration IA

La coordination de plusieurs agents IA, modèles et outils dans un workflow unifié qui délivre un résultat business unique et cohérent.

Dans un système orchestré, un agent orchestrateur décompose un objectif complexe en sous-tâches, les assigne chacune à un agent spécialisé, gère les dépendances, collecte les sorties et assemble le résultat final. L'orchestration est ce qui permet à l'IA de s'étendre à toute une organisation.

Exemple : Un système orchestré traite une réclamation client de bout en bout : un agent classifie le problème, un autre récupère l'historique de commande, un troisième rédige la réponse, un quatrième met à jour le CRM et un cinquième déclenche un remboursement si nécessaire.

Autres appellations : orchestration multi-agents, coordination d'agents, orchestration de workflow IA, workflow agentique

RAG (Retrieval-Augmented Generation)

Une technique qui rend les modèles d'IA plus précis en récupérant des informations pertinentes de vos propres données avant de générer une réponse - réduisant drastiquement les hallucinations.

Un LLM standard ne connaît que ce sur quoi il a été entraîné. Le RAG lui donne accès à vos documents spécifiques, bases de données et bases de connaissances en temps réel. Le système récupère les informations les plus pertinentes et les fournit au modèle, qui génère alors une réponse précise et fondée.

Exemple : Un agent support client utilise le RAG pour interroger la documentation produit interne, les tickets passés et les tableaux de prix en temps réel - donnant aux clients des réponses précises et à jour au lieu de réponses génériques.

Autres appellations : génération augmentée par récupération, IA ancrée dans la connaissance, LLM ancré dans les documents, IA contextuelle

Système Multi-Agents

Une architecture IA où plusieurs agents spécialisés collaborent pour accomplir une tâche complexe qu'aucun agent seul ne pourrait gérer.

Chaque agent a un rôle spécifique - l'un recherche, l'autre rédige, un autre révise, un autre publie. Un orchestrateur les coordonne, transmettant les sorties de l'un au suivant et résolvant les conflits.

Exemple : Une équipe marketing gère un système de contenu multi-agents : Agent 1 recherche des sujets, Agent 2 rédige l'article, Agent 3 vérifie le ton de marque, Agent 4 génère les posts réseaux sociaux, Agent 5 planifie la publication.

Autres appellations : orchestration multi-agents, essaim d'agents, agents IA collaboratifs, réseau d'agents, pipeline agentique

Fenêtre de Contexte

La quantité maximale de texte qu'un modèle d'IA peut traiter à la fois - déterminant la quantité d'informations qu'un agent peut considérer lors d'une prise de décision.

Pensez à la fenêtre de contexte comme à la mémoire de travail de l'IA. Tout ce dont l'agent a besoin - la demande de l'utilisateur, les messages précédents, les documents récupérés, les instructions - doit tenir à l'intérieur. De plus grandes fenêtres permettent aux agents de gérer des documents plus longs et des tâches plus complexes.

Exemple : Un agent IA révisant un rapport annuel de 200 pages a besoin d'une fenêtre de contexte suffisamment grande pour contenir le document entier en répondant aux questions à son sujet.

Autres appellations : limite de token, mémoire du modèle, fenêtre d'entrée, fenêtre de prompt

Base de Données Vectorielle

Une base de données qui stocke les données sous forme de représentations mathématiques permettant aux agents IA de trouver instantanément des informations sémantiquement similaires.

Quand vous posez une question à un agent IA, il doit trouver les informations les plus pertinentes parmi potentiellement des millions de documents. Une base de données vectorielle convertit le contenu en vecteurs mathématiques pour une récupération sémantique en millisecondes.

Exemple : Un agent IA juridique utilise une base de données vectorielle contenant tous les contrats de l'entreprise. Quand on lui demande quels accords incluent des clauses de renouvellement automatique, il récupère les sections pertinentes de centaines de contrats en moins d'une seconde.

Autres appellations : base de données sémantique, base de données d'embeddings, mémoire IA, base de données de recherche par similarité

Boucle d'Agent

Le cycle itératif qu'un agent IA suit : percevoir l'état actuel, raisonner sur la meilleure prochaine action, exécuter cette action, observer le résultat, et répéter jusqu'à l'atteinte de l'objectif.

Autres appellations : boucle de raisonnement, boucle d'action, cycle percevoir-raisonner-agir, boucle ReAct

Appel d'Outils

La capacité d'un modèle d'IA à invoquer des outils ou fonctions externes pendant une conversation pour récupérer des informations ou prendre des actions, puis intégrer les résultats dans sa réponse.

Autres appellations : appel de fonction, utilisation d'outils, appel API, intégration d'outils externes

Ancrage

Le processus de connexion des sorties d'un agent IA à des informations vérifiées du monde réel - empêchant les hallucinations en ancrant les réponses dans de vraies sources de données.

Autres appellations : ancrage factuel, ancrage dans la connaissance, ancrage dans les sources, ancrage dans les données

Pipeline Agentique

Une séquence d'étapes d'agents IA connectés où la sortie d'une étape devient l'entrée de la suivante, permettant l'automatisation de bout en bout de workflows multi-étapes complexes.

Autres appellations : chaîne d'agents, workflow d'agents, exécution séquentielle d'agents

Escalade d'Agent

Le processus par lequel un agent IA reconnaît qu'il ne peut pas gérer une situation dans son périmètre défini et transfère la tâche à un humain ou un agent plus capable.

Autres appellations : escalade humaine, transfert d'agent, routage d'exceptions, escalade intelligente

Observabilité d'Agent

La capacité de surveiller, tracer et comprendre ce que fait un agent IA en temps réel - y compris les outils appelés, les décisions prises et les raisons.

Autres appellations : surveillance d'agent, traçage d'agent, observabilité IA, journalisation d'agent

Sandboxing (Agent IA)

Isoler un agent IA dans un environnement contrôlé où il peut agir sans affecter les systèmes en production - utilisé pour les tests et la validation avant le déploiement.

Autres appellations : bac à sable IA, environnement de test d'agent, environnement d'exécution sécurisé

Sous-agent

Un agent IA spécialisé qui opère dans un système multi-agents plus grand, recevant une sous-tâche spécifique d'un orchestrateur et retournant son résultat.

Autres appellations : agent travailleur, agent spécialisé, agent enfant, agent délégué

Gouvernance IA

Le cadre de politiques, contrôles et mécanismes d'audit qui garantit que les systèmes d'IA fonctionnent de manière sûre et maîtrisée, dans les limites définies dans une organisation.

Sans gouvernance, les agents IA peuvent effectuer des actions non autorisées, exposer des données sensibles ou prendre des décisions qui violent les réglementations. La gouvernance IA définit ce que les agents peuvent faire, enregistre tout ce qu'ils font et s'assure que les humains conservent la supervision des décisions à enjeux élevés. Elle n'est pas optionnelle dès lors qu'on déploie de l'IA en entreprise.

Exemple : Un agent IA finance est gouverné par des règles qui l'empêchent d'initier tout paiement supérieur à 10 000 € sans approbation du CFO, enregistrent chaque transaction dans un journal d'audit immuable et alertent la conformité si des données hors périmètre font l'objet d'un accès.

Autres appellations : supervision de l'IA, conformité IA, déploiement responsable de l'IA, gestion des risques IA

Human-in-the-loop

Une conception où les humains conservent l'autorité d'approbation sur des actions spécifiques d'agents, garantissant que les décisions critiques reçoivent toujours une validation humaine avant exécution.

Toutes les actions IA ne doivent pas être entièrement autonomes. Les systèmes avec humain dans la boucle définissent des seuils - au-delà d'une certaine valeur, d'un niveau de risque ou de sensibilité, l'agent s'arrête et demande une approbation humaine avant de continuer.

Exemple : Un agent IA achats approuve automatiquement les factures fournisseurs inférieures à 5 000 €. Pour les factures au-dessus de ce seuil, il rédige la demande d'approbation et la route vers le CFO - qui approuve en un clic.

Autres appellations : supervision humaine, workflow d'approbation humaine, IA supervisée, collaboration humain-IA

Culture IA

La capacité à comprendre ce que l'IA peut et ne peut pas faire, comment l'utiliser efficacement et comment identifier les opportunités à haute valeur pour l'appliquer dans un contexte business.

La culture IA ne concerne pas la maîtrise du code. Il s'agit de comprendre suffisamment les capacités et limitations de l'IA pour prendre des décisions éclairées sur où la déployer, comment évaluer ses sorties et comment gérer les risques.

Exemple : Un directeur métier qui comprend ce qu'un agent IA peut et ne peut pas faire sait, dès la démo, si son processus est un bon candidat à l'automatisation, sans avoir besoin d'un ingénieur dans la pièce.

Autres appellations : fluidité IA, préparation IA, compétences IA, culture numérique, compétence IA

AI ROI

Le retour mesurable généré par un déploiement IA - calculé comme valeur créée (temps économisé, coûts réduits, revenus générés) moins le coût de construction et d'exploitation du système IA.

Le ROI IA se mesure en heures de travail manuel éliminé, taux d'erreur réduits, volumes de traitement augmentés et cycles de revenus accélérés. Définir les métriques ROI avant le déploiement détermine si un investissement est justifié et évolutif.

Exemple : Une équipe finance passant 40 heures/mois sur le rapprochement bancaire déploie un agent IA accomplissant le même travail en 2 heures. À 80 €/heure, c'est 3 040 € économisés par mois - 36 480 € par an. Période de retour sur investissement : 5 mois.

Autres appellations : retour sur investissement IA, valeur business IA, mesure d'impact IA, économies de coûts IA

Cas d'Usage IA

Une application spécifique et définie de l'intelligence artificielle qui résout un vrai problème business avec un impact mesurable sur le temps, le coût ou la qualité.

Les meilleurs cas d'usage combinent un volume élevé de tâches, des entrées et sorties claires, l'accès à des données pertinentes et un temps important actuellement consacré par des humains. Identifier et prioriser les cas d'usage est la première étape critique avant tout déploiement IA.

Exemple : Un groupe industriel cartographie ses processus manuels à fort volume et identifie le contrôle des factures fournisseurs comme le meilleur cas d'usage : volume élevé, entrées et sorties claires, trois ETP qui le font aujourd'hui à la main.

Autres appellations : application IA, opportunité IA, cas d'usage d'automatisation, scénario de déploiement IA

Stratégie IA

Un plan structuré qui définit comment une organisation va adopter, déployer et faire évoluer l'intelligence artificielle pour atteindre des objectifs business spécifiques dans le temps.

Autres appellations : roadmap IA, plan de transformation IA, stratégie IA d'entreprise, plan d'adoption IA

Maturité IA

Une mesure du niveau d'avancement d'une organisation dans son parcours d'adoption IA, de l'expérimentation initiale au déploiement scalé, gouverné et en production.

Autres appellations : préparation IA, stade d'adoption IA, maturité numérique, niveau de capacité IA

IA Responsable

La pratique de concevoir, développer et déployer l'IA d'une manière éthique, transparente, équitable, sûre et responsable envers les individus et la société.

Autres appellations : IA éthique, IA digne de confiance, éthique IA, déploiement IA sûr

Automatisation IA

L'utilisation de l'IA pour exécuter des tâches business - y compris les tâches complexes, variables et nécessitant du jugement - sans intervention humaine. Contrairement à l'automatisation traditionnelle, l'automatisation IA gère la variabilité et les données non structurées.

Autres appellations : automatisation intelligente, automatisation cognitive, automatisation propulsée par IA, hyperautomatisation

Conduite du Changement (IA)

Le processus structuré de préparation, équipement et soutien des personnes dans l'adoption des outils et workflows IA pour garantir un changement comportemental durable et réussi.

Autres appellations : gestion de l'adoption IA, transformation IA, IA centrée sur les personnes, changement culturel IA

Centre d'Excellence IA

Une équipe dédiée au sein d'une organisation responsable de définir les standards IA, les cadres de gouvernance, les meilleures pratiques et de soutenir les unités business dans l'adoption IA.

Autres appellations : centre de compétences IA, équipe de gouvernance IA, centre d'innovation numérique

Montée en Compétences IA

Former les employés à utiliser efficacement les outils IA dans leur travail quotidien - non pas pour devenir des ingénieurs IA, mais pour devenir des utilisateurs IA capables et confiants.

Autres appellations : formation IA, requalification IA, développement des capacités IA, préparation IA de la main-d'œuvre

Process Mining

L'analyse des journaux d'événements des systèmes business pour découvrir, surveiller et améliorer les processus du monde réel. Le process mining identifie quels processus sont les mieux adaptés à l'automatisation IA.

Autres appellations : découverte de processus, analyse de workflow, intelligence des processus, analyse de journaux d'événements

IA Fantôme

L'utilisation d'outils IA par les employés sans approbation officielle de l'IT ou de la direction, créant des risques de sécurité, de conformité et de gouvernance des données.

Autres appellations : IA non sanctionnée, IA rebelle, utilisation IA des employés

API (Application Programming Interface)

Un ensemble de protocoles permettant à différents systèmes logiciels de communiquer. Les agents IA utilisent les API pour se connecter à des outils externes, bases de données et services - les API sont les mains d'un agent IA, permettant des actions dans le monde réel.

Autres appellations : interface de programmation applicative, intégration API, connecteur IA, intégration système

Webhook

Une méthode permettant à une application d'envoyer automatiquement des données à une autre lorsqu'un événement spécifique se produit. Utilisé par les agents IA pour déclencher des actions en temps réel à travers les systèmes connectés.

Autres appellations : déclencheur d'événement, callback HTTP, notification en temps réel

Pipeline de Données

Une série d'étapes automatisées qui collectent, traitent et déplacent des données d'un système à un autre. Les agents IA s'appuient sur des pipelines de données pour accéder aux informations dont ils ont besoin pour fonctionner.

Autres appellations : pipeline ETL, flux de données, pipeline d'intégration de données

Microservices

Une approche architecturale où une application est construite comme un ensemble de petits services indépendants qui communiquent via des API. Permet des déploiements IA évolutifs et flexibles.

Autres appellations : architecture microservices, architecture orientée services, SOA

LLMOps

Les pratiques opérationnelles et outils pour gérer les grands modèles de langage en production, incluant le monitoring, la gestion des versions, l'évaluation et l'optimisation des coûts.

Autres appellations : opérations LLM, MLOps pour LLM, opérations de modèle, opérations IA

IA No-Code

Des outils et plateformes IA qui permettent aux utilisateurs non techniques de construire, configurer et déployer des workflows et applications alimentés par l'IA sans écrire de code. Exemples : Make et n8n.

Autres appellations : IA visuelle, IA pour développeurs citoyens, IA low-code, IA drag-and-drop

Recherche Sémantique

Technologie de recherche qui comprend le sens et l'intention derrière une requête plutôt que de faire correspondre des mots-clés exacts - permettant aux agents IA de trouver des informations pertinentes même quand les mots exacts diffèrent.

Autres appellations : recherche basée sur le sens, recherche par intention, recherche conceptuelle, recherche vectorielle

Architecture Événementielle

Un pattern de conception logicielle où les actions sont déclenchées par des événements (un fichier téléchargé, un formulaire soumis, un seuil franchi). Les agents IA dans les architectures événementielles réagissent instantanément aux événements business.

Autres appellations : architecture basée sur les événements, architecture réactive, automatisation basée sur des déclencheurs

Qualité des Données

La précision, l'exhaustivité, la cohérence et l'actualité des données utilisées par les agents IA. Une mauvaise qualité des données est la cause la plus fréquente des défaillances d'agents IA en production.

Autres appellations : intégrité des données, précision des données, fiabilité des données, hygiène des données

Traitement en Temps Réel

Traitement des données et déclenchement des actions des agents IA immédiatement lorsque des événements se produisent, avec une latence minimale. Essentiel pour les applications IA face aux clients et les processus business sensibles au temps.

Autres appellations : traitement de flux, inférence en temps réel, traitement en direct, traitement instantané

RGPD

Le règlement de l'Union européenne régissant la façon dont les organisations collectent, stockent et traitent les données personnelles. Tous les déploiements IA traitant des données de citoyens de l'UE doivent être conformes au RGPD.

Autres appellations : Règlement Général sur la Protection des Données, RGPD, droit européen des données, réglementation sur la vie privée

AI Act

Le règlement européen sur l'intelligence artificielle, qui impose des exigences proportionnées au risque aux systèmes IA déployés dans l'UE. Les usages à risque élevé exigent documentation technique, supervision humaine et traçabilité.

Autres appellations : réglementation IA, loi européenne sur l'IA, cadre de conformité IA

Journal d'Audit

Un enregistrement chronologique de toutes les actions effectuées par un agent IA : ce qu'il a fait, quand, avec quelles données et quel résultat. Essentiel pour la conformité, le débogage et la gouvernance.

Autres appellations : journal d'actions, journal d'activité, piste de conformité, historique d'agent

Injection de Prompt

Un type d'attaque où des instructions malveillantes sont intégrées dans les entrées utilisateur pour manipuler un agent IA à effectuer des actions non prévues ou nuisibles. Une menace de sécurité clé pour l'IA d'entreprise.

Autres appellations : jailbreak IA, prompt adversarial, manipulation d'entrée, attaque LLM

Zero Trust

Un modèle de sécurité qui exige une vérification stricte de chaque utilisateur et appareil tentant d'accéder aux ressources, qu'ils soient à l'intérieur ou à l'extérieur du périmètre réseau.

Autres appellations : sécurité zéro confiance, ne jamais faire confiance toujours vérifier, ZTA

SOC 2

Un cadre de conformité sécurité qui vérifie les contrôles d'une organisation pour la sécurité des données, la disponibilité, l'intégrité du traitement, la confidentialité et la vie privée. De plus en plus requis par les clients entreprise évaluant les fournisseurs IA.

Autres appellations : SOC2, Service Organization Control 2, certification sécurité

Transparence IA

La capacité de comprendre et d'expliquer comment un système IA parvient à ses décisions, sorties ou recommandations. Une exigence légale et éthique pour de nombreuses applications IA d'entreprise.

Autres appellations : explicabilité IA, interprétabilité du modèle, transparence des décisions, XAI

Claude (Anthropic)

Un grand modèle de langage développé par Anthropic, conçu avec un focus sur la sécurité, la fiabilité et l'utilité. L'un des modèles auxquels Paatch se connecte, aux côtés d'autres, pour qu'aucun client ne soit lié à un seul fournisseur.

Autres appellations : Claude AI, modèle Anthropic, Claude Opus, Claude Sonnet

Gemini (Google)

La famille de modèles IA multimodaux de Google, capable de traiter texte, images, audio et vidéo. Un des modèles disponibles sur la plateforme Paatch.

Autres appellations : Google Gemini, Google AI, Gemini Pro, Gemini Ultra

OpenAI (GPT)

L'entreprise à l'origine de ChatGPT et de la famille de modèles GPT. Un des fournisseurs IA auxquels Paatch se connecte : le choix du modèle reste par agent, pas figé pour toute la plateforme.

Autres appellations : GPT, ChatGPT, modèles OpenAI

Make

Une plateforme d'automatisation no-code pour construire des workflows connectant des centaines d'applications et services. Beaucoup d'entreprises ont déjà des scénarios Make en production avant même de déployer Paatch, qui les gouverne au lieu de les remplacer.

Autres appellations : Make.com, Integromat, automatisation de workflow, automatisation no-code

Dust

Une plateforme pour construire et faire tourner des agents IA connectés aux outils et données internes d'une entreprise. Un des outils de construction d'agents que Paatch peut gouverner aux côtés des agents déployés nativement sur la plateforme.

Autres appellations : Dust.tt, constructeur d'agents IA

Manus

Un agent IA autonome généraliste capable de planifier et d'exécuter des tâches multi-étapes avec une supervision limitée. Fait partie des outils que la gouvernance Paatch peut faire remonter dans une seule console, quel que soit qui a créé l'agent.

Autres appellations : Manus AI, agent autonome

Plateforme Paatch

La tour de contrôle des agents IA d'entreprise : déployez des agents prêts pour la production sur des processus back-office, et gouvernez tous les agents qui tournent déjà chez vous, quel que soit l'outil qui les a créés.

Paatch n'est pas un outil de productivité individuelle façon Copilot ou un chatbot. La plateforme fait tourner des agents sur des processus back-office entiers (contrôle de factures, réponse aux appels d'offres, service client, achats, RH et juridique) avec validation humaine avant chaque envoi, et donne à la DSI une visibilité complète sur tous les agents de l'entreprise, y compris ceux construits avec d'autres outils.

Exemple : Une équipe finance qui rapproche ses factures fournisseurs à la main déploie l'agent de contrôle documentaire ; un directeur métier le voit tourner en production en quelques semaines, et la DSI le voit dans la même console de gouvernance que tous les autres agents déjà en usage.

Autres appellations : hub d'agents IA, tour de contrôle d'agents, plateforme IA d'entreprise

Instance d'agent déjà éprouvée (Paatch)

Un agent déjà en production chez un autre client, déployé chez un nouveau par configuration, pas construit à partir d'une page blanche.

Chaque agent Paatch regroupe la conception des prompts, les connexions aux outils, les intégrations de données et la configuration de gouvernance déjà éprouvées sur un déploiement précédent. Une équipe le configure pour ses propres systèmes et données au lieu de repartir de zéro.

Exemple : Une entreprise configure l'agent de réponse aux appels d'offres, déjà éprouvé chez un autre client, le connecte à sa propre bibliothèque documentaire et le met en production le même mois, plutôt que d'en spécifier et construire un de zéro.

Autres appellations : agent préconçu, instance d'agent existante, agent prêt à configurer

PlAIgrounds (Paatch)

Un espace d'expérimentation en direct où builders et équipes entreprise testent des agents IA et prototypent des cas d'usage avant leur passage en production gouvernée.

Autres appellations : bac à sable IA, environnement d'expérimentation, PlAIgrounds Paatch

Communauté de builders Paatch

Un réseau vérifié d'ingénieurs, basés en Europe, qui configurent et opèrent les agents dans la plateforme Paatch, sous la gouvernance de chaque client.

Autres appellations : réseau de builders, communauté Paatch, builders vérifiés

Agent Hub

La console au cœur de la plateforme Paatch, qui affiche tous les agents qui tournent dans l'entreprise, quel que soit celui qui les a créés, avec leur coût, leur retour et ce qu'ils ont le droit de faire.

Autres appellations : console Paatch, tour de contrôle d'agents