Glossaire · IA appliquée
Agent IA, Forward Deployed Engineer, MCP, evals, agent washing, AI Act... 53 termes définis en quelques phrases, du point de vue d'un décideur qui veut comprendre ce qu'il achète.
En bref
Ce glossaire de Djtal définit 53 termes de l'intelligence artificielle appliquée à l'entreprise, en sept familles : fondamentaux, agents et IA agentique, intégration ERP/CRM, déploiement et Forward Deployed Engineering, gouvernance et conformité, mesure, modèles. Chaque définition va à l'essentiel, du point de vue d'un dirigeant suisse qui veut comprendre l'IA avant d'investir. Djtal est un consultant en IA opérationnelle et Authorized Zoho Partner depuis 2017.
Les définitions
Les briques que tout projet IA manipule.
Un LLM (Large Language Model, grand modèle de langage) est un modèle d'IA entraîné sur de vastes corpus de texte pour comprendre et générer du langage. Claude, ChatGPT et Gemini sont des LLM. En entreprise, un LLM est la brique qui lit, rédige et raisonne, mais ne devient utile qu'une fois branché sur vos données et vos outils.
L'IA générative produit du contenu — texte, image, code — à partir d'une instruction. Elle a mis l'IA entre toutes les mains ; produire un texte et exécuter un processus restent pourtant deux métiers distincts. La seconde marche, celle qui agit dans vos systèmes, est l'IA agentique — l'essentiel de la valeur en entreprise se joue à cette marche.
Un prompt est l'instruction donnée à un modèle d'IA pour obtenir un résultat. La qualité du prompt — contexte, contraintes, format attendu — détermine la qualité de la réponse. En entreprise, les prompts efficaces ne s'improvisent pas : ils sont écrits, testés et versionnés, comme du code.
Le token est l'unité de découpage et de facturation des modèles d'IA : un mot français en vaut souvent deux ou trois. Chaque appel se paie en tokens lus et écrits. Comprendre le token, c'est comprendre sa facture — et pourquoi un agent mal conçu, qui relit tout à chaque étape, coûte plusieurs fois ce qu'il devrait.
La fenêtre de contexte est la quantité d'information qu'un modèle d'IA tient en tête d'un coup : vos documents, la conversation en cours, ses instructions. Elle se compte en tokens et limite ce qu'un agent traite en une passe. Un projet IA sérieux se dimensionne à cette contrainte : quels documents entrent, lesquels se résument, lesquels s'archivent.
Un modèle de raisonnement déroule des étapes internes avant de répondre, au lieu de produire la première réponse venue. Résultat : de meilleures décisions sur les cas complexes, contre un coût et un délai supérieurs. L'arbitrage se fait tâche par tâche — le tri d'un email n'exige pas le même moteur qu'une analyse contractuelle.
Le RAG (Retrieval-Augmented Generation) connecte un LLM à vos propres documents : avant de répondre, le modèle récupère les passages pertinents de votre base et s'appuie dessus. Le RAG ancre les réponses dans vos données réelles et réduit les inventions, sans réentraîner le modèle. C'est souvent l'alternative économique au fine-tuning.
Le fine-tuning (spécialisation) réentraîne un modèle d'IA existant sur des données propres à un métier pour l'affiner. Souvent, le RAG suffit et coûte moins cher pour ancrer un modèle dans vos données. Le fine-tuning se justifie quand le ton, le format ou un savoir très spécifique l'exigent vraiment.
Une hallucination est une réponse d'IA fausse mais énoncée avec assurance, inventée par le modèle faute d'information fiable. Les hallucinations sont le risque central des projets IA en entreprise. On les réduit par le RAG, des sources vérifiables et la supervision humaine — jamais tout à fait à zéro, d'où l'importance des garde-fous.
Assistant, copilote, agent : la distinction qui décide de ce que vous achetez.
Un agent IA est un logiciel qui exécute une tâche de bout en bout de façon autonome, au lieu de seulement répondre à une question. Il consulte des données, décide d'une action et l'exécute dans vos outils — ERP, CRM, messagerie — sous supervision humaine.
Agents IA pour votre entreprise →L'IA agentique désigne la génération d'IA capable de mener des actions concrètes dans des systèmes réels (ERP, CRM, messagerie), pas seulement de produire du texte. Une IA agentique enchaîne perception, décision et action sur un périmètre défini.
L'IA agentique expliquée →Un assistant IA traite vos demandes ponctuelles : il rédige, résume, cherche, puis attend la suivante. Il augmente la personne qui l'utilise, sans porter de processus lui-même. C'est l'étage au-dessous du copilote et de l'agent — et le point de départ le plus sûr pour une équipe qui découvre l'IA.
Le copilote accompagne un métier dans son outil de travail : il suggère la réponse au ticket, l'écriture comptable, la ligne de code, et la personne garde la main sur chaque validation. Entre l'assistant, qui traite des demandes ponctuelles, et l'agent, qui porte un processus, le copilote est le cran intermédiaire que vendent la plupart des éditeurs.
Un chatbot mène une conversation selon des scénarios prévus — historiquement à base de règles, aujourd'hui appuyé sur des modèles de langage. Il reste cantonné au dialogue : il renseigne, sans traiter le dossier. Confondre chatbot et agent IA au moment d'acheter, c'est payer un prix d'agent pour un guichet de questions-réponses.
L'orchestration d'agents coordonne plusieurs agents IA spécialisés qui se répartissent un travail, chacun sur son périmètre. Plutôt qu'un seul agent généraliste, une équipe d'agents (ventes, finance, support) collabore sous supervision. Djtal opère elle-même sept agents IA sur ses propres processus.
Un système multi-agents fait coopérer plusieurs agents IA sur un même travail, chacun sur son périmètre. Puissant quand les sous-tâches sont réellement indépendantes ; contre-productif en réflexe de mode, car chaque agent ajouté ajoute de la coordination, des coûts et des points de défaillance. Le bon défaut : un agent, puis la preuve qu'il en faut un deuxième.
Le degré d'autonomie fixe ce qu'un agent IA a le droit de faire seul : lire, proposer, exécuter sous validation, exécuter et rendre compte. La règle de conception qui protège : accorder le niveau d'autonomie minimal qui accomplit le travail (« least agency »), puis l'élargir sur preuve — jamais l'inverse.
La supervision humaine place une validation aux étapes sensibles d'un agent IA. Chez Djtal, ce point de contrôle s'écrit noir sur blanc au cadrage de chaque agent. Le garde-fou (human-in-the-loop) garde le contrôle sur les décisions à enjeu — un envoi client, une écriture comptable — tout en automatisant le reste.
Human-on-the-loop : l'humain surveille l'activité de l'agent et peut intervenir, sans valider chaque geste. C'est le cran au-dessus du human-in-the-loop, réservé aux processus rodés où l'historique de l'agent justifie la confiance — journal d'audit et arrêt d'urgence en place. On y arrive par élargissement mesuré ; on n'y démarre pas.
L'appel d'outils (tool calling) est le mécanisme par lequel un modèle d'IA agit : il invoque une fonction précise — créer une facture, mettre à jour une fiche, envoyer un email — avec des paramètres contrôlés. C'est par là qu'un agent intervient réellement dans votre ERP ou votre CRM, avec des droits délimités outil par outil.
Les garde-fous d'un agent IA sont les limites techniques posées avant la mise en route : listes d'actions autorisées, plafonds de montants, périmètres de données, points de validation. Ils se définissent au cadrage, s'écrivent dans la configuration et se testent comme le reste. Un agent sans garde-fous écrits n'est pas prêt pour la production.
L'agent washing consiste à rebaptiser « agent IA » un chatbot ou une automatisation classique. Gartner estime qu'environ 130 fournisseurs proposent une IA agentique réelle, sur des milliers qui s'en réclament. Trois questions pour trier : l'outil agit-il dans vos systèmes ? Décide-t-il selon le contexte ? Fonctionne-t-il sans être sollicité à chaque étape ?
Là où l'IA rencontre vos systèmes existants.
Un ERP (Enterprise Resource Planning) centralise les processus de gestion d'une entreprise : finance, ventes, achats, stocks, RH. Zoho, Odoo, Microsoft Dynamics et SAP sont des ERP. Djtal applique l'IA à l'ERP existant d'une entreprise, quel qu'il soit, plutôt que d'imposer un changement de système.
L'ERP complet avec Djtal →Un CRM (Customer Relationship Management) regroupe les contacts, opportunités et échanges commerciaux d'une entreprise. Zoho CRM, Salesforce et HubSpot en sont des exemples. Brancher un agent IA sur le CRM existant — qualifier un contact, relancer, tenir les fiches à jour — est l'un des usages les plus rentables de l'IA en entreprise.
CRM et IA →Le MCP (Model Context Protocol) est un standard ouvert qui permet à un modèle d'IA de se connecter de façon encadrée à des outils et des données externes : CRM, fichiers, API métier. Le MCP normalise la manière dont un agent accède à vos systèmes, au lieu d'intégrations sur mesure fragiles, propres à chaque outil.
A2A (Agent2Agent) est un protocole ouvert qui permet à des agents IA de dialoguer entre eux — se déléguer des tâches, se transmettre des résultats — y compris entre éditeurs différents. Il complète le MCP : le MCP relie un agent à vos outils, A2A relie les agents entre eux. Les deux composent la tuyauterie standard des systèmes agentiques.
Zia est l'IA native intégrée à l'écosystème Zoho : prédictions, détection d'anomalies, OCR, traitement du langage et assistant conversationnel, directement dans le CRM et les autres applications Zoho. Authorized Zoho Partner depuis 2017, Djtal l'active là où elle rend le plus — scoring des prospects et transcription d'appels en tête. Zia évite d'assembler une infrastructure IA séparée.
Notre expertise Zoho →L'IA native d'un ERP est celle que l'éditeur intègre à sa plateforme : Zia chez Zoho, Copilot chez Microsoft, Joule chez SAP, Einstein chez Salesforce. Elle est souvent déjà comprise dans votre licence. La démarche rationnelle commence là : activer ce qui est payé, mesurer ce qui manque, puis compléter par des agents dédiés.
L'automatisation des processus fait exécuter par un logiciel des tâches répétitives auparavant manuelles : saisie, relances, rapprochements, notifications. Couplée à l'IA, elle traite aussi les cas qui demandent du jugement, comme lire un document et le trier. L'administratif est la première cible d'automatisation dans la plupart des entreprises.
La RPA (robotic process automation) automatise en rejouant des gestes enregistrés : cliquer ici, copier là. Efficace sur des écrans stables, elle casse à la moindre variation — un champ déplacé, un libellé changé. C'est l'automatisation d'avant les modèles de langage ; elle garde sa place là où tout est figé, et cède le reste à l'automatisation agentique.
L'automatisation agentique des processus (APA) confie un processus à un agent qui lit, juge et agit selon le contexte, là où la RPA rejoue un script et où l'automatisation intelligente (IPA) traite les cas semi-structurés. La grille RPA → IPA → APA aide à choisir : plus le processus varie, plus il faut de jugement — et de supervision.
Le traitement intelligent de documents (IDP) lit factures, contrats et courriers entrants, en extrait les données et les verse dans vos systèmes. C'est le cas d'usage d'entrée le plus fréquent en entreprise : volume élevé, règles claires, gain mesurable dès les premières semaines. L'OCR en est l'ancêtre ; les modèles actuels lisent aussi ce qui n'est pas un formulaire.
GED intelligente →Passer de la démonstration au système qui tourne — le métier de Djtal.
Le Forward Deployed Engineer (FDE) est un ingénieur envoyé chez le client pour construire la solution IA dans le réel de ses systèmes et de ses équipes, jusqu'à l'autonomie. Le modèle vient de Palantir ; AWS, Microsoft et OpenAI y investissent des milliards depuis 2025. Djtal le pratique en Suisse romande avec ses ingénieurs embarqués chez le client.
Le Forward Deployed Engineering chez Djtal →POC, pilote, production : les trois marches d'un projet IA. Le POC prouve la faisabilité, le pilote teste en conditions réelles, la production tourne chaque jour sans assistance. Selon le MIT, 95% des pilotes d'IA générative ne produisent aucun retour mesurable : la marche mortelle est la dernière. Elle se franchit par les evals, les garde-fous et l'exploitation — pas par une meilleure démo.
Pourquoi les projets IA échouent →Build ou buy : construire sa solution IA ou l'acheter. Le MIT mesure qu'un outil acheté atteint la production environ deux fois plus souvent qu'un développement interne. La troisième voie, souvent la meilleure pour une entreprise suisse de taille moyenne : renforcer l'existant, en greffant des agents sur l'ERP et le CRM déjà en place plutôt que de bâtir à côté.
Customer Zero : être son propre premier client. Djtal opère sept agents IA nommés sur ses propres processus — ventes, finance, communication — et les méthodes installées chez les clients viennent de cette exploitation quotidienne. Le 3 juillet 2026, notre agente de communication a publié seule, de bout en bout, un post LinkedIn de la page entreprise.
L'AI-native company →Le harnais agentique est l'outillage qui entoure un agent en production : jeux d'évaluation, garde-fous, journaux, procédures de reprise. L'agent se remplace ; le harnais se garde et se réutilise d'un processus à l'autre — c'est lui, l'actif durable. Un déploiement sérieux investit autant dans le harnais que dans l'agent lui-même.
Ce qui rend l'IA défendable devant un conseil, un auditeur ou un régulateur.
La nLPD (nouvelle loi fédérale sur la protection des données) encadre le traitement des données personnelles en Suisse, en parallèle du RGPD européen. C'est le premier filtre de Djtal avant de brancher une IA sur un processus client : quelles données personnelles l'agent touche, à quel titre, avec quelles mesures de protection.
Sécurité et conformité →La souveraineté des données désigne la maîtrise du lieu et du droit sous lesquels vos données sont traitées et stockées. Pour une entreprise suisse, la question se pose à chaque brique d'IA : où partent les prompts, où vivent les documents, quelle législation s'applique en cas de litige. Elle se traite par l'architecture — hébergement choisi, transferts cartographiés — pas par une clause.
L'AI Act est le règlement européen sur l'intelligence artificielle. Il classe les systèmes par niveau de risque et impose des obligations croissantes, jusqu'à l'interdiction pure. Une entreprise suisse est concernée dès que son système ou ses clients touchent le marché de l'UE. Son calendrier d'application évolue encore : faites vérifier votre cas précis avant d'investir, plutôt que d'appliquer une date lue en ligne.
Un système IA à haut risque, au sens de l'AI Act, touche des domaines sensibles : recrutement, crédit, éducation, infrastructures, justice. Il déclenche les obligations les plus lourdes — documentation, surveillance humaine, journaux, gestion des risques. Première question d'un projet : votre cas d'usage entre-t-il dans une de ces catégories ? La réponse change le budget et le calendrier.
La gouvernance IA répond à quatre questions : quels agents et outils sont autorisés, sur quelles données, avec quels droits, sous quelle supervision. Elle tient en quelques pages appliquées : registre des usages, points de validation, journal d'audit, revue périodique. C'est elle qui sépare l'IA qui rend service de celle qui crée un sinistre silencieux.
Le shadow AI désigne les usages d'IA que vos collaborateurs pratiquent sans cadre : comptes personnels, données clients collées dans un outil grand public, résultats réutilisés sans contrôle. Le risque est déjà dans les murs de la plupart des entreprises. La réponse qui marche combine un cadre écrit court, des outils approuvés et une formation — l'interdiction seule déplace l'usage.
La traçabilité d'un agent IA exige que chaque action laisse une trace rejouable : ce que l'agent a lu, décidé, exécuté, et pourquoi. Le journal d'audit (audit trail) est la pièce que demanderont l'auditeur, le régulateur — et vous-même le jour où un résultat surprend. Sans lui, impossible de distinguer l'erreur ponctuelle de la dérive installée.
Le kill switch est le geste qui arrête un agent IA immédiatement : un interrupteur prévu, testé, accessible aux bonnes personnes. Il se conçoit avant la mise en production, pas au premier incident. Savoir qu'on peut arrêter proprement change le déploiement : on ose confier davantage à l'agent parce que la reprise en main est acquise.
Un agent qui n'est pas mesuré se juge à l'anecdote.
Les evals sont les tests d'un système d'IA : un jeu de cas réels avec les résultats attendus, rejoué à chaque changement de modèle, de prompt ou de périmètre. C'est l'équivalent des tests logiciels, appliqué à des sorties non déterministes. Sans evals, chaque mise à jour du modèle est un saut sans filet ; avec, la qualité se mesure au lieu de se ressentir.
L'observabilité des agents consiste à voir ce que vos agents IA font réellement : actions menées, coûts par exécution, cas remontés à l'humain, échecs. Elle commence gratuitement — journaux, tableau de bord simple, revue hebdomadaire — bien avant tout outil spécialisé. Un agent qu'on n'observe pas se dégrade en silence.
Le coût par tâche est la question à poser à tout vendeur d'agent IA : combien coûte une exécution — tokens, appels, licences, supervision comprise — face au coût du même travail fait à la main ? Un agent rentable en démonstration peut se révéler déficitaire au volume réel. Ce calcul se fait avant la mise en production, puis se surveille en continu.
Le ROI de l'IA se mesure sur des indicateurs définis avant le projet : heures rendues aux équipes, délais raccourcis, erreurs évitées, revenus assistés. Le constat du MIT sur les pilotes sans retour mesurable (voir POC, pilote, production) vient d'abord de là : aucun indicateur posé au départ. Un agent n'emporte jamais un résultat seul — on mesure la qualité de son assistance.
L'audit stratégique IA →Le taux d'escalade mesure la part des cas qu'un agent IA remonte à un humain au lieu de les traiter seul. C'est le KPI le plus parlant d'un agent en production : trop haut, l'agent n'apporte rien ; à zéro, il décide probablement des choses qu'il devrait remonter. La tendance compte plus que la valeur — un taux qui monte signale une dérive à examiner.
Les noms qui reviennent dans toute discussion IA — et comment les choisir.
Un modèle frontière est un modèle du meilleur niveau du moment — Claude (Anthropic), GPT (OpenAI), Gemini (Google). Le classement bouge plusieurs fois par an : « le meilleur modèle » est une décision d'architecture à réviser, pas un engagement de fidélité. Un projet bien conçu peut changer de modèle sans se réécrire.
Un modèle ouvert (open weights) se télécharge et s'exécute sur l'infrastructure de votre choix — Llama, Mistral, DeepSeek. Atouts : maîtrise du lieu de traitement et coûts au volume. Contreparties : exploitation à votre charge et, selon les tâches, un niveau en retrait des modèles frontière. Il se justifie cas par cas, souvent pour des raisons de souveraineté.
Le GEO (Generative Engine Optimization) vise à faire citer votre entreprise par les moteurs d'IA — ChatGPT, Perplexity, Gemini — quand un acheteur leur demande une recommandation. Il complète le SEO : la position dans Google reste, la citation dans la réponse devient l'unité qui compte. Djtal l'applique à son propre site et en mesure les effets, requête par requête.
Pour aller plus loin
Ces termes prennent leur sens dans des projets concrets — trois portes pour continuer.
Démarrer
Un premier échange pour cadrer votre besoin et juger où l'IA crée vraiment de la valeur chez vous. Sans engagement.
Dernière mise à jour :