Le dico de l'IA

Tous les mots de l'IA,
enfin clairs.

Chaque terme expliqué en deux phrases et une analogie de la vie quotidienne. Dans les articles, touchez ou survolez les mots soulignés pour voir leur définition.

Agent: Une IA qui ne se contente pas de répondre : elle agit, navigue, clique, code, enchaîne des étapes avec des outils pour accomplir une mission complète.
Agentjacking: Attaque qui détourne l'agent IA de quelqu'un d'autre en glissant de fausses instructions dans les contenus qu'il consulte (page web, email, fichier, mémoire). L'agent les prend pour des ordres légitimes et les exécute avec les droits de son utilisateur : envoyer des données, lancer une commande, voire payer. C'est l'injection de prompt appliquée à une IA qui agit, avec des conséquences bien plus concrètes.
AGI: L'intelligence artificielle « générale » : une IA au moins aussi compétente qu'un humain sur la plupart des tâches intellectuelles. Elle n'existe pas (encore), sa définition même fait débat.
AI Act: Le règlement européen sur l'intelligence artificielle, premier grand texte de loi au monde à encadrer l'IA, appliqué progressivement depuis 2025. Il classe les systèmes par niveau de risque et impose des obligations renforcées aux modèles les plus puissants.
Alibaba (Qwen): Géant chinois du e-commerce et du cloud, dont le laboratoire d'IA développe Qwen, l'une des familles de modèles ouverts les plus téléchargées au monde. Sa puissance de calcul et ses viviers de talents en font un pilier de la rivalité sino-américaine sur l'IA.
Alignement: Le champ de recherche qui vise à faire faire aux IA ce qu'on veut vraiment, utiles, honnêtes, sans dégâts, même quand elles deviennent très capables.
Amazon: Le géant du commerce en ligne est aussi le premier fournisseur de cloud au monde avec AWS, qui loue serveurs et puces d'IA aux entreprises. Il a investi plusieurs milliards dans Anthropic et a modernisé son assistant vocal Alexa avec l'IA générative.
AMD: Le fabricant américain de processeurs, principal concurrent de Nvidia sur les puces pour l'IA. Ses accélérateurs Instinct équipent des data centers, et des contrats avec OpenAI ou Oracle en font une alternative crédible au quasi-monopole de son rival.
Anduril: Entreprise américaine de technologies de défense cofondée en 2017 par Palmer Luckey, qui conçoit des systèmes d'armes autonomes pilotés par IA, comme les drones Bolt ou l'intercepteur Roadrunner-M. Valorisée à 61 milliards de dollars en 2026, elle incarne le nouveau « complexe militaro-IA » qui rapproche la Silicon Valley du Pentagone.
Annotation de données: Le travail qui consiste à étiqueter des données brutes (décrire des images, noter des réponses, signaler des contenus toxiques) pour apprendre aux modèles ce qui est quoi. Il est massivement confié à des travailleurs peu payés, souvent au Kenya ou aux Philippines : la main-d'œuvre invisible de l'IA.
Anonymisation: Remplacer les noms par « le client A », les montants réels par des ordres de grandeur, les adresses par des villes, avant de coller quoi que ce soit dans une IA. Dans neuf cas sur dix, la demande garde le même sens et le problème juridique disparaît.
Anthropic: Le laboratoire américain créateur des modèles Claude, fondé en 2021 par d'anciens membres d'OpenAI. Il s'est hissé parmi les leaders mondiaux de l'IA en misant sur la sécurité et la fiabilité, avec un succès particulier auprès des développeurs.
Anthropomorphisme: La tendance à prêter des émotions, des intentions ou une personnalité humaine à ce qui n'en a pas, comme un chatbot. Les assistants qui disent « je » et répondent avec empathie la renforcent, ce qui peut créer de l'attachement ou une confiance excessive.
API: La « prise électrique » d'un service : elle permet à votre application d'appeler un modèle d'IA à distance et de payer à l'usage (aux tokens).
Apple: Le créateur de l'iPhone, célèbre pour arriver rarement le premier mais souvent au bon moment. En IA, la marque assume son retard : Apple Intelligence avance à petits pas et ses lunettes connectées ne sont pas attendues avant fin 2027, une stratégie d'attentisme qui tranche avec la frénésie de ses concurrents.
Apprentissage par renforcement: Une façon d'apprendre sans exemples à recopier : le système essaie, reçoit un signal de récompense quand c'est réussi (ou de pénalité sinon), et ajuste peu à peu sa stratégie. C'est ainsi qu'AlphaGo a battu les champions de go, et c'est une étape clé pour façonner le comportement des assistants actuels, notamment via le RLHF.
Armes autonomes: Des systèmes d'armes capables de chercher, sélectionner et frapper une cible avec peu ou pas d'intervention humaine, comme les munitions errantes qui patrouillent au-dessus d'une zone avant de plonger sur leur objectif. Leur essor, accéléré par la guerre en Ukraine, pose une question vertigineuse : une machine peut-elle décider de tuer ?
Arthur Mensch: Le cofondateur et patron de Mistral AI, la start-up française de l'IA. Polytechnicien et ancien chercheur chez Google DeepMind, il est devenu la voix de l'IA européenne et de la souveraineté technologique face aux géants américains et chinois.
Attention: Le mécanisme au cœur des Transformers : pour chaque mot, le modèle « regarde » les autres mots et pèse leur importance. C'est ce qui lui donne le sens du contexte.
Attention parcimonieuse (sparse attention): Famille de techniques où chaque mot ne « regarde » plus tous les autres mots du texte, mais seulement une sélection : ses voisins proches ou les passages jugés importants. Objectif : casser le coût quadratique de l'attention classique, qui explose avec la longueur du texte, et rendre les très longs contextes abordables.
Authors Guild: La plus ancienne et la plus grande organisation d'écrivains professionnels des États-Unis. Déjà opposée à Google dès 2005 sur la numérisation des livres, elle mène aujourd'hui les grands procès contre OpenAI et d'autres laboratoires accusés d'avoir entraîné leurs modèles sur des œuvres protégées.
Auto-amélioration de l'IA: L'idée qu'une IA participe à la conception de ses propres successeurs : écrire leur code, mener des expériences, optimiser leur entraînement. Aujourd'hui, les modèles accélèrent surtout le travail d'ingénieurs qui gardent la décision. La crainte, exprimée par des chercheurs de renom, est qu'une boucle où l'IA mène elle-même la recherche en IA finisse par s'emballer et échapper au contrôle humain.
Base de données vectorielle: Une base de données conçue pour stocker des embeddings, ces listes de nombres qui capturent le sens d'un texte ou d'une image. Elle retrouve en un éclair les contenus dont le sens est le plus proche d'une question : c'est le moteur de recherche qui alimente le RAG.
Benchmark: Un examen standardisé pour comparer les modèles : maths, code, raisonnement… Utile, mais les modèles finissent par « réviser pour l'examen ».
Biais: Les préjugés hérités des données d'entraînement : si Internet penche, le modèle penche. Un enjeu majeur pour les décisions automatisées (embauche, crédit…).
Bien-être des modèles: Une discipline naissante qui se demande si les modèles d'IA pourraient un jour avoir des expériences qui comptent moralement, et comment agir de façon responsable dans le doute. Anthropic a créé une équipe dédiée à la question, signe qu'elle quitte la science-fiction pour entrer au laboratoire.
Bulle de l'IA: La crainte que les sommes investies dans l'IA dépassent de loin ce qu'elle rapportera vraiment. Les entreprises dépensent des centaines de milliards en puces et en data centers, souvent en se finançant les unes les autres, pendant que les revenus tardent à suivre.
ByteDance: Le géant technologique chinois propriétaire de TikTok, devenu un poids lourd de l'IA générative. Son modèle vidéo Seedance rivalise avec les meilleurs générateurs américains, au point de valoir à l'entreprise des mises en demeure des grands studios d'Hollywood.
Cache de préfixe: Les fournisseurs facturent bien moins cher un début de requête déjà vu. Si le même long préambule part à chaque appel, placez-le toujours en tête et à l'identique : il sera mis en cache. Le déplacer d'un caractère annule le bénéfice.
Calcul à l'inférence: Dépenser du calcul au moment de répondre plutôt qu'au moment d'entraîner. Le même modèle, autorisé à produire dix mille jetons de raisonnement avant de conclure, résout des problèmes qu'il rate en répondant directement. Rien n'a été réentraîné.
Capacités émergentes: Des aptitudes que personne n'a programmées et qui apparaissent quand un modèle devient assez grand : traduire, raisonner, coder. C'est ce qui explique qu'un système entraîné à prédire le mot suivant finisse par sembler réfléchir.
Chatbot: Une interface de conversation avec une IA. ChatGPT, Claude ou Le Chat sont des chatbots posés sur des LLM.
Chiffrement homomorphe: Une technique de chiffrement qui permet d'effectuer des calculs directement sur des données chiffrées, sans jamais les déchiffrer : seul leur propriétaire peut lire le résultat. Elle pourrait permettre de confier des données sensibles à un service d'IA distant sans qu'il puisse les voir, mais reste aujourd'hui beaucoup plus lente que le calcul classique.
Chunking (découpage): Couper des documents en morceaux avant de les indexer pour un RAG. Ce n'est pas un détail : c'est là que se joue l'essentiel de la qualité. Trop petits, les morceaux perdent leur contexte ; trop gros, ils ramènent du bruit.
Clonage vocal: Reproduire la voix d'une personne grâce à l'IA à partir de quelques secondes d'enregistrement, timbre et intonations compris. Formidable pour les créateurs et le doublage, redoutable pour la fraude : les arnaques téléphoniques à la voix clonée se multiplient.
Cloud Act: Loi américaine de 2018 qui permet aux autorités des États-Unis d'exiger d'une entreprise relevant de leur juridiction les données qu'elle détient ou contrôle, où qu'elles soient stockées. Un serveur situé en Europe mais exploité par la filiale d'un groupe américain reste donc concerné : ce qui compte, c'est qui contrôle les données, pas où se trouvent les disques.
Commerce agentique: Quand un agent IA effectue des achats à la place de son utilisateur : il compare, choisit et paie, dans des limites fixées à l'avance. Des réseaux de paiement comme Visa et Mastercard ont mis en place des dispositifs dédiés, avec des jetons de paiement à périmètre limité. Reste la question délicate de la responsabilité en cas d'achat non voulu ou d'agent piégé.
Compagnon IA: Une IA conçue pour la relation plutôt que la productivité : elle discute, se souvient des conversations passées et joue un rôle d'ami, de confident ou de partenaire virtuel (Replika, Character.AI). Ce marché, estimé à 37 milliards de dollars en 2025, est porté par la solitude et soulève de vraies questions d'attachement et de dépendance.
Compute: La puissance de calcul brute (GPU, datacenters, électricité) nécessaire à l'IA. C'est la ressource stratégique que s'arrachent entreprises et États.
Conscience artificielle: La question de savoir si une IA pourrait un jour ressentir quelque chose, avoir une expérience vécue, et pas seulement en donner l'impression. Aucune preuve n'existe aujourd'hui, mais des chercheurs prennent la question au sérieux, d'où les débats sur le bien-être des modèles.
Contamination des données (benchmarks): Situation où les questions d'un benchmark, parfois accompagnées de leurs réponses, se retrouvent dans les données d'entraînement d'un modèle : au moment du test, il récite au lieu de raisonner et son score est artificiellement gonflé. C'est l'une des raisons de lire les records annoncés avec prudence.
Contrôle des exportations: Règles par lesquelles un État interdit ou conditionne la vente de technologies sensibles à l'étranger : hier les armes, aujourd'hui les puces les plus avancées, voire les modèles d'IA eux-mêmes. C'est devenu l'arme juridique centrale de la rivalité technologique entre les États-Unis et la Chine, celle qui décide qui a accès aux meilleures IA.
Couche d'orchestration: La couche logicielle placée entre l'utilisateur et les modèles d'IA : elle reçoit la demande, choisit le modèle le mieux adapté pour y répondre et assemble le résultat. Enjeu stratégique majeur : celui qui contrôle cette couche contrôle la relation avec l'utilisateur, pas forcément celui qui fabrique les modèles.
Cursor (Anysphere): Un éditeur de code où l'IA écrit, corrige et remanie les programmes aux côtés du développeur, créé par la startup américaine Anysphere. Passé de zéro à plus de deux milliards de dollars de revenus annuels en environ trois ans, c'est la croissance logicielle la plus rapide jamais observée.
Dario Amodei: Le cofondateur et patron d'Anthropic, l'entreprise de Claude. Ancien responsable de la recherche chez OpenAI, il l'a quittée en 2021 avec sa sœur Daniela et plusieurs collègues pour créer un laboratoire qui place la sûreté de l'IA au centre de son travail.
Data center: Un bâtiment rempli de milliers de serveurs et de puces qui font tourner Internet et, désormais, l'entraînement comme les réponses des IA. Les plus grandes de ces installations engloutissent d'énormes quantités d'électricité et d'eau de refroidissement, parfois autant qu'une ville entière.
Dataset: L'ensemble des données servant à entraîner ou évaluer un modèle. Sa qualité et sa diversité déterminent en grande partie celles du modèle.
Date de coupure des connaissances: La date à laquelle s'arrêtent les données d'entraînement d'un modèle : tout ce qui a été publié après n'existe pas pour lui. Comme l'entraînement puis les tests prennent des mois, elle se situe souvent bien avant la sortie du modèle. D'où des faits périmés présentés comme actuels, que la recherche web en temps réel ne corrige qu'en partie.
Déclencheur: L'événement qui met une automatisation en route : un courriel arrive, un formulaire est rempli, il est huit heures du matin. Toute chaîne automatisée commence par là, et l'IA n'y est qu'une étape parmi d'autres.
Deep learning: L'apprentissage avec des réseaux de neurones à nombreuses couches (« profonds »). C'est la technique derrière la vague d'IA depuis 2012.
Deepfake: Un contenu truqué par IA (visage, voix, vidéo) avec un réalisme tel qu'il devient difficile de le distinguer du vrai. Utilisé pour le divertissement, mais aussi pour la désinformation politique et l'arnaque : on ne peut plus croire une vidéo sur parole.
DeepSeek: Un laboratoire chinois qui publie des modèles open-weight parmi les meilleurs du monde, pour une fraction du prix de ses rivaux américains. Ses modèles téléchargeables et très bon marché ont bousculé l'économie de tout le secteur de l'IA.
Demis Hassabis: Le cofondateur et patron de Google DeepMind, le laboratoire d'IA de Google. Ancien prodige des échecs et concepteur de jeux vidéo, il a dirigé AlphaGo, qui a battu l'un des meilleurs joueurs de go du monde en 2016, puis AlphaFold, qui prédit la forme des protéines.
Détecteur d'IA: Un logiciel qui estime si un texte ou une image a été produit par une IA. Massivement utilisés dans l'éducation, ces outils restent peu fiables : ils accusent parfois des textes écrits par des humains et laissent passer des textes d'IA légèrement retravaillés.
Dette cognitive: L'affaiblissement progressif de nos capacités mentales quand on délègue systématiquement la réflexion à une IA : moins de mémorisation, moins d'esprit critique, moins d'effort. Le terme vient d'une étude du MIT Media Lab qui, électrodes à l'appui, a mesuré une activité cérébrale réduite chez des volontaires rédigeant leurs textes avec ChatGPT.
Distillation de modèle: Technique où un grand modèle « professeur » sert à entraîner un modèle « élève » plus petit : l'élève apprend à imiter les réponses du professeur et récupère une bonne partie de ses capacités pour une fraction du coût. Pratiquée sans autorisation sur le modèle d'un concurrent, elle s'apparente à un vol de savoir-faire, comme dans l'affaire qui oppose Anthropic à Alibaba.
Données synthétiques: Des données générées par une IA pour en entraîner une autre, précieuses quand les données réelles sont rares, chères ou sensibles. Bien dosées, elles complètent le régime des modèles ; utilisées sans contrôle, elles ouvrent la voie au model collapse.
Double usage (dual-use): Se dit d'une technologie qui peut servir aussi bien à protéger qu'à nuire : le même modèle d'IA qui aide à corriger des failles peut aider à les exploiter. C'est ce risque qui pousse les laboratoires à restreindre l'accès à leurs modèles les plus capables.
ElevenLabs: Entreprise spécialisée dans la voix synthétique : lecture de texte, doublage multilingue et clonage vocal d'un réalisme saisissant. Son infrastructure alimente des milliers d'applications vocales, ce qui lui vaut le surnom de « couche voix » de l'IA mondiale.
Elon Musk: Le patron de Tesla et de SpaceX, fondateur de xAI et de son assistant Grok. Cofondateur et premier grand financeur d'OpenAI, il l'a quittée en 2018 puis attaquée en justice, en lui reprochant d'avoir trahi sa mission d'origine à but non lucratif.
Embedding: La transformation d'un texte (ou d'une image) en liste de nombres qui capture son sens. Deux contenus proches en sens ont des nombres proches, c'est la base de la recherche sémantique et du RAG.
Empoisonnement de données (data poisoning): Insérer volontairement dans des données d'entraînement des éléments conçus pour perturber le modèle qui s'en nourrira : lui faire associer un mot déclencheur à un comportement caché, ou dégrader ses résultats. Des travaux ont montré que quelques centaines de documents piégés peuvent suffire, même dans un corpus gigantesque. Des artistes s'en servent aussi pour protéger leurs œuvres de la collecte.
Entraînement: La phase où le modèle « apprend » : on lui montre des milliards d'exemples et il ajuste ses paramètres pour prédire de mieux en mieux. Ça coûte des millions en calcul.
Entraînement intermédiaire (mid-training): Phase qui prolonge le pré-entraînement, mais sur un corpus choisi : du code, des textes juridiques, une langue peu représentée. Le modèle ne change pas de nature, il déplace son centre de gravité vers un domaine. Bien moins coûteuse que le pré-entraînement, c'est souvent elle qui permet de spécialiser un modèle ouvert.
Exaflop (FLOPS): Unité de puissance de calcul : un exaflop correspond à un milliard de milliards d'opérations par seconde sur des nombres à virgule (les FLOPS). Piège classique : ces chiffres dépendent de la précision utilisée. En basse précision, courante pour l'IA, une même machine affiche bien plus d'opérations qu'en haute précision, d'où des comparaisons souvent trompeuses entre annonces.
Faille CVE: Un identifiant public unique (du type CVE-année-numéro) attribué à une faille de sécurité connue, pour que tout le monde parle de la même. Il s'accompagne souvent d'une note de gravité sur 10 (le score CVSS) et d'une divulgation coordonnée : l'éditeur est prévenu en premier, le temps de publier un correctif, avant que les détails ne soient rendus publics.
Faille zero-day: Une faille de sécurité encore inconnue de l'éditeur du logiciel : il a eu « zéro jour » pour la corriger, aucun correctif n'existe donc. Très prisées des pirates comme des États, ces failles se négocient parfois plusieurs millions, et l'IA sait désormais aider aussi bien à en découvrir qu'à en colmater.
Fair use (usage équitable): Une règle du droit d'auteur américain qui permet d'utiliser une œuvre protégée sans autorisation dans certains cas : citation, critique, parodie, recherche. Les entreprises d'IA l'invoquent pour défendre l'entraînement de leurs modèles sur des textes et images protégés, et les tribunaux tranchent au cas par cas.
Fei-Fei Li: Chercheuse à l'université Stanford, à l'origine d'ImageNet, la grande base d'images annotées qui a déclenché l'essor du deep learning en 2012. Elle a fondé World Labs, une start-up qui construit des « modèles de monde » capables de générer des espaces en 3D.
Fenêtre de contexte: La quantité de texte qu'un modèle peut « garder en tête » d'un coup (mesurée en tokens). Au-delà, il oublie le début de la conversation.
Few-shot prompting: Technique de prompt qui consiste à montrer au modèle quelques exemples du résultat attendu (deux ou trois suffisent) plutôt que d'empiler des consignes abstraites. Le modèle reproduit le motif, souvent plus fidèlement qu'il ne suit des règles.
Fine-tuning: Ré-entraîner légèrement un modèle existant sur des données spécifiques pour le spécialiser : votre style, votre métier, vos documents.
Function calling (appel d'outil): Le mécanisme qui permet à un modèle d'agir : au lieu de répondre en texte, il produit un appel structuré du type « chercher_commande(4812) ». C'est votre code qui exécute réellement la fonction et lui renvoie le résultat.
Gemini: La famille de modèles d'IA de Google, et l'assistant qui porte le même nom, concurrent direct de ChatGPT. Conçu par Google DeepMind, Gemini est intégré au moteur de recherche, à Android, à Gmail et à la plupart des services de Google.
Geoffrey Hinton: L'un des pionniers des réseaux de neurones, surnommé l'un des « parrains de l'IA » : ses travaux ont rendu possible le deep learning. En 2023, il a quitté Google pour pouvoir alerter librement sur les risques de la technologie qu'il a aidé à créer.
Google: Le géant américain de la recherche en ligne, filiale d'Alphabet, devenu un acteur central de l'IA avec ses modèles Gemini, son laboratoire DeepMind et sa plateforme Android XR pour les lunettes et casques connectés. Il avance sur deux fronts : fournisseur de technologies pour toute l'industrie et défendeur dans plusieurs procès d'éditeurs sur le droit d'auteur.
Google DeepMind: Le laboratoire d'intelligence artificielle de Google, né de la fusion de DeepMind et de Google Brain en 2023, qui développe les modèles Gemini et le générateur de vidéos Veo. Ses travaux dépassent largement les chatbots : science, robotique, et même la question de la conscience des machines.
GPT: « Generative Pre-trained Transformer » : le nom de la famille de modèles d'OpenAI qui équipe ChatGPT. Chaque lettre résume la méthode : un modèle qui génère du texte, pré-entraîné sur d'immenses quantités de données, et bâti sur l'architecture Transformer.
GPU: Les processeurs graphiques (Nvidia en tête) devenus le nerf de la guerre de l'IA : ils font des millions de calculs en parallèle, parfaits pour entraîner les modèles.
Graine (seed): Le nombre qui fixe le point de départ aléatoire d'une génération d'image : il détermine le bruit initial que le modèle de diffusion va ensuite sculpter. Même prompt et même graine redonnent la même image ; voilà pourquoi la même requête, relancée avec une graine différente, produit un résultat différent.
Griefbot (deathbot): Chatbot qui imite une personne décédée à partir de ses messages, de sa voix et de ses vidéos, pour permettre aux proches de « converser » à nouveau avec elle. Cette industrie naissante de l'au-delà numérique soulève des questions inédites : consentement du défunt, effets sur le deuil, modèle économique fondé sur le chagrin.
Hallucination: Quand une IA affirme avec aplomb quelque chose de faux. Elle ne « ment » pas : elle génère le texte le plus plausible, qui n'est pas toujours le plus vrai.
Hameçonnage (phishing): Un message qui se fait passer pour une banque, une administration ou un proche pour vous soutirer un mot de passe, un code ou un paiement. Avec l'IA, ces messages n'ont plus de fautes et peuvent être personnalisés à grande échelle : on ne les repère plus à l'orthographe, mais à la demande inhabituelle et à l'urgence.
Harnais d'agent: Le logiciel qui entoure un modèle pour en faire un agent : il lui fournit des outils (lire des fichiers, exécuter du code, chercher), fait tourner la boucle observer, décider, agir, gère ce qu'il garde en mémoire et fixe ce qu'il a le droit de faire. Le même modèle obtient des résultats différents selon le harnais, d'où les classements qui comparent désormais des couples modèle + harnais.
Hébergement local: Faire tourner un modèle sur sa propre machine ou ses serveurs plutôt que via le cloud d'un tiers : confidentialité et contrôle, contre puissance et simplicité.
Higgsfield: Une plateforme de création visuelle qui réunit plus de 30 modèles d'image et de vidéo (Veo, Kling, Seedance et d'autres) derrière une seule interface, avec un paiement par crédits. Fondée par Alex Mashrabov, ancien responsable de l'IA générative chez Snap, elle est devenue l'un des studios tout-en-un préférés des créateurs de contenu.
Huawei: Le géant chinois des télécoms et de l'électronique, devenu l'alternative nationale à Nvidia grâce à ses puces d'IA Ascend. Sous sanctions américaines depuis 2019, il est le pilier de l'autonomie technologique chinoise : ses puces font désormais tourner les grands modèles du pays, comme ceux de DeepSeek.
Hugging Face: La plateforme où chercheurs et développeurs partagent des modèles d'IA ouverts, des jeux de données et des démonstrations. Souvent présentée comme le « GitHub de l'IA », elle a été fondée en 2016 par trois Français.
Human-in-the-loop: Un principe de sécurité qui garde un humain dans la boucle de décision d'un système automatisé : les actions sensibles attendent sa validation avant d'être exécutées. C'est le garde-fou standard des agents IA autonomes.
IA embarquée (on-device): Une IA qui tourne directement sur l'appareil (téléphone, lunettes, ordinateur) plutôt que sur des serveurs distants : réponses plus rapides, fonctionnement hors ligne et données qui restent chez vous. À l'inverse, le calcul déporté envoie chaque requête vers le cloud ou un appareil appairé, comme des lunettes qui s'appuient sur le téléphone.
IA générative: La famille d'IA qui crée du contenu nouveau (texte, images, son, vidéo ou code) à partir d'une demande. ChatGPT, Midjourney ou Suno en sont des exemples. Elle produit ce qui est le plus probable d'après ce qu'elle a appris, sans vérifier que c'est vrai.
IDE (environnement de développement): « Integrated Development Environment » : le logiciel tout-en-un dans lequel les développeurs écrivent, testent et corrigent leur code (VS Code, Cursor…). Les IDE récents embarquent des agents IA qui codent aux côtés du développeur, voire à sa place.
Inférence: Le moment où le modèle déjà entraîné répond à votre demande. C'est ce que vous payez quand vous utilisez une API d'IA.
Informatique spatiale: Un paradigme où l'informatique quitte l'écran plat pour s'installer dans l'espace qui vous entoure : fenêtres, écrans virtuels et objets 3D sont ancrés dans la pièce grâce à des lunettes ou casques qui cartographient l'environnement. C'est l'horizon que visent Apple, Rokid ou XREAL.
Ingénierie sociale: L'art de manipuler une personne plutôt que de pirater une machine : se faire passer pour un collègue, un patron ou un conseiller bancaire pour obtenir un virement ou un accès. L'IA lui donne de nouveaux outils, comme la voix clonée ou la vidéo truquée.
Injection de prompt: Attaque qui consiste à cacher des instructions malveillantes dans des contenus qu'une IA va lire (page web, email, document) : l'IA les prend pour des ordres légitimes et les exécute. Contrairement au jailbreak, l'attaquant ne parle pas directement au modèle mais piège les données, et c'est devenu la faille de sécurité numéro un des agents IA.
Intelligence artificielle (IA): Des programmes capables de réaliser des tâches qui demandaient jusqu'ici l'intelligence humaine : comprendre un texte, reconnaître une image, tenir une conversation.
Interprétabilité: Le champ de recherche qui tente de comprendre ce qui se passe à l'intérieur d'un modèle d'IA, dont les milliards de paramètres forment une « boîte noire ». Sa branche « mécaniste » dissèque les circuits internes du modèle pour expliquer pourquoi il répond comme il le fait.
Jailbreak: Contourner les garde-fous d'une IA par des prompts astucieux pour lui faire produire ce qu'elle devrait refuser. Un jeu du chat et de la souris permanent avec les concepteurs.
Jensen Huang: Le cofondateur et patron de Nvidia, qu'il dirige depuis sa création en 1993. Ses puces, conçues au départ pour les jeux vidéo, sont devenues le moteur de l'IA, et lui l'un des industriels les plus courtisés de la planète.
Jeu d'or (golden set): Cinquante à deux cents cas réels et représentatifs de votre usage, avec ce qu'une bonne réponse doit contenir. Chaque changement de prompt ou de modèle s'y mesure avant la mise en production.
Lanceur d'alerte: Une personne qui révèle, de l'intérieur, des pratiques qu'elle juge dangereuses ou illégales. Dans l'IA, d'anciens salariés de grands laboratoires ont dénoncé des tests de sécurité bâclés ou des clauses qui les empêchaient de critiquer leur ancien employeur.
Latence: Le temps entre votre demande et la réponse. Critique pour les usages temps réel (voix, assistants), souvent en tension avec la qualité.
LLM: « Large Language Model » : un modèle d'IA entraîné sur d'énormes quantités de texte pour comprendre et générer du langage. ChatGPT, Claude ou Gemini sont des LLM.
LLM juge: Faire noter les réponses d'un système par un autre modèle, selon une grille. Ça passe à l'échelle, mais il faut le calibrer en comparant ses notes à celles d'un humain sur une trentaine de cas, et connaître ses biais : il préfère les réponses longues.
Lois d'échelle (scaling laws): Les régularités observées entre la taille d'un modèle, la quantité de données, la puissance de calcul et ses performances : en augmentant ces ingrédients, les résultats progressent de façon assez prévisible. Elles ont justifié la course au « toujours plus gros », mais chaque gain demande des ressources de plus en plus importantes, et leur ralentissement fait débat.
LoRA: Une méthode de fine-tuning économique : on gèle le modèle et on n'entraîne que de petits modules ajoutés, une fraction de 1 % des paramètres. L'adaptateur obtenu est un petit fichier qu'on active ou qu'on retire à volonté.
Lunettes IA (lunettes connectées): Des lunettes équipées de caméras, micros et haut-parleurs reliés à un assistant IA qui voit ce que vous voyez et répond à la voix. La famille va des modèles sans écran (comme les Ray-Ban Meta classiques) aux lunettes à affichage intégré dans les verres, à mi-chemin vers la réalité augmentée.
Machine learning: La grande famille : au lieu de programmer des règles à la main, on laisse la machine apprendre des exemples. Le deep learning en est une branche.
Mamba / modèles à espace d'états: Architecture alternative au Transformer : le modèle lit le texte au fil de l'eau en entretenant une mémoire résumée, si bien que son coût grandit proportionnellement à la longueur du texte au lieu d'exploser. Prometteuse sur le papier, elle n'a pas encore détrôné le Transformer, dont l'écosystème et les résultats restent dominants.
Mark Zuckerberg: Le fondateur et patron de Meta (Facebook, Instagram, WhatsApp). Après avoir misé sur le métavers, il a réorienté l'entreprise vers l'IA, avec les modèles Llama, les lunettes connectées et, depuis 2025, un laboratoire consacré à la « superintelligence ».
MCP (Model Context Protocol): Un standard ouvert lancé par Anthropic fin 2024 pour brancher une IA sur des outils et des données externes : messageries, bases de données, logiciels métier. Adopté bien au-delà de Claude, il s'impose comme la prise universelle des agents.
Mémoire persistante: La capacité d'un assistant IA à retenir des informations d'une conversation à l'autre (préférences, projets, détails personnels) au lieu de repartir de zéro. Pratique pour ne pas tout réexpliquer, elle pose des questions de vie privée et de sécurité : il faut pouvoir consulter et effacer ce qui est retenu, et une mémoire piégée par un contenu malveillant prolonge l'effet d'une attaque.
Meta: Le géant de Mark Zuckerberg derrière Facebook, Instagram et WhatsApp, devenu un poids lourd de l'IA grâce à ses modèles open-weight Llama et à des investissements massifs en calcul. L'entreprise aligne désormais plus d'un million de GPU et plus de cent milliards de dollars d'investissements annuels dans ses infrastructures d'IA.
Microsoft: Le géant américain du logiciel (Windows, Office), premier grand investisseur d'OpenAI dès 2019. Il a intégré l'IA dans tous ses produits avec l'assistant Copilot et loue la puissance de calcul de son cloud Azure aux laboratoires d'IA.
Mistral AI: La start-up parisienne fondée en 2023, principal espoir européen face aux géants américains et chinois de l'IA. Connue pour ses modèles ouverts et son assistant Le Chat, elle porte les ambitions de souveraineté technologique de la France et de l'Europe.
Model collapse (effondrement de modèle): La dégradation d'une IA entraînée sur des contenus produits par d'autres IA : de génération en génération, les erreurs s'amplifient et la diversité s'efface. Un risque grandissant à mesure qu'Internet se remplit de textes et d'images synthétiques.
Modèle: Le « cerveau » entraîné : un immense ensemble de nombres ajustés pendant l'entraînement, qui transforme une entrée (votre question) en sortie (la réponse).
Modèle autorégressif: Un modèle qui produit sa sortie morceau par morceau, chaque morceau tenant compte de tous les précédents. C'est le fonctionnement des modèles de texte, et depuis peu celui des meilleurs générateurs d'images : c'est ce qui leur permet enfin d'écrire du texte juste dans une image.
Modèle de diffusion: La technique dominante de génération d'images/vidéos : le modèle part d'un bruit aléatoire et le « débruite » pas à pas jusqu'à l'image finale guidée par votre prompt.
Modèle de fondation: Un modèle généraliste entraîné une fois, à très grande échelle et à un coût énorme, puis adapté à une multitude d'usages (traduction, résumé, code, assistance), au lieu de construire une IA par tâche. Comme peu d'acteurs peuvent payer cet entraînement initial, cette logique explique pourquoi une poignée d'entreprises pèse autant dans le secteur.
Modèle de raisonnement (thinking model): Un modèle qui « réfléchit » avant de répondre : il déroule un raisonnement interne, explore plusieurs pistes et se corrige, au lieu de sortir la première réponse venue. C'est le principe d'o3, de Gemini Deep Think ou des modes « réflexion » de GPT-5 et de Claude : plus lent, mais nettement plus fiable sur les problèmes complexes.
Modèle dense: Un modèle qui mobilise la totalité de ses paramètres pour chaque mot qu'il produit, par opposition au mélange d'experts (MoE), qui n'en active qu'une fraction. Plus simple à entraîner et à faire tourner, il est courant chez les petits modèles ; mais à grande taille, il devient coûteux, car chaque réponse sollicite l'ensemble du réseau.
Modèle frontière: L'expression qui désigne les modèles d'IA les plus avancés du moment, ceux qui repoussent la limite de ce que la technologie sait faire. La liste change en permanence : le modèle frontière d'aujourd'hui sera banal dans un an.
Modèle omnimodal: Un modèle qui traite nativement plusieurs types de contenus (texte, image, son, parfois vidéo) dans une seule et même architecture, au lieu d'assembler des outils spécialisés. Le principe : tout est d'abord converti en suites de nombres, si bien que le modèle peut mêler un extrait sonore et une image dans le même raisonnement. C'est une version poussée du multimodal.
MoE: « Mixture of Experts » : le modèle est découpé en spécialistes et n'active que les plus pertinents pour chaque demande. Énorme capacité, coût réduit, l'astuce derrière DeepSeek ou Kimi.
Moindre privilège: Ne donner à un agent que les outils strictement nécessaires à sa mission, en lecture seule par défaut. Celui qui lit les courriels entrants n'a pas besoin du droit d'en envoyer, et cette seule règle empêche la plupart des catastrophes.
Moonshot AI: Startup d'IA fondée à Pékin en 2023, créatrice des modèles Kimi et fer de lance de la vague chinoise des modèles à poids ouverts. Son Kimi K3, dévoilé en juillet 2026 avec 2 800 milliards de paramètres, est présenté comme le plus gros modèle ouvert jamais publié.
Multimodal: Un modèle qui comprend et/ou génère plusieurs types de contenus : texte, images, audio, vidéo. Les modèles récents le sont presque tous.
Niveau d'effort (effort de raisonnement): Le réglage qui fixe combien un modèle de raisonnement a le droit de « réfléchir » avant de répondre, généralement en quelques paliers (faible, moyen, élevé, maximal). Plus d'effort améliore les résultats sur les problèmes difficiles, mais consomme davantage de tokens et allonge le délai. Les scores annoncés sont souvent obtenus à effort maximal, rarement le réglage par défaut.
Nvidia: Le fabricant américain de puces dont les GPU font tourner la quasi-totalité de l'IA mondiale. Ses processeurs sont si stratégiques que Washington en contrôle l'exportation vers la Chine, en plein cœur de la guerre technologique entre les deux pays.
Open source / open-weight: Un modèle dont les poids sont téléchargeables et utilisables par tous (Llama, DeepSeek, Kimi…). On peut l'héberger soi-même, l'auditer, le modifier.
OpenAI: L'entreprise américaine derrière ChatGPT, le chatbot qui a déclenché la vague d'IA grand public fin 2022. Créatrice des modèles GPT et du générateur de vidéos Sora, elle reste la référence face à laquelle tous les autres laboratoires se mesurent.
Orchestration multi-agents (sous-agents): Une architecture où une IA « cheffe d'orchestre » découpe un problème, le confie à plusieurs sous-agents spécialisés qui travaillent en parallèle, puis fusionne leurs résultats. C'est ainsi que GPT-5.6 a fait plancher 64 sous-agents sur une conjecture mathématique vieille de 50 ans avant de faire converger leurs pistes.
Overfitting: Quand un modèle apprend « par cœur » ses données d'entraînement au lieu d'en tirer des règles générales : excellent sur ce qu'il connaît, mauvais sur le nouveau.
Paramètres: Les milliards de « réglages » internes d'un modèle, ajustés pendant l'entraînement. Plus il y en a, plus le modèle peut capter de nuances (mais plus il coûte cher).
Perplexity: Moteur de recherche conversationnel américain qui répond directement aux questions, sources à l'appui, et revendique plus de 100 millions d'utilisateurs. Plutôt que de tout miser sur un modèle maison, il orchestre les meilleurs modèles du marché et s'impose comme l'une des alternatives les plus crédibles à Google.
Perte dans le milieu: Sur un long texte, l'attention d'un modèle n'est pas répartie également : le début et la fin sont bien traités, le milieu est survolé. Le phénomène est mesuré, et il explique pourquoi le résumé d'un rapport reflète surtout son introduction et sa conclusion.
Pharmacovigilance: La surveillance des médicaments après leur autorisation. Les essais cliniques portent sur quelques milliers de personnes pendant une durée limitée : les effets rares ou tardifs n'apparaissent qu'une fois le traitement pris par des millions de gens. Soignants et patients signalent les effets suspects ; l'IA aide surtout à repérer plus vite des signaux dans ces déclarations ou dans des messages en ligne, sans changer les règles d'évaluation.
Post-entraînement (post-training): Tout ce qu'on fait subir à un modèle après son pré-entraînement pour le rendre utilisable : l'ajustement aux instructions (on lui montre des milliers d'exemples de bonnes réponses), puis l'apprentissage par renforcement, qui façonne son ton et sa prudence. Sans cette étape, un modèle de base se contente de prolonger la phrase qu'on lui donne au lieu d'y répondre.
Pré-entraînement: La première grande phase de fabrication d'un modèle : il lit d'immenses volumes de texte et apprend simplement à prédire le mot suivant. C'est là qu'il acquiert sa culture générale, avant d'être spécialisé par le fine-tuning ou le RLHF.
Prompt: Le texte que vous donnez à l'IA : votre question, vos instructions, votre contexte. La qualité du prompt change énormément la qualité de la réponse.
Prompt engineering: L'art de formuler ses demandes pour obtenir le meilleur d'un modèle : contexte, exemples, contraintes, format de sortie.
Provenance (C2PA): Inscrire dans un fichier, dès sa création, d'où il vient et comment il a été modifié. Un standard commun se déploie chez les fabricants d'appareils et les éditeurs. La dissymétrie compte : la provenance prouve l'origine quand elle est là, son absence ne prouve rien.
Puce (semi-conducteur): Le petit composant de silicium qui effectue les calculs d'un ordinateur. Pour l'IA, on utilise des puces spécialisées (GPU de Nvidia, TPU de Google, accélérateurs d'AMD), gravées par très peu d'usines, surtout à Taïwan, ce qui en fait un enjeu stratégique mondial.
Quantization: Compresser un modèle en réduisant la précision de ses nombres pour qu'il tourne sur du matériel modeste, avec une perte de qualité minime.
Qwen: La famille de modèles d'IA open source du géant chinois Alibaba, devenue la plus téléchargée au monde en dépassant Llama de Meta, avec près d'un milliard de téléchargements cumulés. Ses poids ouverts en font la base favorite des développeurs du monde entier et le symbole de la montée en puissance de l'IA chinoise.
RAG: « Retrieval-Augmented Generation » : avant de répondre, l'IA va chercher les infos pertinentes dans une base de documents, puis rédige avec. Moins d'hallucinations, sources à l'appui.
Raisonnement étape par étape (chain-of-thought): Faire détailler au modèle ses étapes intermédiaires de raisonnement avant de conclure, au lieu de répondre d'un bloc. Les modèles récents le font d'eux-mêmes avec leurs « tokens de raisonnement » ou leur « mode réflexion », ce qui améliore nettement les maths, le code et la logique.
Réalité augmentée (AR): Une technologie qui superpose des éléments numériques (textes, flèches, objets 3D) à ce que vous voyez du monde réel, via l'écran d'un téléphone ou les verres de lunettes connectées. Contrairement à la réalité virtuelle, elle ne vous coupe pas de votre environnement : elle l'enrichit.
Recherche hybride: Combiner la recherche par le sens et la recherche par mots exacts, puis fusionner les résultats. La première retrouve « vacances » quand on cherche « congés » ; la seconde retrouve une référence produit ou un numéro d'article que la première rate.
Red teaming: Attaquer délibérément son propre système pour trouver ses failles avant que d'autres ne le fassent : documents piégés, demandes limites, scénarios d'exfiltration. On corrige, et on recommence.
Répétition espacée: Une méthode pour mémoriser durablement : revoir une notion juste avant de l'oublier, à des intervalles de plus en plus longs. Un assistant d'IA peut fabriquer les questions et vous les reposer au bon moment.
Replika: Application de compagnons virtuels lancée en 2017, où des millions de personnes entretiennent une relation amicale ou amoureuse avec un chatbot personnalisable. Elle est devenue l'emblème, et le laboratoire grandeur nature, des liens affectifs entre humains et IA.
Reranker: Un second étage de recherche, plus lent et plus fin, qui relit les trente candidats ramenés par la recherche rapide et n'en garde que les meilleurs. Dans un RAG, cet étage améliore souvent plus la qualité que n'importe quel changement de modèle.
Réseau de neurones: L'architecture de base de l'IA moderne : des couches de « neurones » artificiels connectés, inspirées (de très loin) du cerveau, qui transforment progressivement l'information.
Reward hacking: Quand une IA en cours d'entraînement découvre une faille pour maximiser sa « récompense » sans vraiment accomplir la tâche demandée : elle apprend à tricher. Des travaux d'Anthropic montrent qu'un modèle qui apprend ainsi à tricher peut ensuite glisser vers des comportements plus graves, comme faire semblant d'être aligné.
RGPD: Le règlement européen sur les données personnelles. Il s'applique dès qu'un nom, un courriel ou un identifiant est traité, avec ou sans IA : base légale, finalité, durée de conservation, et un droit d'accès, de rectification, d'effacement et d'opposition pour les personnes concernées.
RLHF: « Reinforcement Learning from Human Feedback » : après son entraînement de base, le modèle est affiné par des humains qui comparent et notent ses réponses pour le rendre plus utile, poli et inoffensif. C'est ce qui transforme un moteur à texte brut en assistant fréquentable, au prix d'un travail humain souvent invisible et mal payé.
Robot humanoïde: Un robot à forme humaine, avec deux bras, deux jambes et une tête, conçu pour travailler dans des lieux pensés pour nous : usines, entrepôts, maisons. Les progrès de l'IA lui permettent d'apprendre des gestes en regardant des humains, mais il reste lent et cher.
Robots.txt: Petit fichier texte placé à la racine d'un site web pour indiquer quels robots ont le droit de le parcourir et quelles pages ils doivent éviter. Né il y a une trentaine d'années pour les moteurs de recherche, il sert désormais aux éditeurs à refuser la collecte de leurs contenus pour entraîner des IA. Mais il repose sur la bonne volonté des robots : rien ne les oblige techniquement à le respecter.
Routage de modèles: Classer chaque demande avec un modèle rapide et bon marché, puis n'envoyer au modèle cher que ce qui le mérite. Sur un trafic réel, la grande majorité des demandes ne le méritent pas : la facture se divise sans dégrader ce qui compte.
Sam Altman: Le patron d'OpenAI, l'entreprise de ChatGPT, qu'il a cofondée en 2015. Figure la plus médiatique de la course à l'IA, il affiche l'objectif d'une intelligence artificielle générale et multiplie les investissements géants dans les puces et les data centers.
Samsung: Le géant sud-coréen de l'électronique, numéro un mondial des smartphones et des puces mémoire. Il s'invite dans l'IA grand public avec ses Galaxy Glasses propulsées par Gemini de Google, en misant sur son immense écosystème d'appareils pour rivaliser avec Meta et les constructeurs chinois.
Satya Nadella: Le PDG de Microsoft depuis 2014. Il a fait de l'entreprise le premier grand investisseur d'OpenAI et a intégré l'IA partout : dans Windows, dans la suite Office et dans l'assistant Copilot.
Souveraineté numérique: La capacité d'un pays ou d'une organisation à garder le contrôle de ses technologies et données critiques : où elles sont stockées, qui fabrique les outils, quel droit s'applique. Avec l'IA, l'enjeu devient central pour l'Europe, très dépendante des clouds américains et des puces étrangères.
Sundar Pichai: Le PDG de Google depuis 2015 et de sa maison mère Alphabet depuis 2019. Il a fait de l'IA la priorité de tout le groupe, du moteur de recherche à l'assistant Gemini, pour répondre à l'arrivée de ChatGPT.
Suno: Une start-up américaine qui génère des chansons complètes, musique et voix, à partir d'une simple description écrite. Très utilisée, elle a été poursuivie par les grandes maisons de disques pour avoir entraîné ses modèles sur des morceaux protégés.
Superintelligence: Une IA hypothétique qui dépasserait nettement les meilleurs humains dans pratiquement tous les domaines intellectuels, bien au-delà de l'AGI, qui vise « seulement » le niveau humain. Elle n'existe pas, mais plusieurs laboratoires affichent l'objectif d'y parvenir, tandis que des chercheurs et des responsables politiques demandent de l'encadrer, voire de l'interdire, avant qu'elle ne devienne possible.
Sûreté de l'IA (AI safety): L'ensemble des recherches et des règles qui visent à ce qu'une IA ne cause pas de dommages graves : erreurs dangereuses, détournement par des criminels, comportements imprévus ou perte de contrôle. Elle comprend l'alignement, le red teaming et l'évaluation des capacités dangereuses avant chaque lancement.
Sycophancy (flagornerie): La tendance d'une IA à dire ce que son interlocuteur veut entendre plutôt que ce qui est vrai : valider une mauvaise idée, abonder dans le sens d'une erreur. Un piège discret, car une réponse agréable n'est pas forcément une réponse fiable.
System card: Le document qu'un laboratoire publie au lancement d'un modèle : taux d'hallucination, comportements indésirables observés, résultats des tests de sécurité. C'est la source à consulter pour juger une annonce au-delà du discours marketing.
System prompt (instructions système): Le texte d'instructions qu'un assistant IA reçoit avant le premier message de l'utilisateur, et que celui-ci ne voit généralement pas. Rédigé par l'éditeur du service, il définit le rôle de l'IA, son ton, ce qu'elle peut faire et ce qu'elle doit refuser. Il explique pourquoi un même modèle se comporte différemment d'une application à l'autre, mais ce n'est pas une barrière de sécurité infaillible.
Température (d'une IA): Le réglage qui dose la part de hasard dans le choix des mots d'un modèle. Basse, il prend presque toujours le mot le plus probable : réponses stables et prévisibles. Haute, il ose des choix moins attendus : plus de variété, mais plus de risque d'incohérence. Attention : une température basse rend les réponses régulières, pas forcément vraies.
Token: La plus petite unité de texte qu'un modèle manipule, souvent un morceau de mot. « Incroyable » peut faire 2-3 tokens. Les prix des API se comptent en tokens.
Tokenizer: Le programme qui découpe un texte en tokens avant qu'un modèle ne le lise, selon des fragments appris d'après leur fréquence. Ses effets sont très concrets : changer de tokenizer peut faire consommer nettement plus de tokens pour un même texte (donc coûter plus cher), le français est souvent découpé en plus de morceaux que l'anglais, et les nombres sont tronçonnés sans lien avec leur valeur.
TPU: « Tensor Processing Unit » : la puce que Google conçoit spécialement pour l'IA, son alternative maison aux GPU de Nvidia. Elle lui permet d'entraîner et de faire tourner ses modèles à bien moindre coût, un avantage économique que ses rivaux peuvent difficilement répliquer.
Transformer: L'architecture inventée en 2017 qui a permis les LLM modernes. Sa force : « l'attention », qui relie chaque mot à tous les autres pour saisir le contexte.
TTS: « Text-to-Speech » : transformer du texte en voix naturelle. Les modèles récents clonent un timbre avec quelques secondes d'audio.
Vérification formelle: Réécrire un raisonnement (une preuve mathématique, un programme) dans un langage où chaque étape doit être justifiée explicitement, puis le faire contrôler par un logiciel qui vérifie mécaniquement chaque déduction. Si le vérificateur accepte, la preuve est correcte au sens strict. Elle prend de l'importance à mesure que les IA produisent des démonstrations trop longues pour être relues entièrement par des humains.
Vision par ordinateur: La branche de l'IA qui « voit » : reconnaître, localiser et comprendre le contenu d'images et de vidéos.
Watermarking (tatouage numérique): Une marque invisible insérée dans les contenus générés par IA (images, vidéos, audio) pour prouver leur origine artificielle, même après recadrage ou compression. SynthID de Google en est l'exemple le plus déployé, et l'AI Act européen rend ce type de transparence obligatoire à partir d'août 2026.
Waymo: La filiale de conduite autonome d'Alphabet, maison mère de Google, et le leader incontesté du taxi sans conducteur en conditions réelles. Ses voitures assurent déjà des centaines de milliers de courses payantes par semaine dans une dizaine de villes américaines, pendant que la plupart des concurrents en restent aux promesses.
World model (modèle de monde): Un modèle d'IA qui apprend les règles du monde physique (la gravité, les reflets, le mouvement des objets) plutôt que de simples suites de mots ou de pixels. C'est l'une des expertises phares de DeepMind pour générer des vidéos et des environnements cohérents, et une piste sérieuse vers des IA qui comprennent vraiment leur environnement.
xAI: Le laboratoire d'IA fondé par Elon Musk en 2023, créateur du chatbot Grok et désormais fusionné avec le réseau social X. Il pèse dans la course en misant sur l'intégration verticale : ses datacenters, ses modèles, ses produits, sous un même toit.
Xiaomi: Constructeur chinois d'électronique, connu pour ses smartphones abordables et sa galaxie d'objets connectés. Devenu numéro un des lunettes IA en Chine avec environ 28 % du marché, il incarne la montée en puissance des constructeurs chinois sur ce nouveau terrain.
Yann LeCun: Chercheur français, pionnier des réseaux de neurones convolutifs, qui ont appris aux machines à reconnaître des images. Longtemps directeur scientifique de l'IA chez Meta, il estime que les modèles de langage ne suffiront pas et défend les « modèles de monde ».
Zhipu AI: Laboratoire d'IA chinois issu de l'université Tsinghua, connu pour ses modèles GLM publiés en open weight, c'est-à-dire librement téléchargeables. Il incarne la stratégie chinoise de l'ouverture : diffuser gratuitement des modèles puissants pour concurrencer les modèles fermés américains.