Glossaire IA et automatisation pour TPE - V2 : 9 termes plus techniques expliqués clairement
Un glossaire clair pour comprendre 9 termes techniques liés à l’IA et à l’automatisation en TPE : token, RAG, LLM, hallucination, scraping, parsing et plus encore.
Glossaire IA et automatisation pour TPE - V2 : 9 termes plus techniques expliqués clairement
Dans le premier glossaire, on a posé les bases : IA, automatisation, prompt, workflow, API, agent IA...
Cette deuxième partie va un cran plus loin.
Tu vas retrouver ici des mots qu'on croise souvent dès qu'on commence à parler d'outils, de coûts, d'automatisation ou de projets un peu plus poussés : token, RAG, LLM, hallucination, scraping, parsing...
Le but n'est pas de te transformer en technicien.
Le but, c'est surtout d'éviter ce moment pénible où tu lis un article, une démo, un devis ou une présentation, et où tu décroches parce qu'on a basculé dans un vocabulaire trop opaque.
Comme dans la première partie, chaque terme est expliqué avec :
- une définition claire,
- à quoi ça sert concrètement,
- un exemple terrain,
- et ce qu'il ne faut pas imaginer derrière ce mot.
Sommaire
- 1. Token
- 2. RAG
- 3. LLM
- 4. Hallucination
- 5. No-code
- 6. Scraping
- 7. Parsing
- 8. Déclencheur
- 9. Connecteur
1. Token
Définition. Un token est une petite unité de texte utilisée par les modèles d'IA pour compter ce qu'ils lisent et ce qu'ils produisent.
Concrètement. Quand tu utilises une IA, elle ne raisonne pas en "mots" comme nous. Elle découpe le texte en morceaux plus petits. C'est souvent avec ces morceaux que l'outil calcule sa consommation, sa limite de traitement ou son coût.
Exemple terrain. Si tu envoies à une IA un long fil d'emails, plusieurs consignes et un gros document, tu consommes plus de tokens que si tu lui donnes juste une demande courte et bien cadrée.
Ce qu'il ne faut pas imaginer. Un token n'est pas une ligne de code, ni un bouton caché, ni quelque chose que tu dois manipuler tous les jours. C'est surtout une façon technique de mesurer la quantité de texte traitée par l'IA.
2. RAG
Définition. RAG signifie en gros : faire répondre l'IA à partir de tes propres contenus, au lieu de la laisser répondre seulement avec ses connaissances générales.
Concrètement. Plutôt que de demander à l'IA de répondre "de mémoire", on lui donne accès à une base de documents, de fiches, de procédures ou de contenus internes. Elle va alors s'appuyer dessus pour produire sa réponse.
Exemple terrain. Tu veux qu'une IA réponde à partir de tes modèles de devis, de tes conditions, de tes procédures ou de tes réponses habituelles. Le RAG sert justement à faire remonter les bons contenus avant de générer la réponse.
Ce qu'il ne faut pas imaginer. Le RAG n'est pas une solution magique qui transforme n'importe quel dossier mal rangé en assistant fiable. Si les documents sont flous, contradictoires ou mal organisés, les réponses resteront fragiles.
3. LLM
Définition. Un LLM est un grand modèle de langage. C'est le moteur qui permet à une IA de comprendre une consigne et de produire du texte.
Concrètement. Quand tu utilises ChatGPT, Claude ou d'autres outils du même genre, tu utilises en réalité un LLM. C'est lui qui lit ta demande, repère des schémas dans le langage et construit une réponse.
Exemple terrain. Tu demandes une reformulation d'email, un résumé de réunion ou un brouillon de réponse client. Ce n'est pas "l'application" en elle-même qui écrit. C'est le modèle de langage derrière.
Ce qu'il ne faut pas imaginer. Un LLM ne comprend pas ton métier comme un collègue expérimenté. Il prédit une réponse plausible à partir de ce qu'il a appris et de ce que tu lui donnes. Il peut être très utile, mais il a besoin d'un cadre.
4. Hallucination
Définition. Une hallucination, c'est quand une IA affirme quelque chose de faux avec assurance.
Concrètement. L'outil peut inventer un détail, mélanger deux informations, attribuer une source inexistante, ou répondre de manière crédible tout en se trompant sur le fond.
Exemple terrain. Tu demandes à l'IA de résumer un dossier ou de préparer une réponse à partir d'un échange incomplet. Si elle manque d'information, elle peut combler les trous avec quelque chose qui "sonne juste", mais qui est inexact.
Ce qu'il ne faut pas imaginer. Une hallucination n'est pas un bug rare réservé aux cas extrêmes. C'est un risque normal dès qu'on fait confiance trop vite à une réponse non vérifiée. C'est justement pour ça que la validation humaine reste importante sur les points sensibles.
5. No-code
Définition. Le no-code désigne des outils qui permettent de créer des systèmes, des automatisations ou des interfaces sans écrire de code classique.
Concrètement. Au lieu de programmer ligne par ligne, on assemble des blocs, des conditions, des champs et des connexions entre outils. Cela permet d'aller plus vite sur beaucoup de besoins métier.
Exemple terrain. Créer un formulaire qui alimente un tableau, déclenche une notification et prépare une relance peut souvent se faire en no-code, sans passer par un développement complet.
Ce qu'il ne faut pas imaginer. No-code ne veut pas dire "sans réflexion" ni "à la portée de tout le monde sans accompagnement". On n'écrit pas du code, mais il faut quand même penser logique, fiabilité, tests et cas particuliers.
6. Scraping
Définition. Le scraping consiste à récupérer automatiquement des informations depuis une page web.
Concrètement. Au lieu de copier à la main un nom, un email, un téléphone, une adresse ou une description, un système peut aller lire la page et extraire les informations ciblées.
Exemple terrain. Si tu veux analyser des sites prospects, relever des informations publiques ou récupérer des données visibles sur une fiche en ligne, il peut y avoir du scraping derrière.
Ce qu'il ne faut pas imaginer. Le scraping n'est pas forcément illégal ou douteux, mais il doit être cadré. Tout dépend de la source, des conditions d'utilisation, du volume et de l'usage derrière. Ce n'est pas juste "on prend tout ce qu'on veut sur internet".
7. Parsing
Définition. Le parsing consiste à découper, lire et ranger une information brute pour en extraire ce qui est utile.
Concrètement. Quand une donnée arrive sous une forme peu exploitable, le parsing sert à la remettre en ordre. Par exemple : isoler un nom, une date, un montant, une référence ou une adresse email dans un bloc de texte.
Exemple terrain. Tu reçois un email avec plusieurs infos mélangées dans le même message. Le parsing peut aider à repérer automatiquement le nom du client, la date demandée, le numéro de téléphone ou le type de besoin.
Ce qu'il ne faut pas imaginer. Le parsing n'est pas forcément "intelligent". Souvent, c'est juste une façon de structurer correctement une donnée pour la rendre exploitable ensuite dans un tableau, un workflow ou une automatisation.
8. Déclencheur
Définition. Un déclencheur, c'est l'événement qui lance une automatisation.
Concrètement. Une automatisation ne démarre pas toute seule "au hasard". Il faut quelque chose qui la mette en route : un email reçu, un formulaire rempli, une nouvelle ligne créée, une date atteinte, un fichier déposé, un statut modifié.
Exemple terrain. Nouveau devis envoyé dans ton tableau : ce changement peut servir de déclencheur pour démarrer une séquence de suivi ou préparer une relance quelques jours plus tard.
Ce qu'il ne faut pas imaginer. Le déclencheur n'est pas tout le workflow. C'est juste le point de départ. Ensuite viennent les vérifications, les conditions, les actions, les exceptions et les sécurités.
9. Connecteur
Définition. Un connecteur est le pont entre un outil et un autre, ou entre un outil et une plateforme d'automatisation.
Concrètement. C'est lui qui permet à un système de récupérer ou d'envoyer des données vers Gmail, Google Drive, Notion, Airtable, Google Sheets, un agenda ou d'autres services.
Exemple terrain. Si ton automatisation doit lire les emails Gmail, ranger un fichier dans Drive puis mettre à jour un tableau, elle s'appuie sur plusieurs connecteurs pour parler à chaque outil.
Ce qu'il ne faut pas imaginer. Un connecteur ne garantit pas à lui seul qu'un projet sera fiable. Il permet la connexion, mais il faut encore vérifier les droits d'accès, les limites, les cas d'erreur et ce qui se passe si un maillon tombe.
Ce qu'il faut retenir
Ces 9 mots sont plus techniques que ceux du premier glossaire.
Mais derrière eux, on retrouve toujours les mêmes enjeux très concrets :
- comprendre comment l'IA produit une réponse,
- comprendre comment une automatisation se déclenche,
- comprendre comment les données circulent,
- et comprendre où les erreurs peuvent apparaître.
Autrement dit : ce vocabulaire devient utile quand on commence à aller un peu plus loin qu'un simple test de ChatGPT ou qu'une petite automatisation isolée.
Mais là encore, le plus important n'est pas de parler "tech".
Le plus important, c'est de savoir ce que tu veux obtenir, où ça bloque aujourd'hui, et ce qui mérite vraiment d'être fiabilisé.
