Comprendre l’IA et maîtriser son jargon

Vue de très haut, l’IA ressemble à une invention de 2022. Elle a pourtant soixante-dix ans, deux hivers derrière elle et une famille nombreuse. Commençons par remettre chaque mot à sa place.

En anglais : artificial intelligence, AI.

Le mot naît en 1955, dans une demande de financement. John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon proposent d’organiser l’été suivant, au Dartmouth College, un atelier sur l’« intelligence artificielle ». Leur pari : chaque aspect de l’intelligence peut, en principe, être décrit assez précisément pour qu’une machine le simule. L’atelier a lieu en 1956. Le nom est resté ; la définition, elle, n’a jamais vraiment été tranchée.

• Reconnaître un visage
• Traduire une phrase
• Jouer aux échecs
• Résumer un contrat

C’est aussi la plus modeste. Et elle a une propriété amusante : elle recule à mesure qu’on avance. On appelle parfois ce phénomène l’« effet IA » : dès qu’une machine sait faire quelque chose, on cesse de trouver ça intelligent.

IA symbolique, systèmes experts ; apprentissage automatique, machine learning.

Pendant des décennies, deux écoles se sont disputé le terrain. Leur désaccord tient en une question : pour apprendre à une machine à reconnaître un chat, faut-il le lui décrire, ou le lui montrer ?

L’immersion a gagné, et de loin : presque tout ce qu’on appelle IA aujourd’hui apprend à partir d’exemples.

Soixante-dix ans, deux hivers

L’histoire de l’IA n’est pas une ligne droite. C’est une suite de saisons : des printemps d’enthousiasme, où l’on promet la lune, suivis d’hivers où les financements gèlent, parce que la lune n’est pas venue.

Quelques repères, pour fixer les idées.

1. 1950
   Le jeu de l’imitation

   Alan Turing pose la question : si une machine converse sans qu’on puisse la distinguer d’un humain, a-t-on encore le droit de dire qu’elle ne pense pas ?

2. 1958
   Le perceptron fait la une

   L’ancêtre des réseaux de neurones actuels, signé Frank Rosenblatt. Le New York Times rapporte que la marine américaine en attend, à terme, une machine capable de marcher, parler, voir, écrire, et d’avoir conscience d’elle-même. Les prophéties ne datent pas d’hier.

3. 1966
   ELIZA, et l’effet du même nom

   Au MIT, Joseph Weizenbaum écrit un programme qui imite un psychothérapeute en reformulant les phrases de son interlocuteur. Le procédé est rudimentaire, mais des utilisateurs lui prêtent une vraie compréhension ; Weizenbaum raconte que sa propre secrétaire lui demanda un jour de quitter la pièce pour converser seule avec le programme. On parle depuis d’effet ELIZA : notre tendance à prêter une pensée à tout ce qui parle bien. Gardez-le en tête, il nous resservira.

4. 1974
   Le premier hiver

   Les promesses ne sont pas tenues, les financements gèlent.

5. 1980
   Le printemps des systèmes experts

   Des milliers de règles écrites à la main relancent la machine.

6. 1987
   Le second hiver

   On découvre qu’entretenir des milliers de règles coûte une fortune et casse au premier cas imprévu. Puis la puissance de calcul et les données du Web changent la donne.

7. 2012
   AlexNet

   Un réseau de neurones écrase la concurrence au concours de reconnaissance d’images ImageNet : c’est le coup d’envoi de l’apprentissage profond.

8. 2016
   AlphaGo

   La machine bat le champion Lee Sedol au jeu de go, réputé imprenable.

9. 2017
   Le Transformer

   Une équipe de Google publie Attention Is All You Need, qui décrit une nouvelle architecture de réseau. Retenez ce nom, c’est le T de ChatGPT.

10. 2022
    ChatGPT

    Il sort le 30 novembre et aurait atteint 100 millions d’utilisateurs en deux mois environ, selon une estimation de la banque UBS : du jamais-vu pour une application grand public.

11. 2024
    Un prix Nobel

    Le prix Nobel de physique récompense John Hopfield et Geoffrey Hinton pour leurs travaux fondateurs sur les réseaux de neurones. La suite, vous la vivez.

IA, machine learning, deep learning, IA générative, LLM.

Voici la première confusion à dissiper. On emploie IA, machine learning, deep learning, IA générative et LLM comme des synonymes.

Ce ne sont pas des synonymes, ce sont des poupées russes : chaque terme désigne un cas particulier du précédent.

Ouvrons les poupées une à une, de l’extérieur vers le cœur.

Le moteur et la voiture ; et l’API, le moteur livré seul.

Deuxième confusion, sans doute la plus répandue : le modèle et le produit.

GPT est une famille de modèles ; ChatGPT est un produit.

Claude est un modèle, et aussi le nom de l’application qui le met à disposition. Gemini, pareil. Les éditeurs entretiennent eux-mêmes la confusion, mais la distinction est simple.

Même couleur, même famille : ChatGPT roule avec un moteur GPT, Le Chat avec un moteur Mistral, Meta AI avec Llama. En gris, pas de correspondance simple.

Cette distinction a des conséquences très concrètes. Deux produits peuvent utiliser le même moteur et donner des résultats très différents, parce que la carrosserie compte : les consignes cachées, les outils branchés, la mémoire.

On retrouvera cette carrosserie en partie 4, sous un autre nom.

IAG, ou AGI pour artificial general intelligence ; parfois « superintelligence » pour l’étape d’après.

Reste un mot qui flotte au-dessus de la carte, comme un nuage : l’IA générale.

Il n’en existe aucune définition partagée, ce qui permet à chacun d’annoncer qu’on s’en approche. Je la range donc parmi les horizons, comme le mot « IA » en 1956 : utile pour s’orienter, pas pour planifier un budget.

On descend à 1 000 km. D’ici, on ne voit plus qu’un pays : le LLM. Pas besoin de mathématiques pour le visiter, seulement de quelques images justes. À la fin de cette partie, vous saurez ce que sont un paramètre, un token, une température et une hallucination, et pourquoi ce sont quatre facettes d’une même idée.

On dit aussi pré-entraînement, pre-training.

Tout commence par une lecture. Une très longue lecture. On donne au futur modèle une part énorme de ce que l’humanité a écrit et qui est accessible : des pages web, des livres, des articles scientifiques, du code, des forums.

Et l’exercice ? Un seul, répété des milliers de milliards de fois : deviner la suite.

On cache le mot suivant d’un texte, le modèle propose, on lui montre la bonne réponse, il se corrige un peu. C’est un texte à trous géant :

• « Le petit chat boit dulait
• « La capitale de l’Italie estRome
• def addition(a, b): returna + b

Ce qui est vertigineux, c’est ce que cet exercice d’apparence idiote finit par produire. Pour deviner correctement la suite de millions de textes différents, mémoriser ne suffit pas : il faut capter la grammaire, les faits, les raisonnements typiques, les styles, les langues, la structure du code. Personne n’a programmé ces connaissances. Elles se sont déposées, comme des sédiments, à force de deviner.

Cette lecture coûte cher. C’est pour cette raison qu’une poignée d’entreprises seulement entraînent les modèles les plus avancés.

On dit aussi les poids, weights.

Revenons à notre table de mixage. Chaque fois que le modèle se trompe sur la suite d’un texte, l’entraînement tourne légèrement des milliards de boutons pour qu’il se trompe un peu moins la fois suivante.

Un point capital, souvent mal compris :

C’est pour ça qu’un LLM n’est pas un moteur de recherche.

La différence paraît subtile ; elle explique presque tous ses défauts, comme on va le voir.

En français, on dit parfois « jeton » ; mais c’est « token » qui s’est imposé.

Le modèle ne lit ni des lettres ni des mots.

Ces morceaux sont fixés une fois pour toutes, avant l’entraînement. Les mots courants tiennent en un token ; les mots rares sont découpés en plusieurs.

Pourquoi s’en soucier ? Parce que le token est trois choses à la fois :

On dit aussi génération, ou inférence (on y revient plus bas).

Nous avons maintenant toutes les pièces. Quand vous posez une question à un LLM, voici ce qui se passe réellement :

1. Le modèle lit votre texte.

2. Il calcule, pour chacun des tokens de son vocabulaire, la probabilité qu’il vienne juste après.

3. Il en choisit un, et l’ajoute au texte.

4. Il recommence. Token après token, jusqu’à décider que la réponse est finie.

C’est pour ça que les réponses s’affichent mot à mot, comme si quelqu’un tapait : ce n’est pas un effet de style, c’est la façon dont elles sont fabriquées.

Le modèle n’a pas rédigé sa réponse à l’avance : il la produit au fil de l’écriture.

Et ses cousins top-p et top-k : les réglages du tirage au sort.

À chaque token, le modèle n’impose pas un choix : il propose un classement, avec des probabilités. Reste à tirer au sort dans ce classement.

Essayez :

C’est aussi pour ça que la même question, posée deux fois, ne donne pas deux fois la même réponse. Ce n’est pas un défaut, c’est le tirage. Dans les applications grand public, ce réglage est fixé pour vous ; dans les API, c’est un paramètre parmi d’autres.

On dit aussi confabulation ; en clair, une invention présentée comme un fait.

Si vous avez suivi, vous avez déjà compris l’hallucination.

La plupart du temps, les deux coïncident, parce que la vérité est ce qu’on trouve le plus souvent dans les textes. Mais quand le modèle ne « sait » pas, il ne se tait pas : il produit quand même une suite plausible. Un nom d’auteur crédible, une date vraisemblable, une référence bien formatée, et parfaitement inventée.

Deux histoires, pour mesurer les conséquences :

Trois façons de la réduire :

• Donner au modèle ses sources, plutôt que de compter sur sa mémoire (partie 3)
• Lui demander de citer
• Vérifier ce qui compte

Réglage par instructions, RLHF (apprentissage par renforcement à partir de retours humains), alignement.

Un modèle qui sort du pré-entraînement est un drôle d’animal. Il sait continuer n’importe quel texte, mais il ne sait pas converser.

Cette éducation se fait dans un second temps, en deux gestes :

1. On lui montre des milliers d’exemples de bonnes réponses à des demandes.

2. Des personnes comparent ses réponses et indiquent leurs préférences : celle-ci est plus utile, celle-là plus honnête, cette autre dangereuse. C’est le RLHF, popularisé par OpenAI en 2022 avec InstructGPT, le précurseur direct de ChatGPT.

On parle plus largement d’alignement : rendre le modèle utile, honnête et sans danger, selon des règles choisies par son éditeur.

C’est ici que naît la « personnalité » d’un assistant : sa politesse, sa prudence, ses refus, sa manière de structurer une réponse.

Deux modèles entraînés sur des textes semblables peuvent avoir des caractères très différents, parce qu’ils n’ont pas reçu la même éducation.

En anglais : knowledge cutoff, ou training cutoff.

Conséquence directe de ce qui précède :

Ce qui s’est passé ensuite, il l’ignore, à moins qu’on le lui apporte.

Le moment où l’on utilise le modèle, par opposition à celui où on l’entraîne.

On distingue deux moments dans la vie d’un modèle :

Ce vocabulaire compte parce qu’une part croissante de la facture, et de la consommation d’énergie, se joue à l’inférence : des centaines de millions de personnes posent des questions chaque jour, et chaque réponse a un coût en calcul. C’est invisible dans une application gratuite ; c’est très visible sur une facture d’API.

Reasoning models, modèles « qui réfléchissent », thinking.

Fin 2024, une nouvelle famille apparaît.

1. 2024
   o1

   En septembre, OpenAI présente son premier modèle de raisonnement.

2. 2025
   DeepSeek R1

   En janvier, l’entreprise chinoise DeepSeek publie un modèle aux performances comparables, en accès libre.

Leur particularité : avant de répondre, ils produisent une longue suite de tokens de réflexion, un brouillon. Puis ils rédigent la réponse finale.

• Décomposer le problème
• Essayer une piste
• La vérifier
• Se corriger

Rien de magique : c’est toujours de la prédiction de tokens. Mais ces modèles ont été entraînés à utiliser ce brouillon de façon productive.

Quant à savoir si ces modèles « réfléchissent » vraiment, le mot est commode, et le débat sur ce qu’il recouvre reste ouvert.

Texte, image, son, vidéo : plusieurs « modalités ».

Les premiers LLM ne lisaient et n’écrivaient que du texte. Les modèles actuels sont pour la plupart multimodaux : ils acceptent bien d’autres choses, et certains produisent aussi des images ou de la voix.

• Images
• PDF
• Captures d’écran
• Audio
• Parfois, de la vidéo

Modèles fermés, modèles à poids ouverts (open weights), petits modèles, modèles locaux.

Dernier repère avant de quitter ce pays : tous les modèles ne se distribuent pas de la même façon.

Quant aux noms précis et aux numéros de version, je ne les donne volontairement pas : chaque éditeur en publie un nouveau tous les quelques mois, et le classement des meilleurs modèles change presque aussi souvent. Retenez les familles et les éditeurs ; les versions, l’actualité s’en chargera.

Ce dernier trait mérite qu’on s’y arrête, parce qu’il est rarement dit clairement. Le modèle ne retient rien de vos échanges : il ne s’entraîne pas en vous parlant. Si votre assistant semble se souvenir de vous, c’est l’application qui lui glisse des notes, comme on le verra bientôt.

À 10 km d’altitude, on commence à distinguer les rues. C’est ici que se joue l’usage quotidien : ce qu’on dit au modèle, ce qu’on lui montre, ce qu’on lui fait lire. Une bonne partie de l’écart entre un résultat médiocre et un résultat bluffant se décide dans ces rues-là.

On dit parfois requête, consigne ou instruction. Le mot vient du théâtre anglais, où le prompter, le souffleur, murmure la réplique oubliée.

C’est le mot le plus connu du jargon, et pourtant le plus sous-estimé.

Si le modèle est un collaborateur sans mémoire, le prompt est le seul brief qu’il recevra jamais.

Il ne connaît ni votre entreprise, ni votre projet, ni vos goûts, ni ce que vous avez en tête sans l’avoir écrit.

Le second prompt (dont l’entreprise est inventée pour l’exemple) n’a rien de magique. Il contient ce qu’on donnerait à un rédacteur indépendant qui découvre l’entreprise : le contexte, le public, le ton, les contraintes, le format, un exemple. Les ingrédients d’un bon prompt sont ceux d’un bon brief, et ce n’est pas un hasard.

L’historique, les échanges successifs, multi-turn.

Mais alors, si le modèle ne se souvient de rien, comment sait-il ce que je lui ai dit trois messages plus tôt ? Il ne le sait pas.

À chaque nouveau message, l’application lui renvoie toute la conversation depuis le début : vos messages, ses réponses, puis votre nouvelle demande.

Le modèle relit tout, à chaque fois, et prédit la suite.

Deux conséquences pratiques :

Le contexte, context window.

C’est sans doute la notion la plus importante de cet article, parce qu’une grande partie du jargon qui suit en découle. La meilleure image, c’est un bureau :

Et le bureau a une taille limitée. Le mot « fenêtre » le dit d’ailleurs très bien : ce qui est dans le cadre est vu, le reste non.

La taille de ce bureau a explosé :

Mais un grand bureau n’est pas un bureau bien rangé.

Instructions système, system prompt ; et ses variantes grand public : instructions personnalisées, projets, assistants sur mesure.

Sur ce bureau, il y a un document que vous ne voyez généralement pas.

Rôle, ton, règles, limites. Par exemple :

Les assistants grand public ont tous le leur, souvent long de plusieurs pages. Et vous pouvez écrire le vôtre : ce que proposent les applications sous ces noms, ce sont des prompts système que vous rédigez une fois, et qui s’appliquent ensuite à toutes les conversations concernées.

• Instructions personnalisées
• Projets
• Assistants sur mesure

Mémoire à long terme, personnalisation.

Comment, dans ce cas, certains assistants se souviennent-ils de votre prénom, de votre métier ou de vos préférences d’une conversation à l’autre ? Par un tour de passe-passe honnête : l’application note des informations au fil de vos échanges (ou vous laisse les noter), puis les pose sur le bureau au début de chaque nouvelle conversation.

Le modèle ne se souvient pas ; on lui fait relire ses notes.

Il faut donc distinguer deux mémoires :

Prompt engineering ; zero-shot, few-shot, chaîne de pensée, sorties structurées.

Autour du prompt s’est développé, dès 2022, un petit artisanat, avec son jargon. Il tient en quatre gestes, qui sont, encore une fois, ceux d’un bon brief.

Les formules magiques d’hier ont perdu l’essentiel de leur intérêt. La clarté, elle, n’a rien perdu du sien.

En français : ingénierie du contexte.

À l’été 2025, un nouveau mot s’impose, popularisé notamment par Tobi Lütke, le patron de Shopify, puis par Andrej Karpathy : le context engineering. La vraie compétence n’est pas de trouver la formule magique :

Le changement de mot dit quelque chose de l’époque :

Reste une question pratique : et si l’information dont le modèle a besoin n’est pas dans sa mémoire, mais dans vos documents ? Il faut aller la chercher. Et pour ça, il faut d’abord apprendre à la machine à chercher par le sens.

Plongements, vecteurs ; d’où la recherche sémantique et les bases vectorielles.

Sur cette carte, les textes qui veulent dire la même chose sont voisins, même s’ils n’ont aucun mot en commun. « Chat » vit près de « chaton » et de « félin », loin de « facture ». La vraie carte compte des centaines de dimensions au lieu de deux, ce qui la rend impossible à dessiner, mais le principe est exactement celui-là.

Chercher par le sens devient alors une affaire de géographie : on calcule les coordonnées de la question, puis on cherche les documents les plus proches. C’est la recherche sémantique. Les bases de données spécialisées qui stockent ces coordonnées pour les retrouver vite s’appellent des bases vectorielles.

Retrieval-Augmented Generation : génération augmentée par la recherche documentaire.

On a maintenant tout ce qu’il faut pour comprendre l’un des acronymes les plus prononcés en entreprise. Le RAG, décrit en 2020 par des chercheurs de Facebook AI Research, combine les deux mondes.

Imaginez un assistant RH interne.

Et rien à réentraîner quand un document change : il suffit de mettre la base à jour. Le RAG a pourtant ses limites, souvent sous-estimées :

Quand un projet de RAG déçoit, le coupable est rarement le modèle : ce sont le plus souvent les documents, ou la façon de les chercher.

Affinage, ajustement : un réentraînement spécialisé.

Dernière façon d’adapter un modèle : modifier le modèle lui-même.

• Répondre toujours selon la structure de vos rapports
• Classer des tickets selon vos catégories
• Parler le jargon de votre métier

Le fine-tuning change la manière, pas le savoir.

L’ordre recommandé est presque toujours le même :

1. D’abord, un bon prompt.

2. Ensuite, du RAG, si le modèle manque d’informations.

3. Le fine-tuning en dernier recours, quand les deux premiers ont montré leurs limites.

On rase les toits. C’est le quartier le plus récent de la carte, celui qui bouge le plus vite et qui fabrique le plus de mots nouveaux : outils, agents, agentique, MCP, skills, sous-agents. Bonne nouvelle : si vous avez suivi jusqu’ici, vous avez déjà toutes les clés. Tout ce quartier est bâti sur deux idées déjà vues : la prédiction de texte et le bureau.

Tools, function calling (appel de fonctions), tool use.

Point de départ : un modèle ne peut que produire du texte. Il ne peut pas cliquer, ni calculer de façon fiable, ni lire le Web.

L’astuce, généralisée en 2023, est d’une simplicité désarmante :

1. On pose sur le bureau une liste d’outils disponibles, avec une notice pour chacun : « meteo(ville, jour) donne la météo prévue ».

2. Quand le modèle juge qu’un outil l’aiderait, au lieu d’écrire sa réponse, il écrit une demande d’utilisation, dans un format convenu.

3. Le programme qui l’entoure exécute l’outil pour de vrai, puis pose le résultat sur le bureau.

4. Le modèle reprend alors la main, avec cette information en plus.

// 1. Sur le bureau : la demande, et la notice des outils disponibles
Utilisateur : Faut-il un parapluie à Lyon demain ?
Outils      : meteo(ville, jour)

// 2. Le modèle ne répond pas encore : il demande un outil
→ meteo({ "ville": "Lyon", "jour": "demain" })

// 3. Le programme exécute l’outil et pose le résultat sur le bureau
← { "ciel": "averses", "pluie": "80 %", "max": "14 °C" }

// 4. Le modèle rédige enfin sa réponse
Oui : des averses sont prévues demain à Lyon (80 % de risque). Prenez un parapluie.

Avec ce mécanisme, on peut tout brancher :

• Une recherche web (adieu la date de coupure)
• Un interpréteur de code (adieu les erreurs de calcul)
• Votre agenda
• Votre CRM
• Votre base de données
• L’envoi d’un e-mail

Le modèle ne fait toujours qu’écrire du texte ; c’est le programme autour qui agit.

Cette séparation est essentielle : c’est précisément là qu’on place les autorisations, on y reviendra.

Agent IA, AI agent ; et la boucle agentique.

Maintenant, laissons le modèle utiliser des outils non pas une fois, mais en boucle, autant qu’il le juge nécessaire, pour atteindre un objectif. Il regarde où il en est, choisit une action, l’exécute via un outil, observe le résultat, et recommence, jusqu’à estimer que la mission est accomplie. C’est un agent.

La différence avec un assistant classique tient en un mot :

J’en parlais dans mon précédent article : travailler avec des agents, c’est encadrer une équipe de stagiaires très rapides, très cultivés, infatigables, et parfaitement capables de faire une bêtise avec aplomb.

Plus ils ont d’autonomie, plus le cadre compte.

IA agentique, agentic AI ; à distinguer des workflows.

« Agentique » est l’adjectif, et l’un des mots les plus galvaudés du moment. On l’applique aussi bien à un véritable agent autonome qu’à un simple chatbot doté d’un bouton.

En réalité, l’autonomie n’est pas une case à cocher, c’est un curseur.

Anthropic a proposé fin 2024 une distinction utile :

Le plus autonome n’est pas toujours le meilleur.

Un workflow bien conçu est plus fiable, moins cher et plus facile à auditer qu’un agent, et il suffit à beaucoup de tâches répétitives. L’agent se justifie quand le chemin ne peut pas être écrit à l’avance.

Harness, parfois scaffolding : le programme qui fait tourner l’agent.

Qui fait tourner la boucle ? Pas le modèle : il ne fait que prédire du texte.

C’est lui qui :

• compose le bureau (ce qu’on y pose, ce qu’on résume quand il déborde)
• exécute les outils
• applique les autorisations
• demande votre accord quand il le faut
• décide quand s’arrêter

Vous vous souvenez du moteur et de la voiture, en partie 1 ? Le harnais, c’est la voiture d’un agent. Claude Code, Codex, Cursor, Gemini CLI ou le mode agent de ChatGPT sont, chacun à sa façon, des harnais construits autour d’un ou plusieurs modèles.

Le même moteur ne donne pas les mêmes performances dans deux carrosseries différentes : une bonne part de la qualité d’un agent tient à son harnais.

Model Context Protocol : protocole de contexte pour les modèles.

Brancher des outils, c’est bien. Mais chaque application d’IA avait sa propre façon de le faire. Pour connecter quatre assistants à quatre logiciels de l’entreprise, il fallait seize connecteurs, chacun écrit et entretenu à la main. En novembre 2024, Anthropic publie un standard ouvert pour mettre fin à ce casse-tête : le Model Context Protocol, ou MCP.

Ce logiciel peut être un outil de tickets, une messagerie, un espace de stockage, une base de données, votre outil maison. Et le standard a pris très vite :

1. 2024
   Publication

   En novembre, Anthropic publie le standard ouvert.

2. 2025
   Adoption, puis une fondation

   OpenAI l’adopte en mars ; Google et Microsoft suivent, ainsi que la plupart des outils de développement. Fin 2025, Anthropic en confie la gouvernance à une fondation hébergée par la Linux Foundation.

3. 2026
   La prise de référence

   C’est devenu le standard pour brancher des outils sur une IA.

Compétences, Agent Skills ; et leurs cousins : fichiers d’instructions, commandes, plugins.

MCP donne des mains. Il ne donne pas le savoir-faire.

Ce savoir-là, c’est celui des procédures internes, et c’est ce que portent les skills.

Anthropic a lancé le format en octobre 2025, puis l’a publié comme standard ouvert ; d’autres outils l’ont adopté depuis. Exemples typiques :

• Rédiger un compte rendu au format de l’entreprise
• Produire un tableur selon la charte
• Préparer une mise en production

L’astuce est dans la façon dont l’agent les consulte, et elle découle directement de la taille limitée du bureau :

1. Au démarrage, l’agent ne lit que le nom et la ligne de description de chaque skill : quelques dizaines de tokens chacun.

2. Il n’ouvre le mode d’emploi complet que lorsque la tâche le demande.

On peut ainsi lui confier des dizaines de compétences sans encombrer son bureau. C’est ce qu’on appelle la divulgation progressive (progressive disclosure).

---
name: mise-en-production
description: Vérifie et déploie une nouvelle version.
---
# Mise en production
1. Lancer tous les tests ; s’arrêter au premier échec.
2. Relire le journal des modifications avec l’humain.
3. Ne jamais déployer un vendredi après 16 h.
4. Après le déploiement, vérifier la page d’accueil
   et le tableau des erreurs pendant 10 minutes.

À côté des skills, on croise des cousins :

Les noms varient d’un outil à l’autre ; l’idée est toujours la même : écrire une fois ce qu’on répéterait sinon à chaque fois.

Sub-agents, systèmes multi-agents, orchestration.

Quand une mission est vaste, un seul bureau ne suffit plus. D’où l’idée de déléguer.

L’orchestrateur garde un bureau dégagé, et les sous-agents peuvent travailler en parallèle.

Et la coordination a ses ratés, comme dans toute équipe :

• travail fait en double
• consignes mal transmises
• synthèses qui oublient l’essentiel

Pour que des agents de fournisseurs différents puissent se parler, Google a proposé en avril 2025 un autre standard, A2A (Agent2Agent).

Computer use, agents navigateurs.

Et quand un logiciel n’a ni API ni serveur MCP ? On donne à l’agent l’écran lui-même. Des modèles savent désormais regarder une capture d’écran, repérer un bouton, décider où cliquer et quoi taper.

1. 2024
   Anthropic ouvre la voie

   En octobre.

2. 2025
   Operator, puis le mode agent de ChatGPT

   OpenAI suit en janvier avec Operator, puis avec le mode agent de ChatGPT.

Humain dans la boucle, permissions, bac à sable, injection de prompt, évaluations.

Plus un agent a de mains, plus la sécurité devient concrète.

Le vocabulaire de la sécurité des agents tient en six notions.

L’injection de prompt mérite qu’on s’y arrête, parce qu’elle découle directement de tout ce qu’on a vu : pour le modèle, tout ce qui est sur le bureau est du texte, et il a du mal à distinguer les ordres de son utilisateur des phrases qu’il lit dans un document.

Le problème n’est pas résolu à ce jour : on le contient en limitant ce que l’agent peut faire, et en gardant un humain avant les actions qui comptent.

On remonte. D’en haut, les dizaines de mots croisés en chemin dessinent une seule figure, beaucoup plus simple qu’il n’y paraissait au départ. Mais d’abord, une promesse à tenir.

La phrase de la réunion, décodée

Reprenons la proposition du chef de projet, morceau par morceau.

• Et si on branchait un agentun modèle qui utilise des outils en boucle pour accomplir une mission, piloté par un harnais.Partie 4
• sur notre base documentaire, avec du RAGavant de répondre, il cherche par le sens les passages utiles dans nos documents et les pose sur son bureau.Partie 3
• connecté à Jira via MCPl’outil de tickets est branché sur la prise standard : l’agent peut lire et créer des tickets.Partie 4
• avec un bon prompt systèmeles consignes permanentes de la maison : rôle, ton, règles, limites.Partie 3
• et deux ou trois skillsdes modes d’emploi pour nos procédures, que l’agent n’ouvre que lorsqu’il en a besoin.Partie 4
• ça tiendrait dans la fenêtre de contextel’ensemble ne dépasserait pas la taille du bureau, mesurée en tokens.Partie 3
• et on limiterait les hallucinationsen s’appuyant sur nos documents plutôt que sur sa mémoire, il inventerait moins. Moins, pas jamais.Partie 2

C’est une bonne idée. Et maintenant, vous savez quelles questions poser avant de hocher la tête :

La carte entière

Et voici la carte complète, en une seule image. En partie 1, les poupées russes disaient ce qu’est un LLM. Celles-ci disent comment on construit, autour de lui, une IA qui agit. Tout le jargon de cet article tient dans ces cinq couches.

Le lexique de poche

Pour finir, le lexique promis, rangé non par ordre alphabétique mais dans l’ordre de la carte. Chaque mot y tient en une ligne ; si une ligne ne vous dit plus rien, la partie correspondante est là pour ça.

Ce qui va bouger

Si ces trois phrases vous semblent maintenant évidentes, les mots de demain se rangeront tout seuls sur votre carte.