Interaction et usage
Comment dialoguer avec un LLM, structurer un prompt, gérer une conversation. Les compétences d'usage quotidiennes qui font la différence entre un essai et un déploiement réussi.
- Carte et territoireLa carte n'est pas le territoire. Ce que vous donnez à une IA (demande, fichiers, contexte) n'est qu'une représentation du travail. Le travail réel a lieu ailleurs : dans le code, le dossier, les contraintes du terrain. L'écart entre les deux, ce sont vos inconnues. C'est là, et presque uniquement là, qu'une mission dérape.
- Chain of thought (chaîne de pensée)Le chain of thought (chaîne de pensée) désigne le fait, pour un modèle de langage, d'écrire des étapes intermédiaires de raisonnement avant de donner sa réponse. Décrit en 2022 par Jason Wei et ses coauteurs, il améliore les résultats sur les problèmes à plusieurs étapes. Les modèles de raisonnement actuels le font d'eux-mêmes : le demander dans le prompt est devenu inutile, voire déconseillé.
- Chatbot (agent conversationnel)Un chatbot (ou agent conversationnel, « dialogueur » en terminologie officielle) est un logiciel qui dialogue en langage naturel avec un humain, par écrit ou à l'oral, pour répondre à des questions ou déclencher des tâches. Depuis le 2 août 2026, l'AI Act impose d'informer les utilisateurs qu'ils échangent avec une IA, et l'entreprise reste responsable de ce que dit son chatbot.
- Context engineering (ingénierie du contexte)Le context engineering (ingénierie du contexte) est la discipline qui consiste à choisir, à chaque étape, l'ensemble des informations placées dans la fenêtre de contexte d'un modèle d'IA : instructions, documents, historique, résultats d'outils, mémoire. Il prolonge le prompt engineering : un prompt s'écrit une fois, un contexte se gère en continu, surtout dans les agents qui travaillent sur de longues tâches.
- Fenêtre de contexteLa fenêtre de contexte est la quantité maximale de texte qu'un modèle d'IA peut traiter en une seule requête, mesurée en tokens. Elle inclut le prompt envoyé et la réponse à produire. Au-delà de cette limite, le modèle perd l'accès aux informations les plus anciennes de l'échange.
- HallucinationUne hallucination est une affirmation factuellement fausse mais formulée avec assurance par un modèle d'IA générative. Elle découle du mécanisme statistique de génération : le modèle prédit le mot suivant le plus probable, sans capacité native à vérifier. C'est le principal risque opérationnel et juridique d'un déploiement IA en entreprise.
- Patterns de promptingLes patterns de prompting sont des conventions de formulation qui structurent un prompt pour orienter la sortie du modèle. Ils n'existent pas comme commandes natives du LLM, seulement comme guides du rédacteur. La distinction compte : aucun pattern ne déclenche de fonctionnalité, l'effet vient de la précision linguistique.
- PromptUn prompt est l'instruction en langage naturel envoyée à un modèle d'IA pour obtenir une réponse. Sa qualité conditionne directement la qualité, la pertinence et le coût de la sortie générée. Un bon prompt n'est pas long, il est précis, structuré et contextualisé.
- Prompt engineeringLe prompt engineering est la discipline d'écriture méthodique des prompts. Il ne s'agit pas d'un métier rare mais d'une compétence transversale, qui consiste à formaliser, tester et standardiser les instructions adressées à un LLM pour obtenir des sorties fiables et reproductibles à l'échelle d'une organisation.
- Rôles de conversationLes rôles de conversation (système, utilisateur, assistant) sont les étiquettes assignées à chaque message d'un échange avec un LLM. Le rôle système définit le comportement général du modèle, le rôle utilisateur porte les requêtes, le rôle assistant les réponses passées du modèle dans l'historique conversationnel.
- Sécurité : Claude ou ChatGPTPour un comité de direction, la sécurité de Claude ou de ChatGPT dépend moins de l'outil que de l'offre choisie, entreprise ou grand public, et du cadre d'usage posé. Par défaut, Anthropic et OpenAI n'utilisent pas les données de leurs offres professionnelles et de leur API pour entraîner leurs modèles.