Le vocabulaire de l'IA, sans le jargon.

L'unité élémentaire qu'un modèle lit et produit — souvent un morceau de mot. La facturation des API et la taille des messages se comptent en tokens, pas en caractères.

« Katalyx » compte environ 3 tokens. Un long prompt mal optimisé coûte donc plus cher à chaque appel.

Une représentation numérique du sens d'un texte sous forme de vecteur. Deux contenus proches par le sens ont des embeddings proches, ce qui permet de les comparer.

C'est la mécanique qui permet à un agent de retrouver la bonne fiche produit même si le client n'emploie pas les mêmes mots que votre catalogue.

Une réponse inventée par le modèle, présentée avec assurance mais factuellement fausse. Le risque principal d'un déploiement IA non encadré.

On la réduit en branchant le modèle sur vos données (RAG) et en posant des garde-fous, plutôt qu'en lui faisant confiance à l'aveugle.

La quantité de texte qu'un modèle peut prendre en compte d'un coup (instructions + historique + documents). Au-delà, il « oublie » le début.

Une grande fenêtre permet de fournir un dossier entier à l'agent ; une petite oblige à résumer ou à découper.

Le moment où un modèle déjà entraîné produit une réponse à partir d'une entrée. C'est l'étape qui consomme de la puissance de calcul à chaque utilisation.

Le coût d'inférence est ce qui détermine le prix de revient d'un agent qui tourne sur des milliers de requêtes par mois.

Un modèle capable de traiter plusieurs types de contenus — texte, image, audio, voire vidéo — au lieu du seul texte.

Utile pour un agent qui lit une facture scannée ou décrit une photo produit avant de la classer.

Réentraîner un modèle existant sur vos propres exemples pour spécialiser son ton, son format ou son domaine. Une option parmi d'autres, souvent moins rentable que le RAG.

Pertinent quand vous voulez un style éditorial très précis et stable ; superflu pour la plupart des cas de connaissance métier.

Un réglage qui contrôle le degré de créativité d'un modèle. Basse, les réponses sont prévisibles et factuelles ; haute, elles sont plus variées et inventives.

On met une température basse pour un agent de support, plus haute pour générer des idées de posts LinkedIn.

Une technique qui va d'abord chercher les bons documents dans votre base, puis les fournit au modèle pour qu'il réponde à partir de vos données réelles.

C'est la façon la plus fiable de faire répondre un agent sur vos process internes sans hallucination ni réentraînement.

Un standard ouvert qui permet de connecter un modèle à des outils et sources de données externes de façon uniforme — un peu comme un port USB pour les agents IA.

Grâce au MCP, un même agent peut interroger votre base, votre CRM et vos fichiers sans intégration sur mesure pour chacun.

La capacité d'un modèle à déclencher des fonctions externes — envoyer un email, interroger une API, écrire en base — au lieu de seulement produire du texte.

C'est ce qui permet à un agent de réellement créer une fiche dans votre outil plutôt que de vous dicter quoi faire.

L'art de formuler les instructions données à un modèle pour obtenir des réponses fiables et reproductibles. La qualité du prompt fait souvent toute la différence.

Un bon prompt système définit le rôle, le ton, le format de sortie et les cas limites — c'est la moitié du travail d'un agent solide.

Une base de données qui stocke des embeddings et retrouve les contenus les plus proches par le sens. Le socle technique du RAG.

On y indexe votre documentation pour que l'agent retrouve le bon passage en quelques millisecondes.

Les contrôles qui encadrent ce qu'un agent peut dire ou faire : sujets interdits, validation des sorties, limites d'action. Indispensables en production.

Un garde-fou empêche un agent de support de promettre un remboursement qu'il n'a pas le droit d'accorder.

La coordination de plusieurs étapes ou agents pour mener une tâche complexe de bout en bout : enchaînement, conditions, reprises sur erreur.

Pour un appel d'offres, un workflow peut collecter les pièces, rédiger un brouillon, puis le router vers un humain pour validation.

Un point de contrôle où un humain valide ou corrige une décision de l'agent avant qu'elle ne produise des effets. Le bon équilibre entre automatisation et maîtrise.

L'agent prépare 90 % du dossier, votre équipe relit et valide les 10 % qui engagent l'entreprise.

L'usage des réseaux — surtout LinkedIn — pour créer des relations commerciales : contenu de valeur, interactions ciblées et conversations avant la vente.

Une équipe sales en social selling génère des RDV en étant visible et utile, plutôt qu'en démarchant à froid.

Un score LinkedIn de 0 à 100 qui mesure votre activité de social selling sur quatre dimensions. Un indicateur de tendance, pas une fin en soi.

On le suit pour vérifier qu'une routine de publication progresse, mais ce sont les RDV qui comptent vraiment.

Le travail de la présence et de la réputation d'un dirigeant ou expert sur LinkedIn, pour attirer clients et opportunités par la crédibilité.

Un dirigeant qui publie régulièrement sur son expertise devient le premier commercial de son entreprise.

La prospection sortante : aller chercher activement des prospects (messages, séquences, emails) plutôt que d'attendre qu'ils viennent (inbound).

Une séquence outbound bien ciblée sur LinkedIn ouvre des conversations avec des comptes qui ne vous connaissaient pas.

Le fait d'entretenir une relation avec un prospect pas encore prêt à acheter, via du contenu et des contacts réguliers, jusqu'au bon moment.

Un lead qui télécharge un guide n'achète pas tout de suite : le nurturing le garde au chaud jusqu'à son projet.