Un dictionnaire pour l’IA générative

Chatbots, agents, orchestrateurs, coéquipiers, superviseurs, assistants… Vous avez du mal à vous y retrouver dans cette profusion de termes et d’acronymes ? Rassurez-vous, vous n’êtes pas les seuls ! À force de multiplier les appellations et les promesses, les éditeurs de solutions d’IA générative entretiennent une confusion qui complique la compréhension des outils et leur adoption, aussi bien en entreprise que chez les particuliers. Pourtant, derrière ce jargon se cachent des différences fondamentales en matière de capacités, d’autonomie et d’usages. Je vous propose dans cet article des explications pour clarifier ces notions et mieux comprendre les différents types d’outils permettant d’exploiter les IA génératives.

Thèmes : IA générative.

La semaine dernière avait lieu la conférence annuelle de Google consacré aux usages professionnels de l’IA : Gemini at Work. L’occasion pour Google de présenter les dernières nouveautés de la version professionnelle de Gemini avec des termes toujours plus flous et une logique de gamme toujours plus incompréhensible (il y a effectivement du « Gemini Everywhere« ).

Le point d’orgue étant l’annonce du lancement des « Gemini Agents », des agents intelligents qui vont travailler à côté des autres agents intelligents, mais que l’on ne doit pas confondre avec leurs précédents agents intelligents. Vous suivez ? Pas moi…

Loin de moi l’idée de critiquer la capacité des équipes de Google de concevoir des modèles performants, car ils sont à la pointe (Google’s Gemini 4 « Carbon » model reportedly feels like Anthropic’s Opus 5.5 coding performance et Google Deepmind’s AlphaProof Nexus solved dozens of open math problems and actually got peer reviewed), mais la mise sur le marché de ces technologies est clairement défectueuse.

Ce n’est pas la première fois que je pointe du doigt le manque de précision dans le discours de Google, mais leur dernière annonce est vraiment la goutte d’eau qui a fait déborder mon vase : Welcome to Gemini at Work 2026: Introducing the Gemini agent. C’est une très bonne chose que de vouloir « Inventing the Future », mais ça serait encore mieux de « Explaning the Present », non ?

Ainsi, vous pouvez maintenant décrire un besoin à Gemini qui va utiliser Gemini pour le traduire en tâches qu’il va confier à Gemini, qui va les exécuter à l’aide des agents Gemini. Et si vous avez une question, vous pouvez la poser à Gemini. Gemini qui, comme tout le monde le sait, est un site web, une application mobile, mais aussi un logiciel pour votre PC ou votre Mac, à ne pas confondre avec AI Edge Foresight qui est censé faire la même chose, quoi que pas tout à fait.

C’est bon ? Non, ce n’est pas bon, c’est même inacceptable.

Trop de termes utilisés à tort et à travers

Ce n’est ni la première fois, ni la dernière fois qu’un éditeur profite d’un flou sémantique pour valoriser son offre et « étirer » son positionnement pour en faire une solution universelle. Je ne vois pas bien l’intérêt de pratiquer de la sorte, car une solution n’est pertinente qu’aux yeux de ceux qui ont un besoin clairement identifié, avec un périmètre d’action bien défini. Ce qui n’est pas le cas.

Le problème est que ce flou entretient une mécompréhension du sujet qui laisse les entreprises dans le désarroi, ces dernières poussant les salariés à adopter dans la précipitation des outils qu’ils ne comprennent pas réellement : IA en entreprise : les usages progressent, la gouvernance reste à la traîne.

What could go wrong?

Voilà pourquoi il est essentiel de clarifier les termes employés, notamment en ce qui concerne les agents IA, notamment la dernière génération d’agents capables d’effectuer des tâches plus complexes grâce à une meilleure gestion des contextes de travail longs (plusieurs dizaines de minutes ou heures).. Je préfère ainsi largement le terme « coworkers » employé par Adobe, ou encore mes « AI Workers » de Delos. Éventuellement les « Autopilots » de Microsoft ou les « bots » de Grok…

Mais plutôt que de simplement râler, j’essaie de contribuer à ma petite échelle pour faciliter la compréhension de l’IA générative. Notamment à travers les articles publiés sur ce blog depuis 4 ans (tag : Intelligence artificielle), mais aussi les feuillets pédagogiques publiés sur Acculturation-Numerique.fr.

Un travail de longue haleine que je prolonge avec ce nouvel article. En effet, le déficit pédagogique est plus vaste que le marché veut bien l’admettre, car c’est un champ lexical entier qu’il faudrait clarifier.

Bien se comprendre pour bien comprendre

L’intelligence artificielle est un vaste sujet, de même que les usages numériques et les outils informatiques. Ça, vous le saviez déjà. Je vais donc essayer d’apporter un éclairage pédagogique à toutes ces notions.

Pour vous aider à vous y retrouver dans ce maelström de termes et acronymes, les analogies sont très utiles, même si risquées :

• Les ordinateurs, comme les IA, sont des technologies à usages généraux, cela veut dire que l’on peut faire tout et n’importe quoi avec, d’où la difficulté à se projeter dans de nouveaux usages (comme il y a 40 ans, à l’époque de l’arrivée des premiers PC).
• Les bases de données, comme les modèles génératifs, sont les couches basses d’un système, les utilisateurs n’interagissent pas directement avec elles, mais à travers une interface (ex : une application ou un site web pour une base de données, un chatbot pour un modèle de langage).
• Les logiciels sont des outils qui permettent d’utiliser un ordinateur, d’en exploiter la puissance. C’est la même chose avec les IA génératives, vous avez besoin d’outils pour bénéficier de leur puissance.

C’est là où ça se complique, car il existe différents types de logiciels (traitement de texte, tableurs…), comme il existe différents types d’outils reposant sur des IA génératives (à ne pas confondre avec les services d’IA que je décris dans mon Panorama des services d’IA générative).

Pour y voir plus clair, je vous propose ce schéma d’ensemble qui distingue différents types d’outils d’IA générative :

Le but de ce schéma, et des explications qui vont suivre est d’éviter d’entretenir la confusion entre les différents types d’IA qui exploitent les modèles génératifs, et en même temps de les traduire pour éviter les anglicismes :

• Les chatbots généralistes comme ChatGPT permettent d’interroger des bases de connaissances (les fameux modèles de langage comme GPT) à travers une interface textuelle et une série de questions / réponses.
• Les chatbots spécialisés comme les Custom GPTs sont des versions personnalisées des chatbots généralistes à l’aide d’instructions et de documents de références fournis par l’utilisateur.
• Les chatbots experts sont destinés aux professionnels, ils exploitent un système de RAG (« Retrieval-Augmented Generation« ) qui permet d’enrichir les réponses en s’appuyant sur un référentiel métier.
• Les agents généralistes comme ceux proposés par Manus sont comme des mini-applications qui permettent d’accomplir des tâches en s’appuyant sur des compétences (« skills”) qui sont des instructions associées à des ressources mises à disposition de l’agent (documents, connecteurs vers des outils…).
• Les agents spécialisés (ex : ChatGPT Finance ou Caude for Finance) sont, comme leur nom l’indique, spécialisés dans un domaine à l’aide d’un ensemble de compétences liées à un métier (« plugin »).
• Les agents experts sont eux aussi destinés aux professionnels, ils peuvent exécuter des tâches plus complexes en s’appuyant sur un harnais (un ensemble d’informations, de données, de méthodes… qui sont spécifiques à une entreprise ou organisation).
• Les orchestrateurs comme Claude Desktop sont des systèmes qui planifient la réalisation de tâches selon un plan de travail et coordonnent un certain nombre d’agents ou sous-agents.
• Les coéquipiers (« coworkers ») qui sont des orchestrateurs spécialisés dans un domaine qui agissent depuis le cloud pour le compte d’utilisateurs professionnels (les nouveaux « Gemini Agents » de Google Workspace).
• Les superviseurs qui contrôlent l’exécution des tâches des agents en s’appuyant sur des garde-fous pour éviter les dérives et sur les approbations données par l’utilisateur.
• Les assistants qui sont nativement intégrés aux systèmes d’exploitation (ex : Gemini dans Android) ou aux environnements de travail (ex : Copilot dans MS 365) qui peuvent prendre en charge et même anticiper tous les besoins des utilisateurs.

Comme vous pouvez le constater, le paysage de l’IA générative s’est considérablement densifié depuis les débuts des chatbots généralistes.

Concernant les moyens d’accès à ces différents types d’outils :

• les chatbots sont généralement des sites web (ex : ChatGPT.com) ;
• les agents et coéquipiers sont dans le cloud (ex : Manus ou les Autopilots de Microsoft) ;
• les orchestrateurs sont plutôt des logiciels (ex : Claude Desktop) ;
• les assistants sont intégrés aux systèmes d’exploitation ou aux environnements de travail, vous n’avez pas d’autres choix que de les utiliser (ex : Siri sur iPhone ou Copilot dans Windows).

Tous les modèles génératifs ne sont pas des LLMs

Pour compléter ces explications, je me dois de préciser la nature des modèles génératifs, car là aussi, il y a une confusion persistante dans les termes employés, notamment « LLM » qui est utilisé de façon systématique pour décrire des choses différentes :

• Un LLM (« Large Language Model« ) est un grand modèle de langage, c’est une ressource qui combien une base de connaissances (qui apporte les réponses à vos questions) et des capacités de traitement des contenus textuels (génération, traduction, manipulation…).
• Les modèles génératifs peuvent également traiter d’autres types d’informations ou données, comme des contenus visuels (on parle de modèle de vision), des sons et musiques (on parle de modèle audio), des langages de programmation (on parle de modèle de code), des traitements logiques (on parle de modèles de raisonnement), des questions fermées (on parle de modèle de décision)…
• Les modèles génératifs peuvent être de toute taille (petite, moyenne, grande…).
• Les modèles les connus sont maintenant déclinés en versions (ex : GPT-5.5, GPT-6, GPT-6.1…) et en niveaux correspondant à leur puissance (ex : Claude Fable, Opus, Sonnet…).

Oui je sais, tout ceci est très confusant, mais avec un peu de pratique, on finit par s’y retrouver.

Idéalement, il faudrait une table de correspondance pour s’y retrouver dans les niveaux des familles de modèles des grands éditeurs, dont la future version 4 de Gemini :

Types de modèles	OpenAI (GPT)	Anthropic (Claude)	Google (Gemini)
Pour le code	Astra	Fable	Carbon
Pour le raisonnement	Sol	Opus	Argon
Polyvalents	Terra	Sonnet	Barium
Rapides	Luna	Haiku	Flash

Et là, nous ne parlons que des modèles les plus utilisés, car il faudra bientôt s’intéresser aux modèles de monde, les World Models !

---

J’espère qu’avec ces explications vous y voyez un peu plus clair dans cette profusion de termes et acronymes tous plus jargonneux les uns que les autres. En ce qui me concerne, je continue mon travail quotidien d’évangélisation et de décryptage, avec d’ici la fin de l’année la mise à jour de l’ensemble des feuillets pédagogiques publiés sur Acculturation-Numerique.fr.

(!) L’illustration, ainsi que la synthèse et les Q / R de cet article ont été générées à l’aide de l’IA.