Glossaire de l’IA : définitions des termes clés de la gouvernance IA

Les 3P désignent le cadre de la « triple performance » (triple bottom line) : mesurer la réussite d’une organisation sur trois plans, les personnes (People), l’environnement (Planet) et l’économie (Profit). La version actualisée remplace « profit » par « prosperity » pour mettre en avant une création de valeur économique, sociale et environnementale qui soit durable. Les 3P servent de base à la RSE et au numérique responsable.

L’accessibilité numérique consiste à concevoir des sites, applications et documents utilisables par tous, y compris par les personnes en situation de handicap (visuel, auditif, moteur, cognitif). Elle s’appuie sur des normes techniques comme le WCAG au niveau international et le RGAA en France. Elle relève aussi d’obligations légales, notamment l’Acte européen sur l’accessibilité, applicable depuis le 28 juin 2025 à de nombreux produits et services.

Un agent IA est un système d’intelligence artificielle capable de planifier et d’exécuter des tâches de façon autonome pour atteindre un objectif, en s’appuyant sur des outils (API, navigateur, bases de données). Il repose le plus souvent sur un grand modèle de langage. Ses enjeux de gouvernance sont le périmètre d’action, les droits d’accès, la supervision humaine, la traçabilité et la maîtrise des coûts.

L’AI Act, règlement (UE) 2024/1689 entré en vigueur le 1er août 2024, est le premier cadre juridique complet sur l’intelligence artificielle. Il classe les systèmes selon leur niveau de risque et fixe des obligations aux fournisseurs et aux déployeurs. Les pratiques interdites s’appliquent depuis février 2025 et les règles sur les modèles à usage général depuis août 2025. Les obligations de transparence (article 50) s’appliquent depuis le 2 août 2026. Le Digital Omnibus a reporté les obligations haut risque au 2 décembre 2027 (annexe III) et au 2 août 2028 (annexe I). Les sanctions peuvent atteindre 35 M€ ou 7 % du chiffre d’affaires mondial pour les pratiques interdites.

L’AIPD, ou DPIA en anglais, est une analyse prévue par l’article 35 du RGPD. Elle est requise quand un traitement de données personnelles est susceptible d’engendrer un risque élevé pour les droits et libertés des personnes. De nombreux projets d’IA (profilage, décisions automatisées, données sensibles) y sont soumis. Elle décrit le traitement, évalue les risques et définit les mesures pour les réduire. Elle est généralement pilotée avec le DPO.

L’apprentissage automatique est une branche de l’IA dans laquelle un système apprend à partir de données pour réaliser des prédictions ou des classifications, sans être programmé règle par règle. On distingue l’apprentissage supervisé (données étiquetées), non supervisé (recherche de structures) et par renforcement (apprentissage par essais et récompenses). Il est à la base de nombreux usages en entreprise : scoring, détection de fraude, recommandation, maintenance prédictive.

L’apprentissage profond est un sous-ensemble de l’apprentissage automatique qui utilise des réseaux de neurones à de nombreuses couches. Il est à l’origine des progrès récents en reconnaissance d’images, en traitement du langage et en IA générative. Il demande de grandes quantités de données et de puissance de calcul, ce qui pèse sur les coûts et l’empreinte environnementale.

L’audit d’IA est une évaluation, interne ou indépendante, d’un système d’IA au regard de critères définis : performance, biais, sécurité, documentation, conformité à l’AI Act ou au RGPD, respect d’un référentiel comme ISO/IEC 42001, ou de la politique interne. Il débouche sur un rapport de constats et des recommandations. Il aide à prouver la conformité et à prioriser les actions correctives.

Un biais algorithmique est une erreur systématique qui conduit un système d’IA à produire des résultats défavorables ou inéquitables pour certaines personnes ou certains groupes. Il peut venir des données d’entraînement, de la conception du modèle ou de l’usage qui en est fait. Le repérer demande des tests réguliers, des jeux de données représentatifs et une supervision humaine, notamment pour les décisions de recrutement, de crédit ou d’accès à des services.

On parle de boîte noire lorsque le fonctionnement interne d’un modèle d’IA, en particulier un réseau de neurones profond, est difficile à interpréter, même pour ses concepteurs. Les entrées et les sorties sont observables, pas le raisonnement. Cette opacité complique l’explicabilité, l’audit et la justification des décisions, d’où l’importance de la documentation, des tests et de la traçabilité.

Le Bureau européen de l’IA est l’organe de la Commission européenne chargé de la mise en œuvre de l’AI Act, en particulier pour les modèles d’IA à usage général. Il coordonne les autorités nationales, élabore des lignes directrices et des codes de bonnes pratiques, et peut contrôler les fournisseurs de grands modèles. Ses publications aident les entreprises à interpréter leurs obligations.

La cartographie des usages IA est le recensement de tous les systèmes d’IA utilisés dans une organisation : outils développés en interne, solutions achetées, fonctions d’IA intégrées dans des logiciels SaaS, usages non déclarés. Pour chaque usage, elle précise le responsable, la finalité, les données concernées, le fournisseur, le coût et le niveau de risque. C’est la première étape d’une gouvernance IA, car on ne peut ni piloter ni mettre en conformité ce que l’on ne voit pas. Elle alimente le registre des systèmes d’IA. Fruggr automatise cette cartographie à partir des usages réels.

Une charte IA est un document interne qui fixe les principes et les règles d’usage de l’intelligence artificielle dans l’organisation : usages autorisés ou interdits, traitement des données, validation des outils, responsabilités, sensibilisation des équipes. Elle traduit la politique de gouvernance en consignes concrètes pour les collaborateurs et sert de base aux référentiels comme ISO/IEC 42001.

Un chatbot est un programme qui dialogue avec un utilisateur en langage naturel. Les chatbots récents s’appuient sur des grands modèles de langage et peuvent répondre à des questions ouvertes. L’AI Act impose en principe d’informer les personnes qu’elles interagissent avec une IA. Pour une entreprise, les points de vigilance sont la fiabilité des réponses, la protection des données saisies et le coût d’usage.

L’AI Act classe les systèmes d’IA en quatre niveaux : risque inacceptable (pratiques interdites), haut risque (exigences strictes), risque limité (obligations de transparence) et risque minimal (pas d’obligation spécifique). Le niveau dépend de l’usage prévu et non de la seule technologie : un même modèle peut relever de niveaux différents selon son emploi. La classification est la base de toute démarche de conformité.

La CNIL (Commission nationale de l’informatique et des libertés) est l’autorité française de protection des données personnelles. Elle contrôle l’application du RGPD, instruit les plaintes, peut sanctionner et publie des recommandations sur le développement et l’usage de systèmes d’IA respectueux de la vie privée. Ses publications sont une référence pour les DPO et les équipes juridiques.

La conformité IA désigne l’ensemble des démarches permettant à une organisation de respecter les obligations légales (AI Act, RGPD), les référentiels qu’elle choisit de suivre (ISO/IEC 42001, NIST AI RMF) et ses propres politiques. Elle suppose d’inventorier les usages, de classer les risques, de documenter, d’assurer la supervision humaine et de conserver des preuves. Elle réduit l’exposition aux sanctions et renforce la confiance des clients et des partenaires.

Un copilote IA est un assistant intégré à un outil de travail (suite bureautique, environnement de développement, CRM) qui suggère, rédige ou automatise des tâches à partir des instructions de l’utilisateur. Son déploiement concerne souvent de nombreux collaborateurs avec des licences payantes. Il pose des questions d’adoption réelle, de coût par utilisateur, de confidentialité des données et de mesure de la valeur créée.

Le cycle de vie d’un système d’IA couvre la conception, la collecte des données, l’entraînement, la validation, le déploiement, l’exploitation, la surveillance et le retrait. Chaque phase présente des risques et appelle des contrôles. L’AI Act et ISO/IEC 42001 demandent d’ailleurs de gérer les risques tout au long de ce cycle, et pas seulement avant la mise en production.

Un deepfake est un contenu audio, vidéo ou image généré ou modifié par IA, suffisamment réaliste pour faire croire à des propos ou des actes qui n’ont pas eu lieu. Il présente des risques de fraude, d’usurpation d’identité et de désinformation. L’AI Act prévoit des obligations de transparence pour ce type de contenu, afin que le public puisse savoir qu’il est artificiel.

Dans l’AI Act, le déployeur est la personne ou l’organisation qui utilise un système d’IA sous sa propre autorité dans un cadre professionnel. Une entreprise qui utilise un outil d’IA acheté à un tiers est un déployeur. Elle doit notamment utiliser le système conformément à sa notice, assurer une supervision humaine et informer les personnes concernées. Les obligations sont plus lourdes pour les systèmes à haut risque.

Le DPO est la personne chargée de conseiller l’organisation et de vérifier le respect du RGPD. Sa désignation est obligatoire dans certains cas, notamment pour les autorités publiques et les traitements à grande échelle de données sensibles. Il est l’interlocuteur de la CNIL et un acteur clé de la gouvernance IA, aux côtés de la DSI, du RSSI et de la direction de la conformité.

Le DSA, ou règlement sur les services numériques (règlement (UE) 2022/2065), vise à rendre l’espace en ligne plus sûr en luttant contre les contenus et produits illégaux (haine, désinformation, contrefaçons). Le principe est que ce qui est illégal hors ligne doit l’être aussi en ligne. Applicable à l’ensemble des acteurs concernés depuis le 17 février 2024, il impose des obligations graduées selon la taille des plateformes : signalement des contenus, transparence des recommandations et de la publicité, évaluation des risques systémiques pour les très grandes plateformes. Les sanctions peuvent atteindre 6 % du chiffre d’affaires mondial.

L’empreinte carbone de l’IA correspond aux émissions de gaz à effet de serre liées à l’entraînement des modèles, à leur utilisation (inférence) et à la fabrication des équipements nécessaires (serveurs, processeurs graphiques, centres de données). Elle s’exprime en équivalent CO₂ (CO₂e). La mesurer permet d’arbitrer entre modèles et usages, d’alimenter le reporting ESG et d’identifier des leviers de réduction, souvent liés aussi à la réduction des coûts.

L’ESG désigne trois domaines utilisés pour évaluer la performance extra-financière d’une entreprise : l’environnement (émissions de gaz à effet de serre, énergie, déchets), le social (conditions de travail, diversité, inclusion, accessibilité, santé et sécurité) et la gouvernance (transparence, éthique, indépendance du conseil d’administration, maîtrise des risques). Investisseurs, clients et régulateurs s’y réfèrent. La gouvernance de l’IA fait désormais partie du volet « G ».

Le fine-tuning consiste à poursuivre l’entraînement d’un modèle déjà pré-entraîné sur un jeu de données spécifique, afin de l’adapter à un domaine ou à une tâche : vocabulaire métier, style, cas d’usage particulier. Il demande des données de qualité et un budget de calcul. Il soulève des questions de confidentialité des données utilisées, de propriété et de conformité.

Le FinOps (Financial Operations) est une pratique qui aligne les équipes financières, opérationnelles et informatiques pour comprendre, piloter et optimiser les coûts, en particulier ceux du cloud. Elle repose sur la visibilité des dépenses, leur optimisation et leur pilotage continu. Appliquée à l’IA, elle consiste à suivre les coûts des licences, des appels aux modèles (jetons) et des infrastructures, et à les rapprocher de la valeur créée par chaque initiative.

Le terme FinTech, contraction de « finance » et « technologie », désigne une entreprise qui utilise des technologies numériques innovantes (paiement, crédit en ligne, gestion d’actifs, assurance, néobanque) pour proposer ou améliorer un service financier. L’IA y est très présente (scoring, détection de fraude), ce qui place les FinTech parmi les acteurs concernés par l’AI Act et le RGPD.

La gestion des risques liés à l’IA est le processus qui permet d’identifier, d’évaluer, de traiter et de surveiller les risques d’un système d’IA : juridiques, éthiques, de sécurité, de biais, financiers ou de réputation. L’AI Act l’exige pour les systèmes à haut risque, et des référentiels comme le NIST AI RMF et ISO/IEC 42001 en proposent une méthode. Elle doit être continue et couvrir tout le cycle de vie.

La gouvernance IA est l’ensemble des politiques, rôles, processus et outils qui permettent à une organisation de piloter ses usages de l’IA de manière maîtrisée : visibilité sur les systèmes utilisés, gestion des risques, suivi des coûts et du ROI, conformité réglementaire (AI Act, RGPD) et référentiels (ISO/IEC 42001, NIST AI RMF). Elle implique la direction générale, la DSI, la conformité, le juridique et les métiers. Fruggr est la plateforme qui réunit ces trois dimensions (visibilité, ROI, conformité) dans un cockpit unique.

Un GPAI (General-Purpose AI model) est un modèle d’IA capable de réaliser un large éventail de tâches et intégrable dans de nombreux systèmes, comme les grands modèles de langage. L’AI Act impose à ses fournisseurs, depuis le 2 août 2025, des obligations de documentation, de respect du droit d’auteur et de résumé des données d’entraînement. Les modèles présentant un risque systémique, présumé au-delà d’un seuil de calcul d’entraînement de 10²⁵ opérations, sont soumis à des exigences renforcées (évaluation, tests adversariaux, cybersécurité).

Un grand modèle de langage (Large Language Model) est un modèle d’apprentissage profond entraîné sur de très grands volumes de textes pour comprendre et générer du langage. Il alimente les assistants conversationnels, les copilotes et de nombreux agents. Ses usages en entreprise nécessitent de maîtriser les hallucinations, la confidentialité des données saisies et les coûts, généralement facturés au jeton.

Le GreenOps (Green Operations) regroupe les pratiques opérationnelles qui visent à réduire l’empreinte environnementale des systèmes d’information : mesurer la consommation, optimiser les ressources cloud, éteindre ce qui n’est pas utilisé, choisir des régions ou des modèles moins émetteurs. Il se combine souvent avec le FinOps, car la sobriété réduit aussi les coûts. Il s’applique aussi à l’IA, dont les usages sont gourmands en calcul.

Une hallucination est un contenu plausible mais faux, inventé ou non fondé, produit par un modèle d’IA générative. Elle apparaît parce que ces modèles génèrent la suite la plus probable et non une réponse vérifiée. On limite le risque avec des sources documentaires (RAG), des garde-fous, des consignes claires et une vérification humaine, surtout pour les usages juridiques, financiers ou médicaux.

L’IA de confiance (trustworthy AI) est une intelligence artificielle licite, éthique et robuste. Les lignes directrices européennes de 2019 en détaillent sept exigences : supervision humaine, robustesse technique et sécurité, respect de la vie privée et gouvernance des données, transparence, diversité et équité, bien-être sociétal et environnemental, responsabilité. Elle sert de socle à l’AI Act et aux démarches de conformité.

L’IA générative désigne les systèmes capables de créer du contenu nouveau (texte, image, audio, vidéo, code) à partir de modèles entraînés sur de grandes quantités de données, en réponse à une instruction. Elle transforme de nombreux métiers, mais pose des enjeux de fiabilité (hallucinations), de confidentialité, de propriété intellectuelle, de coûts et d’impact environnemental. L’AI Act prévoit des obligations de transparence pour les contenus générés.

L’IA responsable est une approche de conception, de déploiement et d’usage de l’IA alignée sur des principes d’équité, de transparence, de sécurité, de respect de la vie privée, de durabilité et de responsabilité. Elle se concrétise par une gouvernance : politiques, rôles, évaluations de risques, contrôles et suivi dans le temps. Elle contribue à la fois à la conformité et à la confiance des clients, des collaborateurs et des régulateurs.

L’inférence est la phase d’utilisation d’un modèle d’IA déjà entraîné pour produire un résultat à partir d’une nouvelle donnée : une réponse, une prédiction, une image. Elle représente l’essentiel des coûts récurrents et de la consommation énergétique d’une IA en production, facturés le plus souvent au volume d’usage. Son suivi est donc central pour piloter le ROI.

L’injection de prompt est une attaque qui consiste à insérer des instructions malveillantes dans une requête ou dans un contenu externe (page web, document, courriel) pour détourner le comportement d’un modèle d’IA : exfiltration de données, actions non autorisées, contournement de règles. Elle figure parmi les principaux risques de sécurité des applications à base de LLM, et concerne particulièrement les agents IA connectés à des outils.

L’intelligence artificielle regroupe les techniques qui permettent à des machines de réaliser des tâches habituellement associées à l’intelligence humaine : apprendre, raisonner, comprendre le langage, percevoir, décider. Elle englobe l’apprentissage automatique, l’apprentissage profond et l’IA générative. En entreprise, elle se pilote par des cas d’usage dont il faut maîtriser la valeur, les risques et la conformité.

ISO/IEC 42001, publiée en décembre 2023, est la première norme internationale de système de management de l’intelligence artificielle (AIMS). Volontaire et certifiable, elle demande d’établir une politique IA, d’évaluer les risques et les impacts, de définir des rôles et des contrôles, et d’améliorer en continu. Elle aide à structurer la gouvernance et à démontrer ses pratiques, en complément des obligations de l’AI Act.

L’IT for Green désigne l’usage des technologies de l’information au service de la transition écologique : outils de mesure des émissions, optimisation énergétique, suivi des trajectoires de réduction, modélisation. À ne pas confondre avec le Green IT, qui vise à réduire l’impact environnemental du numérique lui-même. Les deux approches sont complémentaires dans une démarche de numérique responsable.

Un jeton (token) est l’unité de texte traitée par un grand modèle de langage : un mot, une partie de mot ou un caractère. Les modèles facturent généralement leur usage au nombre de jetons en entrée et en sortie, et limitent la taille de leur fenêtre de contexte en jetons. En français, un mot correspond souvent à plus d’un jeton. Suivre leur consommation est la base du pilotage des coûts de l’IA générative.

Le marquage consiste à intégrer dans un contenu généré par IA (image, audio, vidéo, texte) un signal ou des métadonnées permettant de l’identifier comme artificiel. L’AI Act impose aux fournisseurs de systèmes d’IA générative de marquer leurs sorties dans un format lisible par machine, avec une période transitoire pour les systèmes déjà commercialisés. L’objectif est de lutter contre la désinformation et les deepfakes.

Un modèle de fondation (foundation model) est un grand modèle entraîné sur des données très variées, adaptable à de nombreuses tâches par prompt, fine-tuning ou RAG. Il sert de socle à de nombreux produits d’IA. Cette dépendance à quelques fournisseurs pose des questions de coûts, de réversibilité, de conformité et de souveraineté. Le concept est proche de celui de modèle d’IA à usage général (GPAI).

Un modèle d’IA est une représentation mathématique, définie par des paramètres appris à partir de données, qui produit des résultats à partir d’entrées. Il ne faut pas le confondre avec le système d’IA, qui inclut le modèle mais aussi l’interface, les données, la logique applicative et les contrôles. Cette distinction compte dans l’AI Act, qui encadre à la fois les modèles à usage général et les systèmes.

Le NIST AI Risk Management Framework, publié par l’institut américain NIST en janvier 2023, est un cadre volontaire de gestion des risques de l’IA. Il s’organise autour de quatre fonctions : Govern (gouverner), Map (cartographier le contexte et les risques), Measure (mesurer) et Manage (traiter). Un profil dédié à l’IA générative a été publié en 2024. Il est largement utilisé comme référence internationale et complète ISO/IEC 42001.

Un prompt est l’instruction ou le texte envoyé à un modèle d’IA générative pour obtenir un résultat. Le prompt engineering est la pratique qui consiste à le formuler pour améliorer la qualité des réponses. Un prompt peut contenir des données sensibles : c’est pourquoi les politiques d’usage de l’IA précisent ce qui peut être saisi dans un outil, et lequel.

Le RAG (Retrieval-Augmented Generation) est une technique qui enrichit la réponse d’un grand modèle de langage avec des documents pertinents retrouvés dans une base de connaissances (documentation interne, procédures, contrats). Il limite les hallucinations, permet d’utiliser des informations à jour ou privées et de citer ses sources. Il exige de bien gérer les droits d’accès aux documents interrogés.

Le red teaming consiste à simuler des attaques ou des usages détournés d’un système d’IA pour en révéler les failles : contournement de règles, injection de prompt, fuite de données, contenus dangereux. Il complète les tests classiques de performance. L’AI Act demande des tests adversariaux pour les modèles à usage général présentant un risque systémique.

Le registre des systèmes d’IA est l’inventaire structuré et tenu à jour de tous les systèmes d’IA d’une organisation. Chaque fiche indique la finalité, le responsable, le fournisseur, les données utilisées, le niveau de risque, l’état de conformité et les coûts. Il est le pivot de la gouvernance IA et la base des démarches AI Act et ISO/IEC 42001. Fruggr le constitue et l’actualise à partir de la cartographie des usages réels.

Le reporting ESG est la communication des performances d’une entreprise sur l’environnement, le social et la gouvernance. Il comprend la collecte, la mesure, la gestion et la publication de données : émissions de gaz à effet de serre, conditions de travail, composition du conseil d’administration, éthique des affaires. Dans l’Union européenne, la directive CSRD et les normes ESRS en structurent le cadre. Il s’appuie sur des indicateurs objectifs, vérifiables et comparables dans le temps.

Le RGAA est le référentiel français d’accessibilité numérique. Il s’appuie sur les WCAG (niveau AA) et propose une méthode de vérification en 106 critères et une déclaration d’accessibilité. Il s’applique aux services publics et à certaines grandes entreprises, et les exigences européennes s’étendent à davantage d’acteurs privés. Il vise à rendre les sites, applications et documents compréhensibles et utilisables par les personnes en situation de handicap.

Le RGESN est un référentiel français qui regroupe des critères d’écoconception des services numériques : stratégie, spécifications, conception, contenus, hébergement, algorithmes. Issu de la loi REEN de 2021 et porté par plusieurs acteurs publics, dont la DINUM, l’ADEME, l’Arcep et l’Arcom, il aide les organisations à réduire l’impact environnemental de leurs services, du développement à l’utilisation. Il peut servir de grille d’audit et d’amélioration continue.

Le RGPD, règlement (UE) 2016/679 applicable depuis le 25 mai 2018, encadre le traitement des données personnelles dans l’Union européenne. Il pose des principes (licéité, finalité, minimisation, exactitude, limitation de conservation, sécurité), donne des droits aux personnes et encadre les décisions automatisées. Il s’applique à l’IA dès qu’elle traite des données personnelles. Les sanctions peuvent atteindre 20 M€ ou 4 % du chiffre d’affaires mondial.

La RNE désigne l’ensemble des engagements, politiques et pratiques par lesquels une entreprise assume les impacts de ses usages du numérique : environnementaux, sociaux, éthiques et de sécurité. Elle prolonge la RSE au champ des technologies de l’information et de la communication. Elle recouvre aujourd’hui des sujets comme la sobriété, l’accessibilité, la protection des données et la gouvernance de l’IA.

Le ROI de l’IA est le retour sur investissement des initiatives d’intelligence artificielle : les gains obtenus (productivité, revenus, économies, risques évités) rapportés aux coûts totaux (licences, jetons, infrastructure, intégration, conduite du changement, conformité). Le mesurer initiative par initiative permet d’arrêter ce qui ne crée pas de valeur et d’amplifier ce qui fonctionne. C’est le deuxième pilier de la gouvernance IA chez Fruggr.

La RSE est l’ensemble des engagements pris par une entreprise pour contribuer positivement à la société et à l’environnement, tout en poursuivant ses objectifs économiques. Elle intègre les enjeux sociaux, environnementaux et éthiques dans les activités et les décisions, et dialogue avec les parties prenantes (salariés, clients, investisseurs, territoires). Elle se traduit par des politiques, des indicateurs et un reporting, dont le reporting ESG.

Le SaaS est un modèle de distribution dans lequel un logiciel est accessible par Internet, sur abonnement, sans installation locale. L’éditeur assure l’hébergement, la maintenance, les mises à jour et la sécurité. Ce modèle facilite le déploiement, mais multiplie aussi les outils et les fonctions d’IA intégrées, d’où l’importance d’en suivre les usages et les coûts.

Le Shadow AI désigne l’usage d’outils ou de services d’IA par des collaborateurs sans validation ni connaissance de la DSI, de la sécurité ou de la conformité : assistant grand public alimenté avec des données internes, extension de navigateur, abonnement individuel. Il expose l’entreprise à des fuites de données, à des non-conformités et à des coûts dupliqués. La réponse passe par la visibilité sur les usages réels, une politique claire et des alternatives validées, plutôt que par la seule interdiction.

La supervision humaine désigne la capacité d’une personne à comprendre, surveiller, corriger ou interrompre un système d’IA. Pour les systèmes à haut risque, l’article 14 de l’AI Act exige qu’ils soient conçus pour permettre un contrôle humain effectif. On distingue le human-in-the-loop (validation à chaque décision) et le human-on-the-loop (surveillance avec possibilité d’intervenir).

Dans l’AI Act, un système d’IA est un système fondé sur une machine, conçu pour fonctionner avec différents niveaux d’autonomie, qui déduit à partir des données reçues comment générer des résultats (prédictions, contenus, recommandations, décisions) pouvant influencer des environnements physiques ou virtuels. Cette définition large couvre les outils internes comme les fonctions d’IA intégrées à des logiciels du marché.

Le traitement automatique du langage naturel (TAL, ou NLP en anglais) regroupe les techniques permettant à une machine de comprendre, analyser et produire du langage humain : traduction, résumé, classification de textes, extraction d’informations, dialogue. Les grands modèles de langage en sont aujourd’hui l’application la plus visible.

Les WCAG sont les directives internationales d’accessibilité des contenus web, publiées par le W3C. Elles reposent sur quatre principes : perceptible, utilisable, compréhensible et robuste. Elles définissent trois niveaux de conformité (A, AA, AAA) ; le niveau AA est la référence en Europe. Les versions 2.1 et 2.2 (octobre 2023) sont les plus utilisées. Elles servent de base au RGAA et à la norme européenne EN 301 549.