Agents, RAG, evals, MCP, orchestration… Ce vocabulaire tombe dans vos réunions produit sans sa définition.
Piloter un projet IA ne demande pas de savoir coder. Ce vocabulaire, oui : il permet d'arbitrer, et de poser la question qui sépare un vrai projet d'un prototype.
21 termes, en trois temps : les briques, l'outillage, la qualité.
Les briques
LLM (Large Language Model)
Le moteur qui génère du texte à partir de ce qu'on lui donne. C'est le « cerveau » sous Claude, ChatGPT et les autres.
Exemple Deux équipes branchées sur le même modèle obtiennent des résultats opposés : celle qui lui fournit ses specs, ses tickets et ses règles métier, et celle qui l'interroge sans rien lui donner.
Impact orga Le LLM est un composant à outiller. La valeur est dans ce que vous mettez autour : le contexte, les outils, le cadre.
Multimodal
Un modèle qui traite le texte, l'image et la voix.
Exemple Au support, l'utilisateur envoie la capture de son message d'erreur au lieu d'essayer de le décrire. Le tri se fait sur l'image.
Impact orga De nouveaux cas d'usage s'ouvrent : analyser une capture d'écran, un document scanné, un enregistrement audio ou vidéo.
Prompt
L'instruction qu'on donne au modèle pour une tâche précise.
Exemple « Résume ce ticket » et « Résume ce ticket pour un dev qui n'a pas suivi le sujet, en trois points, dont l'impact utilisateur » ne produisent pas le même livrable.
Impact orga Savoir formuler un problème clairement devient une compétence produit centrale. Bien formuler, c'est déjà la moitié du résultat.
System prompt
L'instruction permanente placée au-dessus de toutes les conversations : le rôle du modèle, ses règles, ce qu'il doit refuser.
Exemple « Ne propose pas de solution technique avant d'avoir formulé le problème » s'écrit une fois dans le system prompt, et s'applique ensuite à toutes les sessions de l'équipe.
Impact orga C'est ce qui rend les résultats homogènes d'un utilisateur à l'autre. Sans lui, chacun réinvente ses consignes dans son coin et obtient autre chose.
Contexte (context engineering)
L'ensemble des informations qu'on fournit au modèle pour une tâche : documents, historique, règles.
Exemple Un agent qui ignore votre nomenclature interne rédige des specs correctes sur le fond et inutilisables en l'état.
Impact orga Ce que vous donnez au modèle pèse plus lourd que le modèle que vous choisissez.
Token & fenêtre de contexte
Le token est l'unité qui mesure la longueur et le coût ; la fenêtre de contexte est ce que le modèle peut avoir en tête à un instant donné.
Exemple Un agent qui relit toute votre documentation à chaque question peut coûter dix à vingt fois plus cher que celui qui va chercher les trois paragraphes utiles.
Impact orga Le coût de l'IA suit l'usage, token par token. Un usage agentique peut le faire exploser — à budgéter comme une ligne variable.
Raisonnement (chain-of-thought)
Les modèles qui « réfléchissent » étape par étape avant de répondre.
Exemple Arbitrer entre trois options de roadmap avec leurs dépendances le justifie. Reformuler le titre d'un ticket, non.
Impact orga Plus de fiabilité sur les tâches complexes, au prix de plus de tokens et de temps. À réserver aux cas qui le justifient.
Non-déterminisme
À la même question, le modèle peut donner une réponse différente.
Exemple Le même ticket soumis deux fois à deux minutes d'intervalle ressort classé P1, puis P2. Les deux réponses se défendent.
Impact orga On ne peut pas promettre une sortie identique à chaque exécution. Ce qui se pilote, c'est un intervalle acceptable.
Hallucination
Quand le modèle invente une réponse fausse, avec assurance.
Exemple Un numéro de version d'API qui n'a jamais existé, cité au milieu de quatre références exactes, sur le même ton.
Impact orga Une réponse fausse ne se signale pas. Partout où l'erreur coûte cher, il faut prévoir qui vérifie, et sur quoi.
L'outillage
Base de connaissances (RAG, Graph-RAG…)
Donner au système l'accès à vos propres contenus pour qu'il réponde à partir d'eux. Plusieurs techniques coexistent : le RAG va chercher les passages pertinents, le Graph-RAG exploite en plus les liens entre entités, d'autres approches indexent des documents entiers.
Exemple L'agent support répond à partir de votre documentation produit et de vos tickets résolus, avec la version en vigueur chez vous.
Impact orga C'est ce qui permet une IA qui connaît VOTRE métier. Le choix de la technique est un sujet d'ingénierie ; ce qui vous revient, c'est la qualité et la fraîcheur de ce qu'on y met.
Fine-tuning
Ré-entraîner un modèle sur vos données pour spécialiser son comportement.
Exemple Un modèle d'image ré-entraîné sur votre direction artistique produit des visuels à votre charte. Pour du texte métier, une base de connaissances atteint le même résultat pour une fraction du prix.
Impact orga Puissant, coûteux, et il réclame des compétences IA que peu d'équipes produit ont en interne. Le réflexe utile est de commencer par le contexte, et de n'envisager le fine-tuning que si le comportement du modèle reste le problème.
MCP (Model Context Protocol)
Le standard qui décrit comment brancher un outil sur l'IA : Gmail, Notion, votre base de données.
Exemple Changer d'outil de ticketing ne demande pas de réécrire l'agent. On remplace un connecteur, le reste continue de fonctionner.
Impact orga C'est l'API standard des agents. Écrire des connecteurs maison en 2026, c'est brûler du budget.
Appel d'outils (tool use)
La capacité du modèle à décider lui-même de déclencher une action, et à en lire le résultat. Là où MCP décrit comment l'outil se branche, l'appel d'outils est le moment où le modèle s'en sert.
Exemple Vous demandez l'état d'une release. Le modèle va lire les tickets, les croise avec le dernier déploiement, et répond. Personne n'a ouvert d'onglet.
Impact orga C'est le passage de l'assistant qui rédige à l'agent qui exécute. Toute tâche qui se termine dans un outil devient délégable.
Mémoire persistante
Le système conserve d'une session à l'autre ce qu'il a appris de vos échanges : conventions, préférences, décisions passées.
Exemple Après trois échanges où vous corrigez la même chose, l'instruction s'enregistre. La quatrième fois, vous ne la donnez plus.
Impact orga L'IA cesse d'être remise à zéro à chaque conversation. On arrête de recontextualiser, et une correction faite une fois tient.
Skill
Une capacité packagée et réutilisable qu'on donne à l'IA : un savoir-faire codifié.
Exemple Votre méthode de rédaction de PRD, écrite une fois, devient utilisable par toute l'équipe produit avec le même résultat.
Impact orga Les skills transforment un usage personnel en process d'équipe réplicable. C'est le pont entre « je bricole » et « on industrialise ».
Agent
Une IA qui enchaîne plusieurs étapes en autonomie pour atteindre un but, au lieu de répondre en un coup.
Exemple Préparer la revue hebdomadaire : l'agent relit les tickets fermés, repère les écarts avec la roadmap, et sort la note de synthèse. Une dizaine d'étapes, sans relance.
Impact orga Des tâches longues ou fastidieuses deviennent automatisables de bout en bout : un enchaînement complet, plutôt qu'une réponse à la fois.
Orchestration
Coordonner plusieurs agents ou étapes : décider qui fait quoi et dans quel ordre.
Exemple Un agent chef d'orchestre distribue le travail : un premier rédige la spec, un deuxième la challenge sur les cas limites, un troisième vérifie les chiffres. Il arbitre et rend le résultat consolidé.
Impact orga Le nouveau skill clé, c'est d'orchestrer et de reviewer.
La qualité
Évaluations
La façon de mesurer si l'IA fait bien son travail, avec des critères objectifs.
Exemple Trente tickets réels, avec la bonne réponse annotée à la main, rejoués à chaque modification du prompt. Le score se compare d'une version à l'autre.
Impact orga C'est votre recette. Sans jeu de test, vous ne pouvez ni comparer deux versions, ni démontrer qu'un changement améliore quoi que ce soit. La question à poser en comité : qui écrit les evals, et qui les relit ?
Guardrails
Les limites qu'on pose pour empêcher l'IA de déraper : sécurité, périmètre, ton.
Exemple L'agent a le droit de lire votre base et de proposer une modification. Il n'a pas le droit d'écrire.
Impact orga Poser des garde-fous oblige à écrire ce que le système n'a pas le droit de faire. Peu d'équipes le formalisent, alors que c'est souvent la partie la plus facile à trancher en réunion.
Human-in-the-loop
Garder un humain qui valide aux étapes critiques.
Exemple L'agent prépare la réponse au client et la place en brouillon. Un humain l'envoie.
Impact orga Le rythme de travail change. L'agent produit en continu, l'humain valide par lots : il faut connaître les cycles des agents pour placer les points de contrôle sans créer de file d'attente.
Vibe coding
Coder « au feeling » avec l'IA, sans cadre ni spécification.
Exemple Le prototype sort en deux jours et emporte l'adhésion. Quatre mois plus tard, plus personne ne sait pourquoi il fonctionne, ni ce qui casse quand on y touche.
Impact orga On gagne en vélocité sur le design et le prototypage : une idée devient testable en heures. En contrepartie, presque rien n'est documenté — arbitrage à assumer selon la durée de vie de ce qu'on produit.
Le vrai sujet
L'arrivée de l'IA dans les équipes produit rebat les cartes. Un PM peut aujourd'hui déborder de sa zone de compétence : sortir un prototype, une maquette, une analyse qui demandaient hier une autre expertise. Encore faut-il comprendre l'IA et ses limites pour garder le contrôle de ce qu'on livre, aller plus vite sur des assets de meilleure qualité, et développer au passage de nouvelles compétences.
Cela demande une gestion du changement en phase avec les équipes adjacentes. Le design, la tech et la data voient elles aussi leur champ des possibles s'étendre : les frontières se renégocient de tous les côtés à la fois.
C'est exactement ce que j'accompagne auprès des équipes produit. Si le sujet est chez vous, parlons-en.