# Module 3 — Le vocabulaire de référence du stratège IA ## Section 1 — Démarrer ### Comment utiliser ce cours Ce module représente environ **6 heures** de travail. Chemin conseillé : 1. **Lisez les chapitres 1 à 5** (le vocabulaire et les oppositions clés) — 90 minutes. Ne sautez pas les encadrés. 2. **Faites la démonstration commentée du chapitre 6** sur Claude — 30 minutes. 3. **Réalisez l'atelier du chapitre 7** (construire votre lexique + arbitrer RAG vs fine-tuning) — 75 minutes. 4. **Étudiez l'exemple travaillé du chapitre 8**, puis **produisez votre livrable** (chapitre 9) — 60 minutes. 5. **Faites les mini-exercices et le quiz** (chapitre 10), vérifiez avec les **corrigés en annexe D** — 30 minutes. 6. **Parcourez la FAQ (chapitre 11)** et gardez la **fiche mémo (annexe A)**. > **Conventions de lecture.** Les blocs à chasse fixe sont des **prompts à copier-coller**. Les encadrés « Piège », « Bonne pratique », « Le saviez-vous » et ⚠️ « Attention » signalent un point clé. « Exemple » montre un cas ; « Mini-exercice » vous fait pratiquer (corrigé en annexe). ------------------------------------------------------------------------ ### Fiche du module | Rubrique | Valeur | |----|----| | Module | 3 — Le vocabulaire de référence du stratège IA | | Palier | Débutant (Fondations) | | Durée | 6 heures | | Prérequis | Module 2 validé | | Plateforme d'atelier | Claude ; transposition Microsoft Copilot évoquée | | Compétence clé visée | Maîtriser 30 termes structurants sans contresens | | 3 promesses portées | Crédibilité (productivité commerciale) + conformité des engagements | | Votre livrable | Mini-lexique (20–30 termes) | | Validation | Quiz ≥ 75 % + lexique conforme à la grille (14/20) | ------------------------------------------------------------------------ ## Section 2 — Comprendre ### Ch.1 — Pourquoi le vocabulaire est un rapport de force ## 1.1 Le mot juste installe la crédibilité Dans une salle de réunion, l'avant-vente qui dit « nous allons brancher l'IA sur vos documents par **RAG**, sans réentraîner de modèle » installe immédiatement la crédibilité du *trusted advisor*. Celui qui confond « entraîner » et « utiliser », ou qui promet un « fine-tuning » là où un simple RAG suffit, perd la vente — ou pire, s'engage sur une prestation lourde et inutile. Le vocabulaire n'est pas un ornement : c'est l'outil qui vous permet de **lire une documentation, comprendre un fournisseur et parler d'égal à égal avec un interlocuteur technique**, sans vous laisser imposer un cadre. ## 1.2 Le vocabulaire protège vos engagements Un contresens de vocabulaire coûte cher. Vendre du « fine-tuning » (réentraînement lourd) pour ce qui n'est qu'un besoin de RAG (brancher sur des sources), c'est s'engager sur des semaines de travail superflu. Maîtriser le vocabulaire, c'est donc aussi une **protection de la conformité** : on n'achète ni ne vend une fonctionnalité pour une autre. > **Le saviez-vous ?** La grande majorité des besoins d'une PME « brancher l'IA sur nos données » se résolvent par du **RAG**, pas par du fine-tuning. Confondre les deux est l'erreur la plus fréquente — et la plus coûteuse — des projets IA en entreprise. > > **Idée force du module.** Trente mots bien maîtrisés valent mieux qu'un discours technique approximatif. Ce module vous donne ces trente mots, leurs pièges, et la phrase pour les expliquer à un dirigeant. ------------------------------------------------------------------------ ### Ch.2 — Objectifs et compétences visées À l'issue de ce cours, vous serez capable de : 1. **Définir sans contresens** une trentaine de termes structurants (token, fenêtre de contexte, RAG, fine-tuning, agent, harnais, protocole, etc.). 2. **Traduire** chaque terme en une phrase compréhensible par un dirigeant non technique. 3. **Distinguer** les paires qui prêtent à confusion (RAG vs fine-tuning, contexte vs mémoire, entraînement vs inférence). 4. **Arbitrer** une demande client courante (« faut-il entraîner une IA sur nos données ? ») en recommandant la bonne approche. ------------------------------------------------------------------------ ### Ch.3 — Pourquoi ça compte pour votre organisation Le vocabulaire sert directement deux des trois promesses. Il alimente la **productivité commerciale** : un discours juste et fluide raccourcit le cycle de vente et installe la posture de conseiller. Il protège la **conformité** des engagements : on ne promet que ce qui correspond réellement au besoin, on évite de survendre une prestation lourde. Enfin, parler le bon langage rassure le client sur votre maîtrise — un préalable à toute confiance sur les sujets de **sécurité**. | Promesse | Comment le vocabulaire la sert | |----|----| | Productivité (commerciale) | Discours crédible, cycle de vente raccourci, posture trusted advisor | | Réduction des coûts | Éviter de vendre/acheter du fine-tuning inutile là où un RAG suffit | | Sécurité / conformité | Nommer correctement les traitements (où va la donnée, ce que fait le fournisseur) | ------------------------------------------------------------------------ ### Ch.4 — Le vocabulaire de référence (par familles) Apprendre les termes **par familles** facilite la mémorisation. Pour chacun : définition, exemple, phrase pour le client, et piège éventuel. ## 4.1 Famille « facturation et mesure » - **Token** — unité élémentaire de texte manipulée par le modèle (≈ ¾ d'un mot en français). *Phrase client : « tout se mesure et se facture en tokens, un peu comme la consommation en kilowattheures. »* Piège : un token n'est pas un mot. - **Inférence** — l'acte de faire produire une réponse par le modèle (par opposition à l'entraînement). *Phrase client : « l'inférence, c'est l'usage au quotidien — c'est ce qu'on paie à chaque requête. »* - **Latence** — délai entre la demande et la réponse. *Phrase client : « plus le modèle est puissant, plus la réponse peut être lente : c'est un arbitrage. »* ## 4.2 Famille « mémoire et connaissance » - **Fenêtre de contexte** — quantité maximale de texte que le modèle peut « voir » en une fois (entrée + sortie). *Phrase client : « au-delà d'une certaine taille, le modèle ne voit plus tout — comme un bureau qui déborde. »* - **Embedding** — représentation numérique d'un texte permettant de mesurer la similarité de sens ; brique technique du RAG. *Phrase client : « c'est la technologie qui permet de retrouver les passages pertinents de vos documents. »* - **RAG (Retrieval-Augmented Generation)** — technique qui va **chercher** les documents pertinents et les **injecte** dans le contexte pour que le modèle réponde sur des sources réelles. *Phrase client : « on branche l'IA sur vos documents sans réentraîner quoi que ce soit — rapide et économique. »* - **Fine-tuning** — réentraînement partiel d'un modèle sur des données spécifiques pour modifier durablement son comportement. *Phrase client : « plus lourd et plus coûteux que le RAG ; rarement nécessaire pour une PME. »* Piège : ce n'est presque jamais la première réponse à « brancher l'IA sur nos données ». ## 4.3 Famille « comportement » - **Prompt** — l'instruction donnée au modèle. **Prompt système** : les consignes permanentes de comportement (le rôle) ; **prompt utilisateur** : la demande ponctuelle. *Phrase client : « le prompt système, c'est la fiche de poste ; le prompt utilisateur, c'est la tâche du jour. »* - **Hallucination** — production d'une affirmation fausse mais formulée avec assurance. *Phrase client : « le risque n°1 : une réponse fausse qui a l'air vraie — d'où le contrôle humain. »* - **Température** — réglage du degré de créativité/aléa des réponses (basse = factuel et stable ; haute = créatif et variable). *Phrase client : « pour du factuel, on règle bas ; pour du brainstorming, plus haut. »* ## 4.4 Famille « architecture » - **Agent** — système qui poursuit un objectif en enchaînant décisions et actions sur plusieurs tours. *Phrase client : « un agent ne se contente pas de répondre, il agit en plusieurs étapes. »* Piège : un agent n'est pas un simple chatbot. - **Harnais (agent runtime)** — l'infrastructure qui exécute l'agent (gère les tours, les outils, les limites). - **Protocole** — convention standard d'échange entre composants (ex. API, MCP). *Phrase client : « c'est ce qui permet de connecter proprement l'IA à vos outils. »* - **API** — porte standardisée par laquelle deux logiciels se parlent. - **MCP (Model Context Protocol)** — protocole standard permettant à un modèle de découvrir et d'utiliser des outils et sources de façon uniforme (« prise universelle ») — vu au Module 7. - **Multimodal** — capable de traiter plusieurs types d'entrée (texte, image, audio). > **Bonne pratique.** Apprenez les termes **par paires d'opposition** : RAG ↔ fine-tuning, prompt système ↔ utilisateur, entraînement ↔ inférence, contexte ↔ mémoire, basse ↔ haute température. C'est le moyen le plus rapide de ne plus jamais les confondre. ------------------------------------------------------------------------ ### Ch.5 — Comprendre en profondeur : les oppositions qui comptent ## 5.1 RAG vs fine-tuning (l'opposition reine) C'est la distinction qui revient dans presque chaque projet. Elle mérite d'être parfaitement claire. | | RAG | Fine-tuning | |----|----|----| | Principe | Va chercher des documents et les injecte dans le contexte | Réentraîne le modèle sur des données | | Quand l'utiliser | Brancher l'IA sur des documents/données qui changent | Modifier durablement le style ou un comportement très spécifique | | Coût / délai | Faible, rapide | Élevé, long | | Mise à jour | Immédiate (on change les documents) | Nécessite un nouveau réentraînement | | Pour une PME | **La réponse par défaut** | Rarement justifié | **Exemple.** « Nous voulons que l'IA réponde à partir de nos 500 procédures internes. » → **RAG** : on indexe les procédures, l'IA va y chercher la bonne au moment de répondre. Inutile de réentraîner un modèle. ## 5.2 Prompt système vs prompt utilisateur Le **prompt système** définit le rôle et les règles permanentes (« tu es l'assistant RH, tu cites toujours l'article »). Le **prompt utilisateur** est la demande ponctuelle (« combien de jours de congés ? »). Confondre les deux conduit à répéter le contexte à chaque message — une perte de temps et de cohérence. ## 5.3 Entraînement vs inférence L'**entraînement** est la fabrication du modèle (une fois, très coûteuse, faite par le fournisseur). L'**inférence** est l'usage au quotidien (ce qu'on paie à chaque requête). Dire « nous allons entraîner l'IA » quand on veut juste l'utiliser est un contresens fréquent — et qui inquiète le client sur les coûts. ## 5.4 Basse vs haute température Pour un usage **factuel** (réponses RH, juridique, chiffres), on règle la température **basse** : le modèle est stable et prudent. Pour un usage **créatif** (idéation, accroches marketing), on monte la température : plus de variété, plus de risque d'imprécision. **Mini-exercice 5.A.** Un client veut un assistant qui répond aux questions sur son catalogue produit (300 fiches mises à jour chaque mois). RAG ou fine-tuning ? Justifiez. *(Corrigé en annexe D.)* ------------------------------------------------------------------------ ## Section 3 — Pratiquer ### Ch.6 — Démonstration commentée : faire de Claude votre professeur de vocabulaire Claude peut vous aider à construire et vérifier votre lexique, et à traduire le jargon pour un dirigeant. Faites-le vous-même. ## 6.1 Traduire un jargon technique pour un dirigeant Collez ce prompt : `Réécris le paragraphe suivant pour un dirigeant de PME non technique, en français simple, sans jargon non expliqué, en 4 phrases maximum : « Nous déploierons un pipeline RAG avec embeddings et reranking au-dessus d'un LLM, sans fine-tuning, exposé via une API, et orchestré par un agent doté d'un harnais d'outils. »` **Sortie typique attendue :** > « Nous allons connecter une intelligence artificielle à vos documents pour qu'elle réponde à partir de vos propres informations, sans avoir à la réentraîner — ce qui la rend rapide à mettre en place et facile à mettre à jour. Elle pourra aussi déclencher des actions dans vos outils. Le tout est sécurisé et piloté pour rester fiable. En clair : une IA qui connaît votre maison et agit pour vous. » **Analyse.** Le même contenu, rendu accessible. C'est exactement le geste attendu d'un avant-vente : *traduire le technique en valeur.* ## 6.2 Arbitrer RAG vs fine-tuning Collez : `Un client (Horizon Services) demande : « Faut-il entraîner une IA sur nos e-mails pour qu'elle réponde comme nous ? ». Explique-lui en 6 phrases, sans jargon non expliqué, la différence entre RAG et fine-tuning, et recommande la bonne approche pour un besoin de réponses à partir d'e-mails et de documents internes. Reste prudent sur les coûts et la confidentialité.` Observez la réponse : elle doit recommander le **RAG** (brancher sans réentraîner), réserver le fine-tuning à un éventuel besoin de style très spécifique, et alerter sur la confidentialité des e-mails. > **Bonne pratique.** Utilisez Claude comme **partenaire d'entraînement** : faites-vous interroger sur cinq termes au hasard, demandez-lui de corriger vos définitions. C'est la façon la plus rapide d'ancrer le vocabulaire. ------------------------------------------------------------------------ ### Ch.7 — Mode opératoire détaillé (action par action) ## 7.0 Prérequis de l'atelier Avant de commencer, vérifiez que vous disposez de : - un **compte Claude** actif ; - les **prompts du module** (dossier `prompts/`) à portée de copier-coller ; - environ **75 minutes** sans interruption ; - un document vierge ou le **gabarit du chapitre 9** pour votre lexique. ## 7.1 Atelier — étape 1 : construire votre mini-lexique 1. Ouvrez une conversation Claude. 2. Collez le prompt `01_lexique.txt` : `Tu es formateur. Produis un mini-lexique de 25 termes essentiels de l'IA pour des consultants non techniques. Pour chaque terme : (1) une définition courte et concrète ; (2) une « phrase pour le client » sans jargon ; (3) le piège de contresens à éviter. Termes à inclure : token, fenêtre de contexte, inférence, latence, prompt système, prompt utilisateur, hallucination, température, RAG, fine-tuning, embedding, agent, harnais, protocole, API, MCP, multimodal, modèle, contexte, mémoire, orchestrateur, outil, fenêtre glissante, jeton de sortie, garde-fou.` 3. **Relisez chaque définition** : est-elle juste ? La « phrase pour le client » est-elle vraiment compréhensible par un non-initié ? Corrigez ce qui est faux ou trop technique. **Vous restez responsable du contenu** : ne livrez pas une sortie brute. **Checklist de vérification — étape 1.** Avant de passer à l'étape 2, assurez-vous que : - \[ \] aucune définition n'est fausse (vérifiez RAG, fine-tuning, agent, inférence en priorité) ; - \[ \] chaque « phrase pour le client » est réellement sans jargon ; - \[ \] vous avez retiré ou corrigé au moins une formulation trop technique. ## 7.2 Atelier — étape 2 : arbitrer un cas client (Horizon Services) **Cas.** Horizon Services (client potentiel, transformation digitale) demande s'il faut « entraîner une IA sur ses e-mails ». 1. Collez le prompt `02_rag_vs_finetuning.txt` : `Rédige une réponse de 6 à 8 phrases, en français, destinée à un dirigeant de Horizon Services qui demande s'il faut « entraîner une IA sur ses e-mails ». Distingue clairement RAG (brancher sur les e-mails et documents sans réentraînement, rapide et économique) et fine-tuning (réentraînement, lourd, rarement justifié). Recommande l'approche adaptée et alerte sur la confidentialité des e-mails. Aucun jargon non expliqué.` 2. **Vérifiez** que la réponse : recommande le RAG ; explique pourquoi le fine-tuning est rarement justifié ici ; mentionne la confidentialité des e-mails. **Checklist de vérification — étape 2.** Avant de produire votre livrable, assurez-vous que : - \[ \] la réponse recadre la demande (RAG ≠ fine-tuning) ; - \[ \] elle est compréhensible par un dirigeant non technique ; - \[ \] elle soulève l'enjeu de confidentialité. > \[!WARN\] **Attention — ne survendez pas le fine-tuning.** Le réflexe commercial de proposer une prestation « lourde et impressionnante » est un piège : il gonfle le coût et le risque pour le client, et fragilise votre crédibilité quand un simple RAG aurait suffi. La bonne réponse est presque toujours RAG d'abord. ## 7.3 Transposition Microsoft Copilot Dans l'écosystème Microsoft, le « RAG » se matérialise souvent par **Copilot connecté à SharePoint** (vos documents) ou par **Copilot Studio** avec des sources de connaissance. Le vocabulaire reste le même ; seuls les produits changent. ## 7.4 Bonnes pratiques et pièges - Apprenez par paires d'opposition. - Méfiez-vous des faux amis : « entraîner » ≠ « utiliser », « mémoire » ≠ « contexte », « agent » ≠ « chatbot ». - Traduisez toujours le jargon en valeur pour le client. - RAG d'abord ; fine-tuning seulement si un besoin précis le justifie. **Mini-exercice 7.A.** Expliquez en une phrase, pour un dirigeant, ce qu'est la « fenêtre de contexte » sans utiliser de jargon. *(Corrigé en annexe D.)* ------------------------------------------------------------------------ ### Ch.8 — Exemple travaillé : extrait d'un mini-lexique de qualité Voici un extrait **entièrement déroulé** du livrable attendu (6 termes sur 25). | Terme | Définition courte | Phrase pour le client | Piège | |----|----|----|----| | Token | Unité de texte (≈ ¾ d'un mot) | « Tout se facture en tokens, comme une consommation. » | Un token n'est pas un mot | | Inférence | Faire produire une réponse au modèle | « C'est l'usage quotidien, ce qu'on paie à chaque requête. » | À ne pas confondre avec l'entraînement | | RAG | Aller chercher des documents et les fournir au modèle | « On branche l'IA sur vos documents sans la réentraîner. » | N'est pas du fine-tuning | | Fine-tuning | Réentraîner le modèle sur des données | « Plus lourd ; rarement nécessaire pour une PME. » | Pas la réponse par défaut | | Hallucination | Réponse fausse mais sûre d'elle | « Le risque n°1 : une réponse fausse crédible — d'où le contrôle humain. » | Ne disparaît jamais à 100 % | | Agent | Système qui agit en plusieurs étapes | « Un agent ne répond pas, il agit. » | N'est pas un simple chatbot | > **Pourquoi cet exemple est bon.** Définitions justes, phrases client réellement accessibles, pièges explicites. Ce lexique devient un **outil réutilisable** en avant-vente. ------------------------------------------------------------------------ ## Section 4 — Livrable & évaluation ### Ch.9 — Votre livrable ## 9.1 Consigne Produisez un **mini-lexique** de 20 à 30 termes : pour chacun, une définition courte, une « phrase pour le client » sans jargon, et le ou les pièges de contresens. ## 9.2 Gabarit à remplir `MINI-LEXIQUE — [Votre nom] | Terme | Définition courte | Phrase pour le client | Piège | | ... | ... | ... | ... | (20 à 30 lignes)` ## 9.3 Grille de notation (sur 20 — seuil : 14/20) | Critère | Points | |-------------------------------------------------------|--------| | Justesse des définitions (aucune fausse) | 7 | | « Phrases pour le client » réellement accessibles | 5 | | Pièges de contresens pertinents | 4 | | Couverture (≥ 20 termes, les familles clés présentes) | 4 | ## 9.4 Checklist avant de déposer - \[ \] Au moins 20 termes, couvrant les familles facturation / mémoire / comportement / architecture. - \[ \] Aucune définition fausse (RAG, fine-tuning, agent, inférence vérifiés). - \[ \] Chaque phrase client est compréhensible par un non-initié. - \[ \] Les pièges sont renseignés pour les termes qui en ont. - \[ \] J'ai relu et corrigé moi-même la sortie de l'IA. Déposez votre lexique sur le canal Teams (ou dans votre portfolio) avant J+2. ------------------------------------------------------------------------ ### Ch.10 — Auto-évaluation ## 10.1 Quiz (seuil : 4 bonnes réponses sur 5) 1. Combien de mots vaut grossièrement un token en français ? 2. Différence entre RAG et fine-tuning, en une phrase. 3. Que se passe-t-il quand on dépasse la fenêtre de contexte ? 4. Quel réglage diminue le risque de réponses fantaisistes ? 5. « Agent » et « chatbot » : même chose ? Justifiez. Répondez par vous-même, **puis** vérifiez avec l'**annexe D**. ## 10.2 Auto-positionnement Reportez votre niveau sur la grille d'auto-évaluation du parcours, ligne « Vocabulaire ». ------------------------------------------------------------------------ ### Ch.11 — Points de vigilance : les pièges fréquents de ce module Avant de continuer, prenez 2 minutes pour vérifier les 3 confusions les plus fréquentes sur ce module — même après un score correct au quiz, elles reviennent souvent dans la pratique. | Piège fréquent | Pourquoi c'est trompeur | Comment corriger | |----|----|----| | Confondre **RAG** et **fine-tuning** — le contresens le plus coûteux | Les deux techniques enrichissent un modèle mais de façon radicalement différente | RAG = brancher une source sans réentraîner ; fine-tuning = réentraîner le modèle lui-même | | Confondre **entraînement** et **inférence** | Les deux mots reviennent souvent ensemble mais ne désignent pas la même phase | L'entraînement fabrique le modèle ; l'inférence est l'usage payé à chaque requête | | Employer un terme techniquement juste mais **intraduisible pour le client** | Un terme correct mais opaque casse la conversation avec un décideur non technique | Exigez-vous systématiquement de reformuler en « phrase pour le client » | Si l'une de ces confusions vous parle, revisitez **Ch.4 — Concepts et vocabulaire clés** ou **Ch.6 — Démonstration commentée** avant de passer au module suivant. ### Ch.12 — Questions fréquentes (FAQ) **« Dois-je tout retenir par cœur ? »** Non. Retenez les paires d'opposition et gardez votre lexique sous la main. Avec la pratique, les termes s'ancrent. **« Le fine-tuning est-il toujours à éviter ? »** Non, mais il est rarement la première réponse. Il se justifie pour un style très spécifique ou un comportement que le RAG ne peut pas obtenir. Pour 90 % des besoins PME, le RAG suffit. **« Mon client emploie un mot que je ne connais pas. Que faire ? »** Demandez une définition, ou notez le terme et vérifiez-le ensuite (avec Claude). Ne faites jamais semblant : un consultant qui clarifie inspire plus confiance qu'un consultant qui bluffe. **« Pourquoi parler de tokens à un dirigeant ? »** Parce que c'est ce qui se facture. Comprendre les tokens, c'est comprendre le coût — un sujet que vous approfondirez au Module 5. ------------------------------------------------------------------------ ### Ch.13 — Pour aller plus loin - Constituez votre **lexique personnel vivant** : ajoutez chaque nouveau terme rencontré en clientèle. - Entraînez-vous à traduire trois phrases techniques par semaine en langage de dirigeant. - Repérez, dans une documentation fournisseur, les termes employés : sauriez-vous tous les expliquer ? **Et ensuite — Module 4 :** vous acquérez les **premiers réflexes d'orchestration** — cadrer une demande, structurer le dialogue et vérifier les sorties, notamment détecter une hallucination avant qu'elle n'atteigne un client. ------------------------------------------------------------------------ ## Annexes (ressources) ### Mémo · Prompts · Glossaire · Corrigés - **Token** = unité facturée (≈ ¾ mot). **Inférence** = usage payé à la requête. **Entraînement** = fabrication du modèle (≠ inférence). - **RAG** = brancher sur des documents sans réentraîner (réponse par défaut PME). **Fine-tuning** = réentraîner (lourd, rare). - **Prompt système** = le rôle permanent ; **prompt utilisateur** = la demande du jour. - **Température** basse = factuel ; haute = créatif. - **Agent** = agit en plusieurs étapes (≠ chatbot). **Protocole/API/MCP** = brancher proprement l'IA aux outils. - Faux amis : entraîner ≠ utiliser ; mémoire ≠ contexte ; agent ≠ chatbot. # Annexe B — Vos prompts du module Dans le dossier `prompts/` : `00_contexte_projet_claude.txt`, `01_lexique.txt`, `02_rag_vs_finetuning.txt`, `03_traduire_jargon.txt`. # Annexe C — Glossaire express | Terme | En une phrase | |---------------------|--------------------------------------------------| | Token | Unité de texte facturée | | Fenêtre de contexte | Ce que le modèle voit en une fois ; limité | | Inférence | L'usage du modèle (payé à la requête) | | RAG | Brancher l'IA sur des documents sans réentraîner | | Fine-tuning | Réentraîner le modèle (lourd, rare) | | Hallucination | Réponse fausse mais assurée | | Température | Réglage factuel (bas) / créatif (haut) | | Agent | Système qui agit en plusieurs étapes | | Protocole / MCP | Convention pour connecter l'IA aux outils | # Annexe D — Corrigés **Mini-exercice 5.A.** **RAG.** Le catalogue change chaque mois ; le RAG va chercher la fiche à jour au moment de répondre, sans réentraînement. Le fine-tuning serait coûteux et périmé dès la mise à jour suivante. **Mini-exercice 7.A (exemple).** « La fenêtre de contexte, c'est tout ce que l'IA peut avoir sous les yeux en même temps pour répondre : au-delà d'une certaine quantité de texte, elle ne voit plus tout, comme un bureau trop chargé. » **Quiz — corrigé.** 1. Environ ¾ d'un mot (un mot ≈ 1,3 token en français). 2. RAG va chercher des documents et les fournit au modèle sans le réentraîner ; le fine-tuning réentraîne le modèle. 3. Le modèle « oublie » ce qui dépasse : il ne voit plus tout, la qualité se dégrade. 4. Une température basse (et un cadrage strict + sources imposées). 5. Non : un chatbot répond en un tour ; un agent poursuit un objectif en plusieurs étapes et peut agir.