Glossaire IA
& développement produit.

Programme autonome qui raisonne, planifie et agit pour atteindre un objectif.

Un agent IA est un programme autonome capable de percevoir son environnement, de planifier des actions, d'utiliser des outils (APIs, base de données, recherche web) et d'atteindre des objectifs complexes sans intervention humaine à chaque étape. Différent d'un chatbot classique : l'agent prend des décisions, exécute des séquences d'actions, vérifie le résultat et itère si nécessaire.

Protocole standardisé qui permet aux LLM de se connecter à n'importe quel outil ou source de données.

Le Model Context Protocol (MCP) est un protocole standardisé open-source créé par Anthropic en 2024. Il permet aux modèles de langage (Claude, GPT, Mistral) de se connecter à des outils, APIs et sources de données externes via une interface unifiée. L'équivalent USB-C pour les agents IA : un seul protocole, tous les outils. MCP remplace les intégrations ad hoc (un connecteur sur mesure pour chaque outil) par un standard unique. Côté concret, on connecte un agent à HubSpot, Notion, votre base SQL ou vos APIs métier en quelques heures au lieu de plusieurs semaines.

Architecture qui combine recherche sémantique et génération par LLM pour exploiter vos données métier.

L'architecture RAG (Retrieval-Augmented Generation) combine deux briques : un moteur de recherche sémantique (basé sur une base vectorielle) et un modèle de langage (LLM). Vos documents métier sont vectorisés et stockés. À chaque question, les passages les plus pertinents sont récupérés puis fournis au LLM comme contexte. Le LLM génère une réponse précise basée sur vos données, sans avoir besoin de fine-tuning coûteux. C'est l'architecture standard pour les chatbots intelligents, les assistants documentaires et le support client automatisé.

Modèle d'IA entraîné sur d'énormes volumes de texte, capable de comprendre et générer du langage naturel.

Un LLM (Large Language Model) est un modèle d'intelligence artificielle entraîné sur de très grandes quantités de texte (livres, articles, code, web), capable de comprendre et générer du langage naturel. Les principaux LLM en production en 2026 : GPT-4, GPT-5 (OpenAI, closed-source), Claude (Anthropic, closed-source), Gemini (Google), Mistral (Mistral AI, français, open-source disponible), Llama (Meta, open-source). Un LLM seul ne suffit pas pour exploiter vos données métier : il faut le coupler à un RAG, à des agents IA ou à des connecteurs MCP.

Direction technique (CTO) et produit (Head of Product) externalisée en duo, à la demande.

Le CTPO as a Service est une offre d'accompagnement externalisé qui combine deux rôles habituellement séparés : le CTO (responsable de l'architecture, de la stack et des choix techniques) et le Head of Product (responsable de la stratégie produit, du cadrage, de la roadmap et du go-to-market). Senzu Tech propose cette double compétence en duo via Edouard (CTO, 15+ ans) et Thomas (Head of Product, profil technique passé côté produit), pour les startups et PME qui n'ont ni l'un ni l'autre en interne. Alternative au recrutement d'un CTO et d'un Head of Product senior à temps plein.

Premier produit fonctionnel déployé avec de vrais utilisateurs.

La V1 (première version) désigne le premier produit fonctionnel déployé en production et utilisé par de vrais utilisateurs. Elle est distincte du prototype (qui valide une hypothèse technique ou UX) et du MVP (Minimum Viable Product, focalisé sur la valeur minimale). La V1 est un produit complet, en production, avec une architecture scalable. Chez Senzu Tech, une V1 est livrée en 4 à 8 semaines avec une stack moderne (React, Next.js, Node.js, Go).

Base de données spécialisée dans la recherche par similarité sémantique, pas par mots-clés.

Une base vectorielle stocke des données sous forme de vecteurs numériques représentant leur sens. Contrairement à une base SQL classique (recherche par mots-clés exacts), une base vectorielle trouve les données sémantiquement proches d'une requête, même si les mots ne correspondent pas. Indispensable pour le RAG, les moteurs de recherche IA, et les systèmes de recommandation. Principales solutions : Pinecone (cloud), Qdrant (souverain ou cloud), Weaviate, Milvus.

Réentraîner un LLM existant sur vos données spécifiques pour qu'il maîtrise votre domaine.

Le fine-tuning consiste à réentraîner un LLM existant (GPT, Claude, Llama) sur un dataset spécifique à votre domaine pour qu'il apprenne votre vocabulaire, votre style, vos process. Coûteux et long : nécessite un dataset propre, un budget GPU important, et une mise à jour du modèle à chaque évolution. Rarement nécessaire en 2026 : le RAG combiné au prompt engineering couvre 90% des cas d'usage avec un coût et une flexibilité bien meilleurs.

Architecture pensée pour scaler horizontalement sur le cloud, dès le premier jour.

Une architecture cloud-native est conçue pour exploiter pleinement les services cloud : containerisation (Docker), orchestration (Kubernetes ou alternatives plus légères comme CapRover), services managés (bases de données, queues, stockage), scalabilité horizontale automatique, déploiements continus. Permet de passer de 100 à 1 million d'utilisateurs sans refonte d'architecture. Standard chez Senzu Tech sur tout projet V1 ou agent IA en production.

Phase d'investigation pour comprendre le problème avant de coder la solution.

La discovery produit est la phase d'investigation où on comprend en profondeur le problème, les utilisateurs, les contraintes business et techniques, avant de commencer à coder. Elle évite de bâtir le mauvais produit. Inclut : entretiens utilisateurs, ateliers métier, analyse concurrentielle, prototypes papier, tests d'hypothèses. Chez Senzu Tech, la phase discovery dure 1 à 2 semaines et débouche sur un cahier des charges, une architecture proposée et un planning chiffré.

IA déployée sur infrastructure française ou européenne, sans sortie de données vers les US.

L'IA souveraine désigne un déploiement d'intelligence artificielle où l'ensemble de la chaîne (modèles, infrastructure, données) reste en France ou dans l'Union européenne. Important pour les secteurs réglementés (santé, juridique, finance, secteur public) et la conformité RGPD. Implique l'usage de LLM open-source (Mistral, Llama) hébergés sur OVH, Scaleway ou infrastructure interne, plutôt que d'API US (OpenAI, Anthropic). Senzu Tech propose ce mode de déploiement systématiquement pour les données sensibles.

MCP donne aux agents IA l'accès aux outils. RAG leur donne l'accès aux données. Souvent combinés.

MCP et RAG ne sont pas en concurrence, ils résolvent deux problèmes différents et sont souvent combinés. RAG permet à un LLM de répondre à des questions en cherchant dans une base de connaissances vectorielle (récupération d'information). MCP permet à un agent IA d'utiliser des outils externes (APIs, bases de données, applications) de manière standardisée (action). Un agent IA moderne utilise typiquement les deux : MCP pour interagir avec les outils + RAG pour exploiter la documentation métier.