Glossaire IA pour ingénieurs civils : LLM, RAG et MCP

Ce glossaire de l’IA pour ingénieurs civils explique en langage clair, avec de vrais exemples CAO/BIM, les termes que tout le monde utilise soudainement : IA, LLM, RAG, MCP, prompt, contexte, jetons, skills, artefacts et IA agentique. Autodesk, Bentley, Bluebeam et Trimble sortent tous des fonctions d’IA en ce moment. Pour les évaluer (ou les expliquer à votre gestionnaire), il faut d’abord maîtriser le vocabulaire.

Je travaille en génie civil depuis 2008 et j’utilise ces outils tous les jours pour le soutien Civil 3D, les plugiciels .NET et la documentation. Voici la version que j’aurais aimé qu’on me donne.

Tout le glossaire de l’IA en une seule image

Imaginez un nouveau technicien junior dans votre équipe. Il a lu tous les manuels et tous les forums d’Internet, mais il n’a jamais vu votre projet, les normes de votre client ni votre serveur.

Le LLM, c’est ce junior : très cultivé, rapide, parfois trop sûr de lui.
Le prompt, c’est la demande que vous lui faites.
Le contexte, c’est tout ce qu’il a sur son bureau pendant qu’il travaille.
Le RAG, c’est lui remettre les bonnes pages du manuel de normes avant qu’il réponde.
Le MCP, c’est lui donner un accès à Civil 3D, ProjectWise ou Bluebeam pour qu’il puisse chercher et agir.
Les skills, c’est le cartable de procédures de votre firme : « voici comment on vérifie un jeu de feuillets ».
Un artefact, c’est le livrable qu’il vous remet : un document, un tableau, un petit outil.
Un agent, c’est ce junior qui avance seul dans une liste de tâches pendant que vous révisez.
Les jetons (tokens), c’est la façon dont son temps est facturé.

Gardez cette image en tête. Chaque terme ci-dessous s’y place quelque part.

1. Les bases : IA, AA, IA générative et LLM

IA (intelligence artificielle, AI en anglais)

Le terme parapluie pour les systèmes qui font des tâches demandant normalement un raisonnement, un apprentissage ou une résolution de problèmes de type humain. La carte terminologique de l’IA du gouvernement du Canada la divise en quatre branches : l’apprentissage automatique, le traitement du langage naturel, la vision par ordinateur et l’IA générative.

Exemple : une vérification de conception Civil 3D qui signale une conduite avec moins de 1,8 m de couverture, ce n’est pas de l’IA. C’est une règle fixe que vous avez écrite. Un outil qui apprend à partir de milliers de nuages de points classifiés pour distinguer la chaussée de la végétation, ça, c’est de l’IA.

AA (apprentissage automatique, ML) et apprentissage profond (DL)

L’apprentissage automatique veut dire que le système apprend des tendances à partir de données au lieu de suivre des règles écrites à la main. L’apprentissage profond, c’est de l’apprentissage automatique avec de grands réseaux de neurones : plusieurs couches de nœuds connectés qui apprennent des caractéristiques de plus en plus abstraites.

Exemple : la classification automatique de nuages de points (sol, bâtiments, poteaux, fils) et la détection de fissures dans la chaussée à partir d’images de relevés routiers sont des tâches typiques d’apprentissage profond. La deuxième relève aussi de la vision par ordinateur (CV) : l’IA qui interprète des images.

TLN (traitement du langage naturel, NLP)

La branche de l’IA qui comprend et produit le langage humain : traduction, résumé, reconnaissance vocale, analyse de sentiment.

Exemple : extraire toutes les clauses « l’entrepreneur doit » d’un devis de 300 pages, ou traduire automatiquement un article Autodesk de l’anglais vers le français.

IA générative (GenAI)

L’IA qui crée du nouveau contenu (texte, code, images, audio, vidéo) au lieu de seulement classer des données existantes.

Exemple : « Écris une routine AutoLISP qui renumérote mes étiquettes de structures », « rédige le compte rendu de réunion à partir de cette transcription » ou « propose trois implantations pour ce terrain ».

LLM (grand modèle de langage)

Un réseau de neurones (un « transformeur ») entraîné sur d’énormes quantités de texte pour comprendre et générer du langage. Il fonctionne en prédisant le prochain morceau de texte, un jeton à la fois. Claude, GPT, Gemini et Llama sont des LLM. ChatGPT, Claude.ai et Microsoft Copilot sont des applications construites par-dessus.

Limites à retenir : un LLM ne connaît que ce qui se trouvait dans ses données d’entraînement jusqu’à une date limite de connaissances. Il n’a jamais vu votre projet. Il peut donner une réponse fausse avec beaucoup d’assurance.

Exemple : demandez « Quel est le dévers maximal dans la norme de conception routière de mon client? » sans rien joindre. Le modèle répondra avec une valeur typique trouvée quelque part. Ça a l’air juste, mais ce n’est pas la valeur de votre client.

GPT, SLM et multimodal

GPT = Generative Pre-trained Transformer, l’architecture derrière la plupart des LLM (et le nom des modèles d’OpenAI).
SLM = petit modèle de langage. Assez petit pour tourner sur un poste de travail ou un serveur, ce qui compte quand les données d’un projet ne peuvent pas sortir du bureau.
Multimodal = le modèle lit plus que du texte : images, PDF, captures d’écran, parfois de l’audio. Collez une capture d’un message d’erreur de Civil 3D ou un plan tel que construit numérisé et demandez ce qu’il montre.

2. Parler au modèle : prompt, contexte, jetons

Prompt (requête) et prompt système

Le prompt, c’est votre demande. L’ingénierie de prompt, c’est l’art de la formuler pour que le modèle vise juste du premier coup. Le prompt système est un ensemble de consignes permanentes que l’application ajoute avant votre message (par exemple « réponds en français, cite le document source, n’invente jamais une norme »).

Prompt faible : « Écris un LISP pour arranger les calques. »

Prompt solide : « Écris une routine AutoLISP pour Civil 3D 2025 qui déplace tous les objets des calques commençant par C-ROAD vers C-ROAD-EXIST, ignore les calques verrouillés et affiche le nombre d’objets déplacés. »

Le deuxième nomme la version du logiciel, la règle exacte, le cas particulier et le résultat attendu. C’est 90 % de l’ingénierie de prompt.

Contexte et fenêtre de contexte

Le contexte, c’est tout ce que le modèle voit pour produire une réponse : le prompt système, toute la conversation jusque-là, les fichiers joints et les résultats d’outils. La fenêtre de contexte est la taille maximale de ce paquet, mesurée en jetons. Les modèles actuels acceptent des centaines de milliers de jetons, certains jusqu’à environ un million.

Deux conséquences pratiques :

Le modèle n’a pas de mémoire d’une conversation à l’autre, sauf si l’application en ajoute une. Nouvelle conversation, projet oublié.
Dans une très longue conversation, les détails du début se diluent. Si les réponses dérivent, repartez une conversation avec un résumé propre et seulement les fichiers utiles.

Jeton (token)

Un jeton est le morceau de texte qu’un modèle lit et écrit : un mot, une partie de mot, un espace ou un signe de ponctuation. La règle approximative d’OpenAI pour l’anglais : 1 jeton ≈ 4 caractères ≈ ¾ de mot, donc 100 jetons ≈ 75 mots. Le français et le portugais demandent généralement un peu plus de jetons pour la même idée.

Exemple : « superélévation » est un seul mot, mais probablement plusieurs jetons. Un devis de 30 pages d’environ 15 000 mots représente environ 20 000 jetons.

Hallucination

Une réponse fausse donnée avec assurance. Dans notre domaine, le classique, c’est une méthode de l’API .NET de Civil 3D qui n’existe pas, ou un article de norme qui n’a jamais été écrit.

Comment vous protéger : donnez au modèle le vrai document (voir RAG plus bas), demandez-lui de citer sa source, et compilez et testez toujours le code qu’il écrit. Quand j’ai bâti mon plugiciel .NET qui ajoute les réseaux de conduites aux vues en profil, la référence de l’API est restée ouverte à côté de la conversation tout le long.

Entraînement, ajustement fin et inférence

Entraînement : construire le modèle à partir de données massives. Fait une fois par le fournisseur, coûte des millions.
Ajustement fin (fine-tuning) : entraînement supplémentaire sur un jeu de données plus petit et spécialisé pour adapter le modèle à une tâche tout en gardant ses connaissances générales.
Inférence : utiliser le modèle pour répondre. Chaque message est une inférence, et c’est ça que vous payez.

3. Comment les outils d’IA sont facturés : jetons et coûts

Il y a deux façons de payer pour l’IA :

Les abonnements (ChatGPT, Claude, Copilot, modules des éditeurs comme Bluebeam Max) : un prix mensuel fixe avec des limites d’utilisation. Simple et prévisible.
L’API, à l’usage : ce que les développeurs et les outils utilisent en coulisse. Vous payez par million de jetons (souvent écrit MTok), avec un prix distinct pour l’entrée (ce que vous envoyez) et la sortie (ce que le modèle écrit).

À la fin de 2026, les modèles Claude d’Anthropic coûtent d’environ 1 $ à 10 $ US par million de jetons en entrée et de 5 $ à 50 $ US par million de jetons en sortie, selon le modèle; la sortie coûte environ cinq fois l’entrée. Les autres fournisseurs sont dans les mêmes eaux. Les prix changent souvent : vérifiez toujours la page de tarifs du fournisseur.

Un exemple chiffré

Vous demandez à un modèle de milieu de gamme (3 $ en entrée / 15 $ en sortie par MTok) de résumer ce devis de 30 pages :

Entrée : 20 000 jetons × 3 $ ÷ 1 000 000 = 0,06 $
Sortie : un résumé de 1 000 mots ≈ 1 300 jetons × 15 $ ÷ 1 000 000 = 0,02 $
Total : environ 8 cents.

Pourquoi la facture grimpe quand même

Le contexte est renvoyé à chaque tour. Posez 20 questions de suivi avec le devis joint et le modèle le relit 20 fois : 400 000 jetons en entrée, environ 1,20 $ au lieu de 0,06 $.
Les agents tournent en boucle. Un agent qui planifie, appelle un outil, lit le résultat et recommence peut faire des dizaines d’appels au modèle pour une seule tâche.
Les définitions et les résultats d’outils comptent comme entrée. Brancher dix serveurs MCP ajoute leurs descriptions à chaque requête.
Il existe des rabais : la mise en cache du prompt (contexte réutilisé facturé beaucoup moins cher) et le traitement par lots (plus lent, environ moitié prix).

Astuce : un sujet par conversation, joignez seulement les pages utiles et demandez des réponses courtes quand vous n’avez pas besoin d’un roman.

4. Donner vos connaissances au modèle : RAG, plongements, bases vectorielles

RAG (génération augmentée par récupération)

Le RAG transforme un examen à livre fermé en examen à livre ouvert. Avant que le modèle réponde, une étape de recherche trouve les passages les plus pertinents dans vos documents et les insère dans le prompt. Le modèle répond ensuite à partir de ces passages, idéalement avec la référence.

Exemple : votre firme charge son manuel de normes DAO, le guide de conception routière du client et quelques centaines d’articles de soutien Autodesk dans une base de connaissances. Un concepteur demande « Sur quel calque vont les ponceaux existants pour ce client? » Le système trouve la page 47 du manuel DAO, la met dans le contexte, et la réponse cite cette page. Microsoft Copilot Studio, les projets Claude et les GPT personnalisés de ChatGPT font tous une forme de RAG.

Idéal pour : lire et expliquer des documents qui changent peu (manuels, normes, devis, procédures).

Plongements (embeddings) et bases de données vectorielles

Comment l’étape de recherche trouve-t-elle « la bonne page »? Chaque morceau de texte est converti en une liste de nombres (un plongement) qui représente son sens. Une base de données vectorielle stocke ces listes et trouve les plus proches de votre question. C’est pour ça qu’une recherche sur « dévers » trouve aussi un paragraphe qui parle de « superelevation » ou de « transition de pente transversale ».

RAG ou ajustement fin?

Pour une firme de génie, le RAG est presque toujours la bonne première étape. C’est moins cher, c’est à jour dès que vous remplacez un document, et ça peut montrer sa source. L’ajustement fin sert à enseigner un style ou une tâche pointue, pas à charger des faits qui changent.

5. Brancher le modèle sur vos logiciels : API, outils, MCP

API et utilisation d’outils

Une API (interface de programmation) est la porte qu’un programme ouvre pour que d’autres programmes puissent lui parler. L’API .NET de Civil 3D, les API d’Autodesk Platform Services (APS) et l’API de ProjectWise en sont des exemples. L’utilisation d’outils (tool use ou function calling), c’est quand le modèle décide d’appeler une de ces fonctions au lieu de seulement écrire du texte, par exemple « donne-moi la liste des alignements de ce dessin ».

MCP (Model Context Protocol)

Le MCP est une norme ouverte lancée par Anthropic en novembre 2024 pour brancher les assistants d’IA sur les systèmes où vivent les données et les outils. Avant le MCP, chaque application d’IA avait besoin d’un connecteur maison pour chaque logiciel : N applications × M outils. Le MCP remplace tout ça par une seule prise. Pensez à un USB-C pour l’IA.

Un serveur MCP expose les outils d’un produit (par exemple « lister les feuillets », « créer une annotation », « lancer une analyse »).
Un client MCP est l’application d’IA qui s’y connecte : Claude, GitHub Copilot, VS Code, et de plus en plus d’assistants d’éditeurs.

Exemple sur ce blogue : une extension MCP relie ce site WordPress à un assistant d’IA. Je peux lui demander de lire mes articles publiés, de vérifier les champs SEO ou de préparer un brouillon, et il passe par les outils du site lui-même. Je l’ai réglé en brouillons seulement : rien ne se publie tant que je n’ai pas révisé.

Exemple dans nos logiciels : les serveurs MCP de Bentley pour MicroStation et STAAD.Pro permettent à un assistant comme Claude ou GitHub Copilot d’interroger, de créer et de modifier des données d’ingénierie par l’API Python de l’application. Autodesk offre aussi des serveurs MCP dans son Design and Make Marketplace (détails à la section 9).

RAG ou MCP en une ligne : le RAG lit vos documents; le MCP parle à vos logiciels et agit dedans.

6. Emballer le savoir-faire et les résultats : skills et artefacts

Skills (Agent Skills, compétences)

Une skill est un dossier qui contient un fichier SKILL.md (nom, description et instructions étape par étape), avec au besoin des scripts, des documents de référence et des gabarits. L’agent ne charge d’abord que la courte description, puis lit les instructions complètes quand une tâche correspond. Le format a été créé par Anthropic et publié comme norme ouverte; il est maintenant pris en charge par plusieurs outils d’IA.

Si le MCP donne des mains au modèle (l’accès aux outils), une skill lui donne la procédure de votre firme : comment se servir de ces mains comme votre équipe le fait.

Exemple : une skill de « contrôle qualité des feuillets » pour les projets routiers :

sheet-set-qa/
├── SKILL.md          # quand l'utiliser + la procédure de vérification
├── references/
│   └── norme-dao.md      # noms de calques, champs du cartouche, hauteurs de texte
└── scripts/
    └── check_layers.py   # compare la liste des calques d'un DWG à la norme

--- SKILL.md (extrait) ---
name: sheet-set-qa
description: Vérifier un jeu de feuillets routier par rapport à la norme DAO
             de la firme avant l'émission.
1. Exporter la liste des calques et les attributs du cartouche de chaque feuillet.
2. Lancer scripts/check_layers.py et lister les calques hors norme.
3. Vérifier que chaque feuillet a la même révision que le bordereau.
4. Produire un tableau : feuillet, problème, correction suggérée. Ne modifier aucun fichier.

Même idée qu’un bon gabarit Civil 3D : vous écrivez la norme une fois et tous les projets en profitent. (Côté gabarits, voir comment structurer vos styles de profils et de bandes dans Civil 3D.)

Artefacts

Un artefact est un livrable autonome que l’assistant produit à côté de la conversation plutôt que dedans : un document, un chiffrier, un diagramme, un graphique ou même une petite page web interactive que vous pouvez réutiliser et partager. Claude les appelle des artefacts; ChatGPT a un équivalent appelé « canvas ».

Exemple : « Fais-moi une petite page où j’entre la vitesse de conception et le rayon, et qui me donne le dévers selon ce tableau. » Vous obtenez une mini-calculatrice fonctionnelle, pas un mur de texte. Vérifiez toujours les valeurs avec le tableau source avant de l’utiliser sur un projet.

7. Les agents et l’IA agentique

Un agent d’IA perçoit son environnement, prend des décisions et pose des actions vers un objectif avec peu d’intervention humaine. En pratique, c’est un LLM qui tourne en boucle : planifier → agir (appeler un outil) → observer le résultat → ajuster → recommencer jusqu’à ce que la tâche soit terminée. L’IA agentique désigne de façon générale les systèmes construits comme ça.

Assistant ou agent : un assistant (ou « copilote ») répond à votre question et c’est vous qui faites le travail. Un agent fait le travail en plusieurs étapes et vous fait rapport.

Exemple : « Vérifie les 60 feuillets de ce projet. Assure-toi que la révision de chaque cartouche correspond au bordereau, liste les écarts, corrige-les dans une copie des fichiers et donne-moi un rapport. » L’agent liste les feuillets (MCP), lit chaque cartouche (MCP), compare avec le bordereau (raisonnement), modifie les copies (MCP), suit votre procédure de contrôle qualité (skill) et rédige le rapport (artefact). Vous révisez avant que quoi que ce soit soit émis.

Le piège : un agent qui se trompe se trompe à grande échelle. Bonnes pratiques : travailler sur des copies ou des brouillons, limiter ce que l’agent a le droit de faire, garder une approbation humaine avant que quoi que ce soit sorte du bureau, et conserver des journaux. C’est aussi pour ça que les tâches d’agent consomment beaucoup plus de jetons qu’une simple question.

Vous verrez aussi des systèmes multi-agents (plusieurs agents spécialisés coordonnés par un orchestrateur) dans les annonces des éditeurs. Même boucle, plus de monde.

8. Les autres acronymes de l’IA que vous croiserez

Acronyme	Signification	En une ligne
IA (AI)	Intelligence artificielle	Tout le domaine
ML / DL	Apprentissage automatique / apprentissage profond	Apprendre des tendances à partir de données / avec de grands réseaux de neurones
TLN (NLP)	Traitement du langage naturel	Comprendre et produire le langage humain
CV	Vision par ordinateur	Interpréter des images et des vidéos
GenAI	IA générative	Créer du texte, du code, des images
LLM / SLM	Grand / petit modèle de langage	Le « cerveau » textuel; les petits tournent en local
GPT	Generative Pre-trained Transformer	L’architecture derrière la plupart des LLM
RAG	Génération augmentée par récupération	Répondre à partir de vos documents
MCP	Model Context Protocol	La prise standard entre l’IA et les logiciels
API	Interface de programmation	La porte qu’un programme ouvre aux autres
MTok	Million de jetons	L’unité de facturation des API d’IA
AGI (IAG)	Intelligence artificielle générale	IA hypothétique aussi capable qu’un humain dans toutes les tâches; pas encore là

9. Les outils d’IA pour les utilisateurs d’Autodesk, Bentley, Bluebeam et Trimble

Voici où en est chaque éditeur en novembre 2026. Les noms, les fonctions et la disponibilité changent vite : vérifiez les pages en lien avant de planifier quoi que ce soit.

Autodesk

Autodesk Assistant : ajouté à Civil 3D dans la mise à jour 2024.1 pour l’accès à l’aide, puis amélioré avec Autodesk AI dans Civil 3D 2025 pour répondre aux questions sur les fonctions de Civil 3D. Autodesk le présente maintenant dans AutoCAD, Civil 3D, Revit, Inventor, Vault, Fusion et Forma, avec des capacités qui varient selon le produit.
Direction agentique : Autodesk a présenté à AU 2026 une nouvelle génération d’Assistant, plus agentique, et a montré une vision où l’on vérifie des dessins civils par rapport aux normes de sécurité, d’accessibilité et de drainage.
Serveurs MCP : certains serveurs MCP d’Autodesk sont offerts dans le Design and Make Marketplace pour les équipes qui bâtissent leurs propres flux de travail, et Autodesk Platform Services (APS) se repositionne comme plateforme de développement axée sur l’IA, articulée autour des API et du MCP.

Bentley

Bentley Copilot : un assistant qui comprend le contexte, guide l’utilisateur dans ses flux de travail, fait ressortir les documents utiles et peut modifier les modèles. Il est en aperçu technologique dans OpenRoads Designer 2026 (par exemple « Comment créer le dévers? »).
Applications avec IA : OpenSite+ (conception de site générative), SYNCHRO+ (construction 4D propulsée par l’IA) et un agent d’IA qui annote automatiquement les dessins dans OpenRoads et OpenRail Designer.
Serveurs MCP de Bentley : MicroStation et STAAD.Pro d’abord, compatibles avec Claude, GitHub Copilot et Google Gemini, avec d’autres produits prévus. Bentley Copilot utilise lui-même le même serveur MCP : vous pouvez prendre l’assistant de Bentley ou apporter le vôtre.

Bluebeam

Bluebeam Max : un abonnement Revu haut de gamme lancé mondialement en mai 2026, avec des fonctions d’IA pour la révision et la comparaison de dessins (Smart Overlay, Smart Review, AI-REVIEW, AI-MATCH).
Revu + Claude par MCP : des requêtes en langage naturel pour chercher dans les dessins et transformer les données d’annotations en informations utiles. Le soutien MCP a depuis été étendu à GitHub Copilot CLI et AnythingLLM.

Trimble

Plateforme d’IA agentique et Trimble Agent Studio : annoncés à Dimensions 2025 pour que Trimble, ses partenaires et ses clients puissent bâtir et déployer leurs propres agents dans les logiciels de construction Trimble, avec un déploiement par Trimble Labs en 2026.
Agents dans les produits : Trimble Connect Help Assistant, Viewpoint Finance Assistant, Accubid Assistant, et des agents spécialisés qui valident les devis, détectent les exceptions et déclenchent les actions de suivi.

La tendance à remarquer

Tous les grands éditeurs AEC convergent vers les mêmes briques : un assistant intégré au logiciel, des agents pour le travail en plusieurs étapes, et le MCP pour que vous puissiez apporter l’IA déjà approuvée par votre firme. C’est une bonne nouvelle pour l’interopérabilité, comme l’IFC et le LandXML permettent à nos modèles de voyager d’une plateforme à l’autre.

À retenir

LLM = le cerveau. Brillant, mais il ne connaît pas votre projet et peut se tromper avec aplomb.
Prompt + contexte = ce que vous demandez et tout ce qu’il voit. Soyez précis, joignez seulement l’essentiel.
Jetons = l’unité de facturation. Les longues conversations et les agents coûtent plus cher parce que le contexte est renvoyé.
RAG = des réponses tirées de vos documents. MCP = des actions dans vos logiciels.
Skills = vos procédures, emballées. Artefacts = des livrables réutilisables.
Agents = du travail en plusieurs étapes en autonomie. Gardez une approbation humaine.

Quel terme aimeriez-vous que j’approfondisse avec un exemple Civil 3D complet? Dites-le-moi en commentaire ou sur LinkedIn.

Glossaire de l’IA pour ingénieurs civils : LLM, RAG, MCP, jetons et IA agentique expliqués