Glossaire des agents IA d'admissions : 50 termes à connaître

Comment utiliser ce glossaire

Ce glossaire du recrutement étudiant par l'IA définit 50 termes employés quand une école déploie des agents IA en admissions, chacun en un court paragraphe que vous pouvez citer dans un cahier des charges, un contrat ou une réunion d'équipe.

Les éditeurs emploient les mêmes mots pour des réalités différentes, et un malentendu sur « agent », « grounding » ou « opt-in » coûte cher après la signature. Chaque définition décrit le concept, pas un produit. Pour la vue d'ensemble, commencez par la définition d'un agent IA d'admissions ou le guide des agents IA pour le recrutement étudiant.

Les 50 termes par étape du parcours

Le nombre de termes compte moins que leur responsable : pour chaque terme qui touche aux données ou aux décisions, désignez qui, dans votre établissement, en répond.

Sources de référence : AI Act, annexe III · AI Act, article 50 · article fondateur du RAG (Lewis et al.)

Le glossaire de A à Z

Agent IA

Système fondé sur un modèle de langage qui répond à partir de vos contenus et exécute des tâches définies : qualifier une demande, réserver une visite, écrire dans le CRM, passer la main à l'équipe. Périmètre et droits sont fixés d'avance.

Agent vocal

Agent IA qui tient des conversations parlées au téléphone, en convertissant la voix en texte et inversement. Il demande le même grounding et le même relais qu'un agent de chat, plus des règles sur l'enregistrement des appels et la latence.

Attribution

Méthode qui rattache une demande ou une inscription au canal qui l'a produite : recherche, réseaux sociaux, salon, recommandation. Sans balisage cohérent, l'apport du chatbot reste invisible dans les rapports.

Base de connaissances

Ensemble des contenus validés dont l'agent tire ses réponses : pages formation, grilles de frais, conditions d'admission, FAQ. Sa fraîcheur plafonne la qualité des réponses : donnez-lui un responsable et une date de revue.

Chatbot à règles

Outil de conversation qui suit un arbre de décision écrit à la main. Il est prévisible et simple à auditer, mais échoue dès qu'une question sort du script. Souvent confondu avec les chatbots génératifs.

Consentement

Accord éclairé d'une personne pour que ses données soient traitées dans un but annoncé. Le droit de la protection des données fixe les conditions exactes dans chaque pays, mais vous devez pouvoir le prouver et permettre de le retirer facilement.

CRM

Système de gestion de la relation qui conserve la fiche, l'historique et le statut de chaque prospect. En admissions, c'est la source de vérité : l'agent doit y lire et y écrire dans un périmètre défini.

Délai de réponse

Temps entre le message ou le formulaire d'un prospect et la première réponse utile. Mesurez séparément la première réponse et le délai avant un humain : une réponse automatique immédiate ne signifie pas que la question est résolue.

Demande d'information

Premier contact d'un prospect qui s'informe sur une formation, les frais, une rentrée ou un campus. Définissez ce qui compte comme tel, car formulaires, chats et appels sont souvent comptés différemment selon les équipes.

Double opt-in

Consentement en deux temps : la personne s'inscrit, puis confirme par un lien envoyé à l'adresse indiquée. Il prouve que l'adresse lui appartient et limite les inscriptions erronées ou fantaisistes.

Durée de conservation

Durée pendant laquelle les données personnelles sont gardées avant suppression ou anonymisation. Fixez-en une pour les transcriptions et les fiches prospects, documentez-la, et appliquez-la dans le CRM et les journaux de l'agent.

Embedding

Représentation numérique d'un passage de texte qui en capte le sens. Les embeddings permettent de retrouver les pages les plus proches d'une question : c'est l'étape de récupération du RAG.

Enrichissement du CRM

Ajout à la fiche du prospect des informations recueillies en conversation : formation visée, rentrée, questions posées. L'équipe n'a plus à redemander ni à ressaisir.

Entonnoir d'inscription

Suite des étapes du premier contact à l'inscription : en général demande, prospect qualifié, candidature, admission, acompte, inscription. Les noms varient selon l'établissement : documentez les vôtres.

Escalade

Transfert d'un dossier à une personne quand l'agent ne peut ou ne doit pas continuer : réclamation, situation personnelle, demande floue. Les déclencheurs doivent être des règles écrites, testées avant le lancement.

Fenêtre de contexte

Quantité de texte qu'un modèle de langage peut considérer en une fois, mesurée en tokens. Une longue conversation peut la dépasser : les premiers messages sont alors coupés ou résumés, et des détails se perdent.

Fine-tuning

Entraînement complémentaire d'un modèle sur un jeu de données précis pour modifier son style ou son comportement. Ce n'est pas la voie habituelle pour enseigner vos formations à un agent : le grounding sur des sources à jour l'est.

Garde-fous

Règles et filtres autour du modèle qui limitent ce qu'il peut dire ou faire : sujets à refuser, contenus à éviter, actions soumises à validation. Ils complètent le grounding et se testent avec des questions piégeuses.

Grounding (ancrage)

Fait de contraindre une réponse à des sources validées, comme vos pages formation et vos règlements, en indiquant idéalement la source utilisée. C'est la principale défense contre les réponses inventées.

Hallucination

Réponse fluide mais fausse ou non étayée produite par un modèle, par exemple des frais de scolarité ou une date limite inventés. Grounding, garde-fous et relecture la réduisent ; aucun ne la supprime totalement.

Handoff (relais humain)

Moment où la conversation passe de l'agent à une personne, avec son contexte. Un bon relais évite au prospect de répéter sa question et montre au conseiller ce qui a déjà été dit.

Hébergement des données

Lieu géographique où les données sont stockées et traitées. Les contrats avec les écoles exigent souvent une région précise : demandez où sont traités les conversations, les journaux et les appels au modèle.

Humain dans la boucle

Conception où une personne vérifie, valide ou peut annuler la sortie du système à des points définis. Pour les décisions d'admission, c'est une bonne pratique, et la personne doit pouvoir contredire le système.

IA agentique

Logiciel qui poursuit un objectif et agit dans vos systèmes, par exemple réserver une journée portes ouvertes ou mettre à jour une fiche CRM, au lieu de seulement répondre. Il agit dans des droits définis et escalade ce qui en sort.

IA générative

Modèles qui produisent du texte, des images ou du son à partir d'une consigne. En admissions, elle rédige des réponses et des brouillons, d'où le besoin de grounding et de relecture : un texte fluide n'est pas toujours exact.

Injection de prompt

Attaque où un texte, dans un message ou un document, tente de contourner les consignes de l'agent, par exemple « ignore tes règles ». Parades : contrôle des entrées, droits limités, méfiance envers les textes récupérés.

Intention

Ce que la personne cherche à obtenir dans un message : connaître les frais, réserver une visite, vérifier une échéance. Détecter l'intention détermine la réponse, l'action ou le relais qui suit.

Journée portes ouvertes (JPO)

Événement planifié où les prospects visitent un campus ou suivent des sessions en ligne. C'est un objectif de réservation clé pour un agent d'admissions, car il transforme une demande en premier vrai contact.

Lead scoring

Attribution d'une note à un prospect selon son adéquation et son engagement pour prioriser les relances. Gardez les critères visibles et revus : un scoring opaque peut glisser vers des décisions automatisées sur des personnes.

LLM (grand modèle de langage)

Modèle entraîné sur de grands volumes de texte pour prédire et générer du langage. Il équipe les agents actuels mais ne sait rien de votre école tant que vous ne lui fournissez pas les contenus.

Minimisation des données

Principe selon lequel on ne collecte que les données personnelles nécessaires à une finalité annoncée. Pour un agent, demander l'e-mail quand une réservation l'exige, pas systématiquement dès le premier message.

Multilingue

Capacité à comprendre et répondre en plusieurs langues. Contrôlez la qualité langue par langue sur de vraies questions, et vérifiez que les contenus existent dans chaque langue promise.

No-show

Personne inscrite à un événement ou à un appel qui ne s'y présente pas. Confirmations et rappels le réduisent ; suivez-le à part des annulations, qui libèrent la place à l'avance.

Omnicanal

Traitement cohérent d'un même prospect sur le site, l'e-mail, les messageries, le téléphone et les salons, avec un historique partagé. L'objectif est la continuité, pas la simple présence sur beaucoup de canaux.

Opt-in

Action explicite par laquelle une personne accepte de recevoir des communications ou que ses données servent une finalité, par exemple cocher une case vide. Préférez-le à la case précochée ou au silence, et conservez la date à laquelle il a été donné.

Paramètres UTM

Balises ajoutées à l'URL d'un lien, comme la source, le support et la campagne, qui identifient l'origine d'un visiteur. Des UTM cohérents permettent de relier les conversations du chatbot aux canaux marketing.

Prompt

Instructions et contexte donnés à un modèle de langage : rôle, ton, règles, passages récupérés et question de l'utilisateur. Un prompt est de la configuration : versionnez-le et testez-le comme du code.

Qualification

Recueil des quelques informations qui permettent à l'équipe d'agir sur une demande : niveau d'études, formation, rentrée, lieu, questions de financement. Ne demandez que le nécessaire, et expliquez pourquoi.

RAG (génération augmentée par la récupération)

Technique qui récupère les passages pertinents de vos contenus et les confie au modèle pour rédiger la réponse. Décrite dans un article de recherche de Lewis et ses collègues, c'est la base habituelle du grounding.

Rappel

Appel, par un conseiller ou automatisé, convenu avec un prospect qui a demandé à être contacté. Le prospect choisit un créneau ou un délai, et la demande arrive à l'équipe avec la conversation jointe.

Réponse de repli

Réponse prévue quand l'agent n'a pas d'information fiable. Une bonne réponse de repli reconnaît la limite, propose un contact humain ou un formulaire, et consigne la question pour que l'équipe contenu comble le manque.

Routage

Envoi d'une demande ou d'une conversation à la bonne personne ou équipe selon la formation, le campus, la langue ou le sujet. Des règles claires évitent que des prospects restent sans responsable dans une boîte commune.

Séquence de nurturing

Série planifiée de messages envoyés à un prospect dans la durée, par e-mail ou messagerie, pour répondre à ses questions et maintenir son intérêt jusqu'à la candidature. Chaque canal exige une base légale valable.

Speed-to-lead

Délai entre la demande d'un prospect et le premier contact, humain ou automatique. Beaucoup d'équipes se fixent un objectif interne, et un agent aide à le tenir en dehors des heures de bureau.

Summer melt

Candidats qui acceptent une admission ou versent un acompte mais ne s'inscrivent pas. Le terme vient des admissions américaines et désigne l'écart entre acceptation et rentrée ; relances et étapes claires y répondent.

Taux de complétion du dossier

Part des candidatures commencées qui sont déposées avec toutes les pièces requises. Il montre où les candidats bloquent et constitue une meilleure cible de relance que le nombre brut de demandes.

Taux de conversion

Part des personnes qui passent à l'étape suivante, par exemple de la demande à la candidature ou de la candidature à l'inscription. Nommez toujours les deux étapes et la période, sinon deux chiffres ne se comparent pas.

Token

Unité de texte lue et écrite par un modèle, à peu près un fragment de mot. Consommation, coût, limites de contexte et longueur des réponses se comptent en tokens.

Transcription de conversation

Trace enregistrée d'un échange entre un prospect et l'agent. Elle alimente le relais, le contrôle qualité et les notes CRM, donc elle suit vos règles de conservation et d'accès comme toute donnée personnelle.

Yield (taux de rendement)

Part des candidats admis qui acceptent l'offre et s'inscrivent. Les équipes le suivent par formation et par rentrée ; il diffère du taux de conversion, qui peut porter sur n'importe quelle étape.

En France : Parcoursup, CNIL et recrutement hors plateforme

En France, les candidats en première année d'enseignement supérieur passent par Parcoursup, et les écoles privées recrutent aussi en direct, sur dossier, concours ou entretien. Un agent IA explique, qualifie et oriente ; il ne doit jamais laisser croire qu'il influence un résultat Parcoursup.

Côté données, la CNIL est l'autorité française de protection des données : faites valider avec votre DPO la finalité, l'information des candidats, la durée de conservation et les règles de prospection par e-mail avant de lancer l'agent. Les JPO, les salons et les candidatures en alternance restent les moments où le relais humain compte le plus.

Du glossaire aux décisions

Un vocabulaire partagé n'a d'intérêt que s'il change des décisions. Prenez cinq termes de cette liste (grounding, handoff, durée de conservation, hébergement des données, humain dans la boucle) et demandez à chaque fournisseur, nous compris, d'y répondre par écrit.

Skolbot déploie des agents IA connectés au CRM de l'établissement : l'agent du site répond à partir des contenus de l'école et transmet la conversation et sa qualification au CRM. L'équipe d'admissions garde la main sur les cas qui demandent une personne. Pour comparer les approches, lisez notre guide du chatbot IA pour le recrutement étudiant.