Qu'est-ce qui détermine les connaissances d'un modèle d'IA ?	Les connaissances proviennent entièrement des données d'entraînement et sont figées à la date limite de connaissance (cutoff).
Qu'est-ce que la « zone de capacité » pour les connaissances d'un modèle ?	Les sujets qui apparaissaient fréquemment, récemment (pendant l'entraînement) et de manière cohérente dans les données d'entraînement.
Quels sont les quatre types d'échecs caractéristiques des connaissances d'IA ?	L'obsolescence, la couverture inégale, les biais hérités, et l'amnésie de source (incapacité à attribuer l'origine des connaissances).
Qu'est-ce que la « zone de limitation » pour les connaissances d'un modèle ?	Les sujets rares, post-cutoff, de niche, locaux ou contestés.
Quels sont les trois outils qui permettent de combler les lacunes de connaissances ?	La recherche web, la récupération (RAG/MCPs), et l'utilisation d'outils.
Pourquoi un modèle d'IA ne peut-il pas accéder aux informations actuelles par défaut ?	Parce qu'il n'a pas de navigation en temps réel et ses connaissances s'arrêtent à la date limite d'entraînement.
Quel est le lien entre l'inégalité des connaissances et la délégation ?	Comprendre où le modèle est bien approvisionné versus faible indique quand déléguer, quand fournir du contexte, ou quand chercher ailleurs.
Qu'est-ce que le test du « biais par défaut » dans l'exercice ?	Identifier une hypothèse par défaut que les étrangers au domaine se trompent souvent, puis vérifier si l'IA l'assume.
Quel est le problème principal avec la confiance affichée par un modèle sur des sujets de niche ?	Le modèle peut présenter des réponses avec le même ton confiant pour les sujets de niche que pour les sujets courants, sans signaler l'incertitude.
Comment la recherche web change-t-elle la capacité du modèle à répondre sur des sujets récents ?	Elle permet au modèle d'accéder à des informations post-cutoff qu'il n'a jamais vues pendant l'entraînement.