Graphes de connaissances et ingénierie contextuelle

Nous entrons dans une ère où les agents d'IA sont officiellement passés du statut d'assistants passifs à celui d'acteurs capables de prendre des décisions de manière autonome. De la gestion des incidents à l'octroi de crédits, ces agents formulent désormais des recommandations et coordonnent les tâches au sein de systèmes d'entreprise complexes. Cependant, cette profonde mutation met en évidence un nouveau goulot d'étranglement critique : contexte.

En nous appuyant sur les conclusions de notre livre blanc récemment publié, Graphes de connaissances et ingénierie contextuelle, cet article présente les trois piliers sur lesquels les entreprises doivent s'appuyer pour rendre l'IA agentique fiable, vérifiable et véritablement autonome.

Dans les environnements de production, les performances d’un agent d’IA dépendent moins du grand modèle linguistique sous-jacent que du contexte sur lequel il est capable de raisonner avec succès. Le problème est que les architectures d’entreprise traditionnelles de type data n’ont pas été conçues pour prendre en compte le raisonnement. Elles enregistrent les états actuels, tels qu’un client connecté, un ticket ouvert ou une version déployée, mais elles passent complètement à côté de l’historique tacite des précédents, des dérogations aux politiques et des exceptions accordées, qui résident dans l’esprit des personnes ou dans des fils de discussion fragmentés.

Pour remédier à cela, les organisations doivent adopter l'ingénierie contextuelle en mettant en place une infrastructure à plusieurs niveaux et interconnectée : graphes de connaissances, ontologies et graphes contextuels. Comme le souligne Foundation Capital, cela représente “ L'opportunité d'un billion de dollars offerte par l'IA ”.

Chapitre 1 : Les graphes de connaissances — Relier les connaissances de l'entreprise

Traditionnellement, les données d'entreprise data sont structurées sous forme de tables relationnelles, isolant des entités telles que les clients ou les produits dans des compartiments sans lien entre eux. Si cette approche relationnelle est excellente pour le traitement des transactions et le reporting, elle ignore totalement le fonctionnement réel des entreprises. La plupart des questions métier sont intrinsèquement relationnelles : qui a acheté quoi, quels systèmes dépendent les uns des autres, et comment les événements se déroulent au fil du temps.

Les graphes de connaissances sont expressément conçus pour refléter cette réalité. Au lieu de stocker des informations dans des tables isolées, Ils représentent l'information sous la forme d'un réseau d'entités et de relations explicites, faisant ainsi évoluer le paradigme data des “ chaînes de caractères ” vers les “ entités ”.”. Prenons l'exemple du défi que représente la création d'une véritable vue à 360° d'un client. Dans une base de données SQL data traditionnelle, déterminer quels clients ont ouvert un ticket d’assistance concernant un produit acheté via une campagne spécifique nécessite une jointure multidirectionnelle lente, complexe et fragile. Dans un graphe de connaissances, cette même requête se résume à un parcours unique et intuitif suivant des arêtes nommées telles que PLACÉ, CONTIENT, ou OUVERT.

Surtout, les graphes de connaissances offrent la flexibilité nécessaire pour saisir les connaissances tacites, cette couche invisible de la logique métier. Les connaissances tacites, comme le fait pour un planificateur expérimenté de savoir quels retards de livraison sont acceptables ou quels fournisseurs sont fiables malgré des indicateurs médiocres, ne s'inscrivent pas dans un schéma relationnel prédéfini. Un graphe de connaissances intègre les nouvelles entités, relations et exceptions au fur et à mesure qu'elles sont découvertes sans nécessiter de migrations en aval vers database. Cela en fait la base idéale pour l'IA agentique, permettant aux systèmes autonomes de s'orienter au sein d'une véritable logique métier plutôt que dans un texte aux liens ténus.

Chapitre 2 : Ontologies et gouvernance sémantique — Définir ce que cela signifie

La connexion de l'entreprise data n'est qu'une première étape ; un graphe dépourvu de structure définie est fondamentalement inutilisable. Pour être fiable, un graphe de connaissances doit s'appuyer sur une ontologie. Une ontologie fournit le schéma conceptuel : elle définit la nature des entités, les relations qui les unissent et les règles opérationnelles qui s'y appliquent.

La nécessité des ontologies apparaît de manière flagrante lorsque l'on examine les limites de la génération augmentée par la recherche (RAG) standard. À l'échelle d'une entreprise, les espaces vectoriels deviennent surchargés. Un compte-rendu de réunion, un ticket Jira et un fil de discussion Slack portant sur des projets similaires apparaîtront tous mathématiquement identiques à un modèle d’embedding, ce qui conduira l’IA à extraire des informations non pertinentes ou hors contexte. La solution consiste à passer de RAG à GraphRAG. En utilisant l’ontologie pour organiser la recherche autour de relations explicites, GraphRAG fonde les réponses de l’IA sur des liens vérifiables au sein de l’entreprise plutôt que sur une simple similitude textuelle superficielle.

De plus, à mesure que les entreprises intègrent des contenus non structurés (tels que des fichiers PDF et des conversations) dans des filières de connaissances structurées, les ontologies font office de contrat sémantique. Elles fournissent des limites déterministes aux modèles de langage grandement scalables (LLM) probabilistes. Plus précisément, une ontologie garantit la fiabilité de l’agent de trois manières essentielles :

• Vérifier ce qui doit être vrai : Les ontologies peuvent restreindre les actions en s'appuyant sur des règles strictes. Par exemple, elles peuvent garantir qu'un agent ne puisse pas faire passer un dossier de prêt au statut “ approuvé ” tant que tous les documents requis n'ont pas été explicitement vérifiés, ce qui permet de détecter les infractions avant qu'elles ne se propagent.
• Déduire de nouvelles informations en temps réel : Si une ontologie définit un “ client VIP ” comme une personne ayant passé cinq commandes, le système en déduit automatiquement le statut et le met à niveau dès que la cinquième commande est passée. Cela déclenche instantanément de nouveaux workflows automatisés dès que la condition est remplie, sans nécessiter aucune logique applicative personnalisée.
• Rendre les décisions explicables : Lorsqu’un agent refuse un prêt ou attribue un niveau de priorité à une demande, l’explication ne se résume plus à “ c’est ce qu’indique le modèle ”. La décision s’appuie désormais sur un vocabulaire métier commun que les équipes humaines peuvent facilement vérifier et comprendre.

Chapitre 3 : Graphes contextuels et IA agentique — Transformer les connaissances en actions

Alors que les graphes de connaissances et les ontologies décrivent ce qui existe et les règles qui le régissent, Les véritables systèmes agentiques nécessitent un contexte dynamique et opérationnel. Ils ont besoin de savoir ce qui se passe actuellement et comment l'organisation s'est comportée par le passé.

Les systèmes d’enregistrement tels que Salesforce, ServiceNow ou Workday sont très efficaces pour consigner l’état actuel des choses, mais ils s’avèrent fondamentalement insuffisants pour une IA agentique. Une décision opérationnelle complexe, telle que la résolution d’un incident, peut s’étendre aux journaux GitHub, à la surveillance des déploiements et à une discussion approfondie sur Slack. Dans un système d’enregistrement, seul le statut final “ résolu ” est conservé. La chaîne causale, les compromis et les précédents historiques disparaissent tout simplement.

C'est précisément là qu'interviennent les graphes de contexte. Un graphe de contexte rend compte du raisonnement qui sous-tend les décisions. Il stocke les décisions en tant qu'entités à part entière, liées aux politiques appliquées, aux exceptions accordées et aux conséquences causales. L'une des observations marquantes de ce livre blanc est la suivante :

“ Les logiciels conçus pour les utilisateurs reflètent la réalité telle qu’elle est. Les logiciels conçus pour les agents doivent quant à eux refléter la manière dont cette réalité s’est produite. ” – Florence Benezit, associée chez Artefact

Sans cette couche, un agent d'IA est un système de raisonnement sans état, qui repart entièrement de zéro à chaque fois qu'il est appelé. Grâce à un graphe de contexte, l'agent peut raisonner comme un collaborateur expérimenté : il peut citer des précédents, comprendre pourquoi une exception a été accordée par le passé et anticiper les répercussions en aval.

Pour s'orienter dans ce nouveau contexte, les équipes de direction doivent établir une distinction claire entre les trois niveaux fondamentaux de l'entreprise « agentique » :

• Graphes de connaissances : Recensez les connaissances de l'entreprise (clients, produits, réglementations, interdépendances). Il s'agit du modèle commun et stable de l'entreprise.
• Graphiques de mémoire : Enregistrez ce dont l'agent se souvient (préférences de l'utilisateur, interactions passées, enseignements tirés, tant épisodiques que sémantiques). Cela permet de s'assurer que l'agent ne repart pas de zéro.
• Graphiques de contexte : Renseignez-vous sur la manière dont l'organisation prend ses décisions (traces décisionnelles, précédents, politiques appliquées et cheminements de raisonnement). C'est là que le raisonnement organisationnel devient calculable.

Ensemble, ces trois niveaux créent un environnement dans lequel les décisions s'accumulent au fil du temps. À terme, cela permet à une entreprise d'aller au-delà de la simple enregistrement des opérations pour créer un véritable “ simulateur ” capable d'anticiper activement le comportement organisationnel et ses répercussions en aval.

Conclusion : par où les entreprises devraient-elles commencer ?

Face à un champ théorique aussi vaste, la question qui se pose immédiatement aux organisations est la suivante : par où commencer ? La réponse n’est pas de tenter d’emblée de construire un graphe d’entreprise massif et monolithique. Les organisations devraient plutôt commencer strictement par le flux de travail.

Identifiez une décision récurrente et à enjeux élevés pour laquelle la bonne réponse repose actuellement en grande partie sur l’expérience tacite de collaborateurs expérimentés qui font le lien entre des systèmes fragmentés. Si le goulot d’étranglement réside dans la dispersion des informations, commencez par créer un graphe de connaissances. Si le défi réside dans la continuité entre les interactions avec l’IA, concentrez-vous sur la mémoire. Si l’obstacle réside dans la compréhension des décisions passées et la vérification du raisonnement, construisez un graphe contextuel.

Nous entrons dans une ère où l'IA passe sans équivoque de la simple réponse à des questions à l'exécution d'opérations concrètes. Les gagnants de cette nouvelle ère ne seront pas déterminés uniquement par la puissance de calcul. En fin de compte, la prochaine décennie de l'IA d'entreprise ne sera pas remportée par les entreprises disposant des meilleurs modèles, mais par celles qui offriront le meilleur contexte à leurs agents.