T\u00e9l\u00e9chargez le livre blanc<\/span><\/a><\/div>\nNous entrons dans une \u00e8re o\u00f9 les agents d'IA sont officiellement pass\u00e9s du statut d'assistants passifs \u00e0 celui d'acteurs capables de prendre des d\u00e9cisions de mani\u00e8re autonome. De la gestion des incidents \u00e0 l'octroi de cr\u00e9dits, ces agents formulent d\u00e9sormais des recommandations et coordonnent les t\u00e2ches au sein de syst\u00e8mes d'entreprise complexes. Cependant, cette profonde mutation met en \u00e9vidence un nouveau goulot d'\u00e9tranglement critique : contexte<\/strong>.<\/p>\nEn nous appuyant sur les conclusions de notre livre blanc r\u00e9cemment publi\u00e9, Graphes de connaissances et ing\u00e9nierie contextuelle<\/strong><\/em>, cet article pr\u00e9sente les trois piliers sur lesquels les entreprises doivent s'appuyer pour rendre l'IA agentique fiable, v\u00e9rifiable et v\u00e9ritablement autonome.<\/p>\nDans les environnements de production, les performances d\u2019un agent d\u2019IA d\u00e9pendent moins du grand mod\u00e8le linguistique sous-jacent que du contexte sur lequel il est capable de raisonner avec succ\u00e8s. Le probl\u00e8me est que les architectures d\u2019entreprise traditionnelles de type data n\u2019ont pas \u00e9t\u00e9 con\u00e7ues pour prendre en compte le raisonnement. Elles enregistrent les \u00e9tats actuels, tels qu\u2019un client connect\u00e9, un ticket ouvert ou une version d\u00e9ploy\u00e9e, mais elles passent compl\u00e8tement \u00e0 c\u00f4t\u00e9 de l\u2019historique tacite des pr\u00e9c\u00e9dents, des d\u00e9rogations aux politiques et des exceptions accord\u00e9es, qui r\u00e9sident dans l\u2019esprit des personnes ou dans des fils de discussion fragment\u00e9s.<\/p>\n
Pour rem\u00e9dier \u00e0 cela, les organisations doivent adopter l'ing\u00e9nierie contextuelle en mettant en place une infrastructure \u00e0 plusieurs niveaux et interconnect\u00e9e : graphes de connaissances, ontologies et graphes contextuels. Comme le souligne Foundation Capital, cela repr\u00e9sente \u201c L'opportunit\u00e9 d'un billion de dollars offerte par l'IA \u201d<\/strong>.<\/p>\nChapitre 1 : Les graphes de connaissances \u2014 Relier les connaissances de l'entreprise<\/h2>\n
Traditionnellement, les donn\u00e9es d'entreprise data sont structur\u00e9es sous forme de tables relationnelles, isolant des entit\u00e9s 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 r\u00e9el des entreprises. La plupart des questions m\u00e9tier sont intrins\u00e8quement relationnelles : qui a achet\u00e9 quoi, quels syst\u00e8mes d\u00e9pendent les uns des autres, et comment les \u00e9v\u00e9nements se d\u00e9roulent au fil du temps.<\/p>\n
Les graphes de connaissances sont express\u00e9ment con\u00e7us pour refl\u00e9ter cette r\u00e9alit\u00e9. Au lieu de stocker des informations dans des tables isol\u00e9es, Ils repr\u00e9sentent l'information sous la forme d'un r\u00e9seau d'entit\u00e9s et de relations explicites, faisant ainsi \u00e9voluer le paradigme data des \u201c cha\u00eenes de caract\u00e8res \u201d vers les \u201c entit\u00e9s \u201d.\u201d<\/strong>. Prenons l'exemple du d\u00e9fi que repr\u00e9sente la cr\u00e9ation d'une v\u00e9ritable vue \u00e0 360\u00b0 d'un client. Dans une base de donn\u00e9es SQL data traditionnelle, d\u00e9terminer quels clients ont ouvert un ticket d\u2019assistance concernant un produit achet\u00e9 via une campagne sp\u00e9cifique n\u00e9cessite une jointure multidirectionnelle lente, complexe et fragile. Dans un graphe de connaissances, cette m\u00eame requ\u00eate se r\u00e9sume \u00e0 un parcours unique et intuitif suivant des ar\u00eates nomm\u00e9es telles que PLAC\u00c9<\/em>, CONTIENT<\/em>, ou OUVERT<\/em>.<\/p>\nSurtout, les graphes de connaissances offrent la flexibilit\u00e9 n\u00e9cessaire pour saisir les connaissances tacites, cette couche invisible de la logique m\u00e9tier. Les connaissances tacites, comme le fait pour un planificateur exp\u00e9riment\u00e9 de savoir quels retards de livraison sont acceptables ou quels fournisseurs sont fiables malgr\u00e9 des indicateurs m\u00e9diocres, ne s'inscrivent pas dans un sch\u00e9ma relationnel pr\u00e9d\u00e9fini. Un graphe de connaissances int\u00e8gre les nouvelles entit\u00e9s, relations et exceptions au fur et \u00e0 mesure qu'elles sont d\u00e9couvertes<\/strong> sans n\u00e9cessiter de migrations en aval vers database. Cela en fait la base id\u00e9ale pour l'IA agentique, permettant aux syst\u00e8mes autonomes de s'orienter au sein d'une v\u00e9ritable logique m\u00e9tier plut\u00f4t que dans un texte aux liens t\u00e9nus.<\/p>\nChapitre 2 : Ontologies et gouvernance s\u00e9mantique \u2014 D\u00e9finir ce que cela signifie<\/h2>\n
La connexion de l'entreprise data n'est qu'une premi\u00e8re \u00e9tape ; un graphe d\u00e9pourvu de structure d\u00e9finie est fondamentalement inutilisable. Pour \u00eatre fiable, un graphe de connaissances doit s'appuyer sur une ontologie. Une ontologie fournit le sch\u00e9ma conceptuel : elle d\u00e9finit la nature des entit\u00e9s, les relations qui les unissent et les r\u00e8gles op\u00e9rationnelles qui s'y appliquent.<\/p>\n
La n\u00e9cessit\u00e9 des ontologies appara\u00eet de mani\u00e8re flagrante lorsque l'on examine les limites de la g\u00e9n\u00e9ration augment\u00e9e par la recherche (RAG) standard. \u00c0 l'\u00e9chelle d'une entreprise, les espaces vectoriels deviennent surcharg\u00e9s. Un compte-rendu de r\u00e9union, un ticket Jira et un fil de discussion Slack portant sur des projets similaires appara\u00eetront tous math\u00e9matiquement identiques \u00e0 un mod\u00e8le d\u2019embedding, ce qui conduira l\u2019IA \u00e0 extraire des informations non pertinentes ou hors contexte. La solution consiste \u00e0 passer de RAG \u00e0 GraphRAG.<\/strong> En utilisant l\u2019ontologie pour organiser la recherche autour de relations explicites, GraphRAG fonde les r\u00e9ponses de l\u2019IA sur des liens v\u00e9rifiables au sein de l\u2019entreprise plut\u00f4t que sur une simple similitude textuelle superficielle.<\/p>\nDe plus, \u00e0 mesure que les entreprises int\u00e8grent des contenus non structur\u00e9s (tels que des fichiers PDF et des conversations) dans des fili\u00e8res de connaissances structur\u00e9es, les ontologies font office de contrat s\u00e9mantique. Elles fournissent des limites d\u00e9terministes aux mod\u00e8les de langage grandement scalables (LLM) probabilistes. Plus pr\u00e9cis\u00e9ment, une ontologie garantit la fiabilit\u00e9 de l\u2019agent de trois mani\u00e8res essentielles :<\/p>\n
\n- V\u00e9rifier ce qui doit \u00eatre vrai :<\/strong> Les ontologies peuvent restreindre les actions en s'appuyant sur des r\u00e8gles strictes. Par exemple, elles peuvent garantir qu'un agent ne puisse pas faire passer un dossier de pr\u00eat au statut \u201c approuv\u00e9 \u201d tant que tous les documents requis n'ont pas \u00e9t\u00e9 explicitement v\u00e9rifi\u00e9s, ce qui permet de d\u00e9tecter les infractions avant qu'elles ne se propagent.<\/li>\n
- D\u00e9duire de nouvelles informations en temps r\u00e9el :<\/strong> Si une ontologie d\u00e9finit un \u201c client VIP \u201d comme une personne ayant pass\u00e9 cinq commandes, le syst\u00e8me en d\u00e9duit automatiquement le statut et le met \u00e0 niveau d\u00e8s que la cinqui\u00e8me commande est pass\u00e9e. Cela d\u00e9clenche instantan\u00e9ment de nouveaux workflows automatis\u00e9s d\u00e8s que la condition est remplie, sans n\u00e9cessiter aucune logique applicative personnalis\u00e9e.<\/li>\n
- Rendre les d\u00e9cisions explicables :<\/strong> Lorsqu\u2019un agent refuse un pr\u00eat ou attribue un niveau de priorit\u00e9 \u00e0 une demande, l\u2019explication ne se r\u00e9sume plus \u00e0 \u201c c\u2019est ce qu\u2019indique le mod\u00e8le \u201d. La d\u00e9cision s\u2019appuie d\u00e9sormais sur un vocabulaire m\u00e9tier commun que les \u00e9quipes humaines peuvent facilement v\u00e9rifier et comprendre.<\/li>\n<\/ul>\n
Chapitre 3 : Graphes contextuels et IA agentique \u2014 Transformer les connaissances en actions<\/h2>\n
Alors que les graphes de connaissances et les ontologies d\u00e9crivent ce qui existe et les r\u00e8gles qui le r\u00e9gissent, Les v\u00e9ritables syst\u00e8mes agentiques n\u00e9cessitent un contexte dynamique et op\u00e9rationnel<\/strong>. Ils ont besoin de savoir ce qui se passe actuellement et comment l'organisation s'est comport\u00e9e par le pass\u00e9.<\/p>\nLes syst\u00e8mes d\u2019enregistrement tels que Salesforce, ServiceNow ou Workday sont tr\u00e8s efficaces pour consigner l\u2019\u00e9tat actuel des choses, mais ils s\u2019av\u00e8rent fondamentalement insuffisants pour une IA agentique. Une d\u00e9cision op\u00e9rationnelle complexe, telle que la r\u00e9solution d\u2019un incident, peut s\u2019\u00e9tendre aux journaux GitHub, \u00e0 la surveillance des d\u00e9ploiements et \u00e0 une discussion approfondie sur Slack. Dans un syst\u00e8me d\u2019enregistrement, seul le statut final \u201c r\u00e9solu \u201d est conserv\u00e9. La cha\u00eene causale, les compromis et les pr\u00e9c\u00e9dents historiques disparaissent tout simplement.<\/p>\n
C'est pr\u00e9cis\u00e9ment l\u00e0 qu'interviennent les graphes de contexte. Un graphe de contexte rend compte du raisonnement qui sous-tend les d\u00e9cisions. Il stocke les d\u00e9cisions en tant qu'entit\u00e9s \u00e0 part enti\u00e8re, li\u00e9es aux politiques appliqu\u00e9es, aux exceptions accord\u00e9es et aux cons\u00e9quences causales. L'une des observations marquantes de ce livre blanc est la suivante :<\/p>\n
\u201c Les logiciels con\u00e7us pour les utilisateurs refl\u00e8tent la r\u00e9alit\u00e9 telle qu\u2019elle est. Les logiciels con\u00e7us pour les agents doivent quant \u00e0 eux refl\u00e9ter la mani\u00e8re dont cette r\u00e9alit\u00e9 s\u2019est produite. \u201d<\/em> \u2013 Florence Benezit, associ\u00e9e chez Artefact<\/strong><\/p>\nSans cette couche, un agent d'IA est un syst\u00e8me de raisonnement sans \u00e9tat, qui repart enti\u00e8rement de z\u00e9ro \u00e0 chaque fois qu'il est appel\u00e9. Gr\u00e2ce \u00e0 un graphe de contexte, l'agent peut raisonner comme un collaborateur exp\u00e9riment\u00e9 : il peut citer des pr\u00e9c\u00e9dents, comprendre pourquoi une exception a \u00e9t\u00e9 accord\u00e9e par le pass\u00e9 et anticiper les r\u00e9percussions en aval.<\/p>\n
Pour s'orienter dans ce nouveau contexte, les \u00e9quipes de direction doivent \u00e9tablir une distinction claire entre les trois niveaux fondamentaux de l'entreprise \u00ab agentique \u00bb :<\/p>\n
\n- Graphes de connaissances :<\/strong> Recensez les connaissances de l'entreprise (clients, produits, r\u00e9glementations, interd\u00e9pendances). Il s'agit du mod\u00e8le commun et stable de l'entreprise.<\/li>\n
- Graphiques de m\u00e9moire :<\/strong> Enregistrez ce dont l'agent se souvient (pr\u00e9f\u00e9rences de l'utilisateur, interactions pass\u00e9es, enseignements tir\u00e9s, tant \u00e9pisodiques que s\u00e9mantiques). Cela permet de s'assurer que l'agent ne repart pas de z\u00e9ro.<\/li>\n
- Graphiques de contexte :<\/strong> Renseignez-vous sur la mani\u00e8re dont l'organisation prend ses d\u00e9cisions (traces d\u00e9cisionnelles, pr\u00e9c\u00e9dents, politiques appliqu\u00e9es et cheminements de raisonnement). C'est l\u00e0 que le raisonnement organisationnel devient calculable.<\/li>\n<\/ul>\n
Ensemble, ces trois niveaux cr\u00e9ent un environnement dans lequel les d\u00e9cisions s'accumulent au fil du temps. \u00c0 terme, cela permet \u00e0 une entreprise d'aller au-del\u00e0 de la simple enregistrement des op\u00e9rations pour cr\u00e9er un v\u00e9ritable \u201c simulateur \u201d capable d'anticiper activement le comportement organisationnel et ses r\u00e9percussions en aval.<\/p>\n
Conclusion : par o\u00f9 les entreprises devraient-elles commencer ?<\/h2>\n
Face \u00e0 un champ th\u00e9orique aussi vaste, la question qui se pose imm\u00e9diatement aux organisations est la suivante : par o\u00f9 commencer ? La r\u00e9ponse n\u2019est pas de tenter d\u2019embl\u00e9e de construire un graphe d\u2019entreprise massif et monolithique. Les organisations devraient plut\u00f4t commencer strictement par le flux de travail.<\/p>\n
Identifiez une d\u00e9cision r\u00e9currente et \u00e0 enjeux \u00e9lev\u00e9s pour laquelle la bonne r\u00e9ponse repose actuellement en grande partie sur l\u2019exp\u00e9rience tacite de collaborateurs exp\u00e9riment\u00e9s qui font le lien entre des syst\u00e8mes fragment\u00e9s. Si le goulot d\u2019\u00e9tranglement r\u00e9side dans la dispersion des informations, commencez par cr\u00e9er un graphe de connaissances. Si le d\u00e9fi r\u00e9side dans la continuit\u00e9 entre les interactions avec l\u2019IA, concentrez-vous sur la m\u00e9moire. Si l\u2019obstacle r\u00e9side dans la compr\u00e9hension des d\u00e9cisions pass\u00e9es et la v\u00e9rification du raisonnement, construisez un graphe contextuel.<\/p>\n
Nous entrons dans une \u00e8re o\u00f9 l'IA passe sans \u00e9quivoque de la simple r\u00e9ponse \u00e0 des questions \u00e0 l'ex\u00e9cution d'op\u00e9rations concr\u00e8tes. Les gagnants de cette nouvelle \u00e8re ne seront pas d\u00e9termin\u00e9s uniquement par la puissance de calcul. En fin de compte, la prochaine d\u00e9cennie de l'IA d'entreprise ne sera pas remport\u00e9e par les entreprises disposant des meilleurs mod\u00e8les, mais par celles qui offriront le meilleur contexte \u00e0 leurs agents.<\/p>","protected":false},"excerpt":{"rendered":"
Nous entrons dans une \u00e8re o\u00f9 les agents d'IA sont officiellement pass\u00e9s du statut d'assistants passifs \u00e0 celui d'acteurs capables de prendre des d\u00e9cisions de mani\u00e8re autonome. De la gestion des incidents \u00e0 l'approbation des cr\u00e9dits, ces agents formulent d\u00e9sormais des recommandations et coordonnent les t\u00e2ches au sein de syst\u00e8mes d'entreprise complexes. Cependant, cette profonde mutation met en \u00e9vidence un nouveau goulot d'\u00e9tranglement crucial : le contexte. <\/p>","protected":false},"featured_media":1323628,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[],"blog-language":[2991],"class_list":["post-1323627","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog\/1323627","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/1323628"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=1323627"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=1323627"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=1323627"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/06\/Mockup-LP-Knowledge-graph-1.png\")
<\/p>\n