{"id":1404825,"date":"2026-09-17T15:08:29","date_gmt":"2026-09-17T14:08:29","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=1404825"},"modified":"2026-09-17T18:07:01","modified_gmt":"2026-09-17T17:07:01","slug":"why-enterprise-ai-needs-more-than-rag-to-reach-production","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/fr\/blog\/why-enterprise-ai-needs-more-than-rag-to-reach-production\/","title":{"rendered":"Pourquoi l'IA d'entreprise a besoin de plus que le RAG pour passer en production"},"content":{"rendered":"

\u00c0 l\u2019occasion du salon Databricks Data + Sommet sur l'IA<\/strong><\/span>,\u00a0Artefact<\/b>\u00a0a adress\u00e9 un message clair aux responsables de l'IA en entreprise : la prochaine \u00e9tape de l'adoption de l'IA ne sera pas remport\u00e9e par les mod\u00e8les \u00e0 eux seuls. Elle sera remport\u00e9e par les organisations capables de mettre en place les fondements de confiance data, de gouvernance et s\u00e9mantiques n\u00e9cessaires pour faire passer les agents de la phase pilote \u00e0 la mise en production.<\/p>\n

Cet article a \u00e9t\u00e9 initialement publi\u00e9 dans T<\/em>The AI Journal,<\/em> pour en savoir plus sur les raisons pour lesquelles la g\u00e9n\u00e9ration augment\u00e9e par la recherche (RAG) ne suffit pas pour l'IA d'entreprise, <\/em>Nous vous invitons \u00e0 consulter le site Internet de The AI Journal.<\/em><\/a><\/p>\n

Artefact<\/b><\/a>, l'entreprise sp\u00e9cialis\u00e9e dans l'IA qui allie une mise en \u0153uvre de niveau ing\u00e9nierie \u00e0 une r\u00e9flexion de niveau conseil pour obtenir des r\u00e9sultats \u00e0 fort impact av\u00e9r\u00e9s, a pr\u00e9sent\u00e9 des architectures agentiques ax\u00e9es sur la production, avec des agents en direct et des d\u00e9monstrations r\u00e9elles fonctionnant avec les briques data et Data, dans les domaines de la mesure marketing, des services financiers, de la beaut\u00e9, des produits de grande consommation et de la logistique.<\/p>\n

Un th\u00e8me central s\u2019est d\u00e9gag\u00e9 de la pr\u00e9sence de Artefact lors de l\u2019\u00e9v\u00e9nement Databricks : l\u2019IA d\u2019entreprise ne peut pas \u00e9voluer en se limitant \u00e0 la seule recherche. Si le RAG, les catalogues metadata et les copilotes aident les entreprises \u00e0 mener rapidement des exp\u00e9rimentations, les agents d\u2019IA destin\u00e9s \u00e0 la production n\u00e9cessitent quelque chose de plus approfondi : une couche ontologique capable d\u2019interpr\u00e9ter le sens m\u00e9tier, de d\u00e9terminer l\u2019autorit\u00e9 et de raisonner \u00e0 partir des relations.<\/p>\n

C'est l\u00e0 que les enseignements tir\u00e9s de\u00a0Artefact<\/b>, prennent toute leur importance. Selon eux, de nombreuses organisations se rendent compte d\u2019une r\u00e9alit\u00e9 incontournable : les agents d\u2019IA ne peuvent agir en toute confiance que lorsque l\u2019entreprise a clairement d\u00e9fini ce que signifie son data, qui en assure la gouvernance et comment les concepts m\u00e9tier s\u2019articulent d\u2019un syst\u00e8me \u00e0 l\u2019autre.<\/p>\n

Pourquoi les catalogues RAG et metadata ne suffisent pas pour l'IA en production<\/b><\/span><\/h2>\n

Pour de nombreuses entreprises, la \u00ab g\u00e9n\u00e9ration augment\u00e9e par la recherche \u00bb (RAG) est devenue le point de d\u00e9part par d\u00e9faut de l\u2019IA d\u2019entreprise. Artefact soutient que la RAG pr\u00e9sente des limites structurelles lorsqu\u2019il s\u2019agit de processus d\u00e9cisionnels r\u00e9glement\u00e9s et pr\u00eats \u00e0 \u00eatre mis en production.<\/p>\n

Akhilesh Kale (AK)<\/b><\/a>, associ\u00e9 chez Artefact, explique :<\/p>\n

\u201c Une recherche vectorielle renvoie des extraits qui ressemblent \u00e0 votre question. Elle ne permet pas de d\u00e9terminer si le chiffre figurant dans cet extrait est bien celui valid\u00e9 par votre directeur financier, ni comment le terme \u2018 client actif \u2019 est li\u00e9 \u00e0 \u2018 contrat \u2019 trois syst\u00e8mes plus loin. Ce sont l\u00e0 les deux choses que le RAG est structurellement incapable de faire : \u00e9tablir l\u2019autorit\u00e9 et le raisonnement \u00e0 travers les relations. Une ontologie r\u00e9sout ces deux probl\u00e8mes. Elle classe les d\u00e9finitions en fonction de leur auteur, de leur fr\u00e9quence d\u2019utilisation et de leur proximit\u00e9 avec des ressources certifi\u00e9es, et elle encode les relations qui transforment une question en une r\u00e9ponse calcul\u00e9e plut\u00f4t qu\u2019en une supposition extraite. Les catalogues r\u00e9pertorient votre data. Les ontologies en assurent la validation. Cet \u00e9cart fait toute la diff\u00e9rence entre une simple d\u00e9monstration et un syst\u00e8me capable de fonctionner dans un environnement r\u00e9glementaire. \u201d<\/em><\/p>\n

Cette distinction est importante, car l\u2019IA d\u2019entreprise passe de la simple r\u00e9ponse \u00e0 des questions \u00e0 la prise d\u2019initiatives concr\u00e8tes. Dans ce contexte, une r\u00e9ponse \u201c \u00e0 peu pr\u00e8s correcte \u201d ne suffit pas. Les agents doivent \u00eatre en mesure de d\u00e9terminer quelle d\u00e9finition fait autorit\u00e9, quelle ressource data est certifi\u00e9e, et comment les concepts s\u2019articulent entre les syst\u00e8mes financiers, clients, produits, juridiques et op\u00e9rationnels.<\/p>\n

Cela rev\u00eat une importance particuli\u00e8re dans les secteurs r\u00e9glement\u00e9s tels que les services financiers, l'assurance, la sant\u00e9, l'\u00e9nergie et les t\u00e9l\u00e9communications, o\u00f9 l'explicabilit\u00e9, la tra\u00e7abilit\u00e9, les autorisations et la gouvernance ne sont pas facultatives.<\/p>\n

Le d\u00e9fi cach\u00e9 de l'IA d'entreprise : la gestion responsable, et non la technologie\u00a0<\/b><\/span><\/h2>\n

Le message \u00ab Databricks \u00bb de Artefact remet \u00e9galement en cause l\u2019id\u00e9e selon laquelle la partie la plus difficile de l\u2019IA d\u2019entreprise r\u00e9side dans sa mise en \u0153uvre technique. Kale, de nombreuses initiatives s\u2019enlisent non pas parce que la technologie \u00e9choue, mais parce que les organisations sous-estiment le travail humain et de gouvernance n\u00e9cessaire pour la p\u00e9renniser.<\/p>\n

Akhilesh Kale (AK)<\/b>,<\/b>\u00a0\u201c Ce n\u2019est pas au cours de la phase de construction que ces processus s\u2019enlisent. Ils s\u2019enlisent \u00e0 deux endroits que les \u00e9quipes consid\u00e8rent comme secondaires. Le premier est que l\u2019extraction automatique produit une \u00e9bauche, et non une d\u00e9cision : lorsqu\u2019elle fait appara\u00eetre trois d\u00e9finitions de la marge, une personne habilit\u00e9e doit faire un choix, et il s\u2019agit l\u00e0 d\u2019un acte politique que la plupart des organisations s\u2019efforcent d\u2019\u00e9viter. Le deuxi\u00e8me point est la d\u00e9pr\u00e9ciation. Une d\u00e9finition qui \u00e9tait correcte au premier trimestre devient erron\u00e9e apr\u00e8s une r\u00e9organisation ou une migration de syst\u00e8me ; le graphe a donc besoin de pipelines instrument\u00e9s et d\u2019un responsable d\u00e9sign\u00e9, et non d\u2019une mise \u00e0 jour annuelle. Assurez la gestion de ce graphe, sinon le \u2018 graphe vivant \u2019 mourra \u00e0 petit feu. \u201d<\/em><\/p>\n

C'est l'un des enseignements fondamentaux mis en avant par Artefact : la transformation par l'IA ne se r\u00e9sume pas au simple d\u00e9ploiement de plateformes ou de mod\u00e8les. Il s'agit de repenser la mani\u00e8re dont les organisations g\u00e8rent le sens, l'appropriation, la responsabilit\u00e9 et le changement.<\/b><\/span><\/p>\n

Une ontologie dynamique n\u00e9cessite une gestion active. Les d\u00e9finitions m\u00e9tier \u00e9voluent. Les syst\u00e8mes migrent. Les \u00e9quipes se r\u00e9organisent. Les exigences r\u00e9glementaires \u00e9voluent. Sans prise en charge et sans outils adapt\u00e9s, la couche s\u00e9mantique devient obsol\u00e8te et, d\u00e8s lors, les agents perdent confiance.<\/p>\n

Gouvernance en temps r\u00e9el : passer du contr\u00f4le d'acc\u00e8s aux mesures de protection \u00e0 l'ex\u00e9cution<\/b><\/span><\/h2>\n

La troisi\u00e8me le\u00e7on est que la gouvernance moderne de l'IA doit s'exercer en temps r\u00e9el. Il ne suffit plus de contr\u00f4ler les donn\u00e9es auxquelles un syst\u00e8me peut acc\u00e9der au d\u00e9but d'un flux de travail. Les agents d'IA en production ont besoin d'une gouvernance int\u00e9gr\u00e9e au parcours d'ex\u00e9cution, permettant de contr\u00f4ler ce qu'un agent est autoris\u00e9 \u00e0 faire pendant qu'il agit.<\/p>\n

Akhilesh Kale (AK)<\/b>\u00a0<\/a>pr\u00e9cise en outre :<\/p>\n

\u201c Oui, \u00e0 une condition sine qua non : la v\u00e9ritable avanc\u00e9e r\u00e9side dans le fait que la gouvernance s\u2019int\u00e8gre au cycle d\u2019ex\u00e9cution : Unity AI Gateway contr\u00f4le ce qu\u2019un agent est autoris\u00e9 \u00e0 faire en cours de t\u00e2che, et pas seulement ce qu\u2019il peut lire, et il n\u2019y a pas de deuxi\u00e8me syst\u00e8me d\u2019autorisation \u00e0 synchroniser. Pour le secteur bancaire, l\u2019assurance et la gestion d\u2019actifs, c\u2019est ce qui fait la diff\u00e9rence entre un projet pilote et un d\u00e9ploiement. Mais cette couche h\u00e9rite de la confiance ; elle ne la cr\u00e9e pas. Elle agit comme un multiplicateur du data foundation dont vous disposez d\u00e9j\u00e0, et un multiplicateur conserve le m\u00eame signe : les entreprises qui ont men\u00e9 \u00e0 bien le travail de gouvernance b\u00e9n\u00e9ficient d\u2019un coup de pouce imm\u00e9diat, tandis que les autres obtiennent une version plus rapide et plus fiable d\u2019un d\u00e9sordre qu\u2019elles n\u2019avaient pas examin\u00e9 directement. \u201d<\/em><\/p>\n

Ce point s'inscrit directement dans la ligne de la position g\u00e9n\u00e9rale de Artefact : les agents pr\u00eats \u00e0 l'emploi n\u00e9cessitent des fondements fiables. Les Databricks peuvent fournir la couche data r\u00e9gie, mais les entreprises doivent tout de m\u00eame accomplir le travail difficile consistant \u00e0 d\u00e9finir la propri\u00e9t\u00e9, \u00e0 lever les ambigu\u00eft\u00e9s et \u00e0 repenser les mod\u00e8les op\u00e9rationnels autour de la collaboration entre humains et agents.<\/p>\n

Des projets pilotes \u00e0 la production : les syst\u00e8mes agentiques de Artefact en action<\/b><\/span><\/h2>\n

Artefact illustre concr\u00e8tement ce \u00e0 quoi cela ressemble, avec des cas d'utilisation d'agents en temps r\u00e9el bas\u00e9s sur Databricks, notamment :<\/p>\n

    \n
  • Un outil de mesure du marketing conversationnel qui permet aux dirigeants de simuler des r\u00e9partitions budg\u00e9taires \u00e0 l'aide du langage naturel.<\/li>\n
  • Des profils clients synth\u00e9tiques destin\u00e9s aux secteurs des services financiers et des biens de grande consommation, permettant aux professionnels du marketing d'analyser des profils clients simul\u00e9s afin d'obtenir des informations plus rapidement.<\/li>\n
  • Un assistant d'achat de produits de beaut\u00e9 bas\u00e9 sur l'IA qui facilite la d\u00e9couverte personnalis\u00e9e de produits parmi un catalogue comptant plus de 60 000 r\u00e9f\u00e9rences.<\/li>\n
  • Corrie, un assistant IA d\u00e9di\u00e9 \u00e0 la gestion logistique qui aide les \u00e9quipes d'entrep\u00f4t \u00e0 r\u00e9soudre plus rapidement les probl\u00e8mes li\u00e9s aux articles manquants ou intervertis.<\/li>\n<\/ul>\n

    Dans tous ces exemples, les agents prennent toute leur valeur lorsqu\u2019ils sont connect\u00e9s \u00e0 des donn\u00e9es data pr\u00e9cises, r\u00e9gul\u00e9es et adapt\u00e9es \u00e0 l\u2019entreprise, et lorsque les organisations repensent les r\u00f4les humains et les structures de gouvernance qui les entourent.<\/p>\n

    Pour le cours Artefact, la le\u00e7on tir\u00e9e de Databricks<\/strong><\/span> C'est clair. L'avenir de l'IA d'entreprise ne r\u00e9side pas dans un ensemble de pilotes, de copilotes ou d'assistants isol\u00e9s les uns des autres. Il s'agit d'une organisation hybride pr\u00eate pour la production, au sein de laquelle les humains et les agents IA op\u00e8rent gr\u00e2ce \u00e0 une infrastructure data foundations partag\u00e9e, \u00e0 des flux de travail r\u00e9gis par des r\u00e8gles et \u00e0 des responsabilit\u00e9s clairement d\u00e9finies.<\/p>\n

    Ce mod\u00e8le ne consiste pas \u00e0 \u201c remplacer les personnes par l'IA \u201d. Il s'agit plut\u00f4t pour les personnes de gravir les \u00e9chelons de la cha\u00eene de valeur, en passant de l'ex\u00e9cution \u00e0 la prise de d\u00e9cision, de la production \u00e0 l'\u00e9valuation, et de la mise en \u0153uvre des processus \u00e0 la gestion des syst\u00e8mes qui les r\u00e9gissent.<\/p>","protected":false},"excerpt":{"rendered":"

    Si de nombreuses entreprises entament leur parcours dans le domaine de l\u2019IA avec la \u00ab g\u00e9n\u00e9ration augment\u00e9e par la recherche \u00bb (RAG), elles se heurtent rapidement \u00e0 ses limites structurelles. Lors du sommet Databricks Data + AI, le cabinet de conseil Artefact a fait valoir que les agents d\u2019IA destin\u00e9s \u00e0 un usage en production n\u00e9cessitent davantage qu\u2019une simple fonction de recherche : ils ont besoin d\u2019une base s\u00e9mantique fiable. Cet article explique pourquoi une couche ontologique est essentielle pour donner du sens aux donn\u00e9es m\u00e9tier, d\u00e9terminer l\u2019autorit\u00e9 data et permettre \u00e0 l\u2019IA de passer de la simple r\u00e9ponse \u00e0 des questions \u00e0 la mise en \u0153uvre d\u2019actions r\u00e9gul\u00e9es en temps r\u00e9el au sein de l\u2019entreprise.<\/p>","protected":false},"featured_media":1404827,"parent":0,"template":"","meta":{"_acf_changed":false},"blog-category":[22035,21940],"blog-language":[2991],"class_list":["post-1404825","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-data-ai-consulting","blog-category-generative-ai","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog\/1404825","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\/1404827"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=1404825"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=1404825"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=1404825"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}