Une source de vérité unique pour les personnes et l’IA repose sur un ensemble commun de définitions métier, chacune avec un responsable identifié, que les rapports et les outils d’IA consultent. Il vous faut des définitions partagées pour les termes clés, un lien entre chacune d’elles et les rapports et données qui l’utilisent, ainsi qu’un point d’accès commun aux personnes et à l’IA. Un graphe de connaissances n’est pas indispensable pour commencer, mais il est vivement recommandé dès que plusieurs équipes et outils d’IA dépendent de ces définitions.
En bref
- Une source de vérité unique pour les personnes et l’IA commence par des définitions métier partagées, chacune avec un responsable identifié, et non par une nouvelle plateforme de données.
- Un graphe de connaissances n’est pas indispensable pour un premier cas d’usage, mais il est vivement recommandé dans les environnements plus étendus, où de nombreux rapports et outils d’IA ont besoin des mêmes définitions reliées entre elles.
- Le lecteur du rapport et l’assistant IA doivent accéder à la même définition depuis une source commune. Sans cela, leurs interprétations risquent de diverger.
Pourquoi la source de vérité unique échoue souvent deux fois
La plupart des entreprises ont déjà tenté l’expérience pour leurs rapports : un entrepôt de données, un jeu de données certifié, un glossaire sur SharePoint. Les discussions sur les chiffres ont pourtant continué, car les données étaient centralisées, mais pas leur signification.
L’IA rend ce décalage visible plus rapidement. Par exemple, un chef de projet demande à l’assistant de l’entreprise combien de clients actifs elle compte. L’assistant trouve trois colonnes dont le nom contient « client » et en choisit une. Les ventes, la finance et le tableau de bord du conseil d’administration comptent chacun les clients actifs différemment. Personne n’a tort. Personne ne s’est mis d’accord.
En pratique, une source de vérité pour l’IA exige ce qu’une source de vérité pour les personnes aurait toujours dû offrir : des définitions dont quelqu’un est responsable, reliées aux données qu’elles décrivent et consultables là où la question se pose.
Faut-il un graphe de connaissances ou une ontologie avant de déployer l’IA en entreprise ?
Pas nécessairement. Mais dans les environnements plus étendus, c’est vivement recommandé. Un graphe de connaissances contient des termes métier et les relations qui les unissent : un KPI, sa définition, son responsable et les rapports qui l’utilisent. Une ontologie ajoute des règles formelles sur la nature de ces entités et les relations possibles entre elles. AWS propose notamment GraphRAG, avec Neptune Analytics, comme option dans Amazon Bedrock Knowledge Bases, et non comme une exigence.
Pour un ou deux agents IA, vous pouvez souvent intégrer le contexte directement dans leur configuration et vous passer de graphe. Cette approche fonctionne tant que le périmètre reste limité et qu’une seule équipe en assure la maintenance.
À plus grande échelle, la situation change. Dès que plusieurs chatbots, agents et équipes dépendent des mêmes termes, chaque copie de contexte doit être mise à jour manuellement, et les versions finissent par diverger. Un graphe leur permet de consulter une source commune. L’objectif de conception est de ne modifier une définition qu’une seule fois, puis de rendre cette version disponible aux rapports et aux chatbots concernés. Sa prise en compte dépend toutefois des intégrations, des mécanismes de synchronisation et des caches : elle n’est pas nécessairement immédiate. Le graphe représente aussi les relations qu’une simple liste ne rend pas explicites : les dépendances entre KPI, les rapports qui utilisent une mesure et les responsabilités de chacun.
Une réserve importante : un graphe modélise le sens que vous avez déjà défini. Si « client actif » signifie trois choses dans trois équipes, le graphe contiendra trois versions, ou une seule version erronée. Commencez donc par vous accorder sur les termes qui guident les décisions, puis construisez le graphe à partir de ce glossaire. En pratique, les deux évoluent ensemble.
Qu’est-ce qu’une couche sémantique pour l’IA, et en faut-il une avant de déployer l’IA générative ?
Le terme prend des sens différents selon les personnes qui l’utilisent.
- Dans les outils de gestion des métriques, une couche sémantique définit la logique de calcul des indicateurs dans le code, afin que chaque outil calcule le chiffre d’affaires de la même manière.
- Dans Power BI, le modèle sémantique contient les tables, les relations et les mesures que les rapports et Copilot exploitent.
- Au sens métier, c’est une couche qui relie les concepts de l’entreprise : un KPI, sa définition, son responsable et les rapports dans lesquels il apparaît. Il ne s’agit pas ici de logique de calcul écrite en code. Imaginez un cerveau métier : un endroit où le sens que votre entreprise donne à ses termes est consigné et relié, pour que les personnes et l’IA consultent les mêmes informations.
En faut-il une avant de déployer l’IA générative ? Vous avez besoin d’un sens métier clair avant de la déployer. Qu’il soit inscrit dans du code, un modèle sémantique ou un glossaire importe moins que trois conditions : il doit être partagé, avoir un responsable et être accessible à l’IA. Un glossaire métier constitue souvent la première étape.
Qu’est-ce qu’une couche de contexte pour les agents IA, et en quoi diffère-t-elle d’un catalogue de données ?
« Couche de contexte » est un terme plus récent. Il désigne généralement les informations qu’un agent IA reçoit en complément d’une question pour l’aider à répondre correctement : la signification d’un terme, le jeu de données à utiliser, son responsable et l’aptitude des données à l’usage prévu.
Un catalogue de données a traditionnellement été conçu pour les personnes : un inventaire des actifs de données comprenant descriptions, responsables et traçabilité, consultable dans son propre portail. Les contenus se recoupent largement. La différence tient surtout au destinataire et au mode d’accès. Un catalogue sert les personnes au moyen de la recherche. Une couche de contexte sert les agents au moyen d’une interface qu’ils peuvent appeler.
La question utile n’est donc pas de savoir quelle étiquette acheter. Il s’agit de vérifier si les définitions que vos collaborateurs consultent sont les mêmes que celles que votre IA utilise.
Couche sémantique, couche de contexte, catalogue et graphe de connaissances : comparaison
Ces approches ne sont pas concurrentes. La plupart des entreprises finissent par en combiner plusieurs. Ce qui compte, c’est l’endroit où réside le sens partagé et qui peut y accéder.
| Approche | Contenu | Destinataire principal | Responsable de la maintenance | Bon point de départ pour l’IA ? |
|---|---|---|---|---|
| Couche sémantique définie dans le code | Logique de calcul des indicateurs | Outils de BI et développeurs | Ingénieurs de données | Oui, si la logique de calcul est la principale lacune |
| Modèle sémantique Power BI | Tables, relations et mesures | Rapports et Copilot | Concepteurs des modèles | S’il est déjà en place, commencez par ajouter des descriptions |
| Glossaire métier ou catalogue | Définitions, responsables et liens vers les actifs | Personnes | Responsables des données et data stewards | Oui, si l’IA peut aussi y accéder |
| Couche de contexte | Sens, usage, responsabilités et qualité à destination des agents | Agents IA | Selon l’architecture retenue | Oui, si elle s’appuie sur des définitions avec des responsables identifiés |
| Graphe de connaissances ou ontologie | Entités, relations et, pour l’ontologie, règles formelles | Applications et IA | Spécialistes | Facultatif au départ, vivement recommandé à grande échelle |
De quoi un catalogue de données a-t-il besoin pour alimenter un chatbot d’entreprise qui répond aux questions sur nos données ?
La plupart des catalogues ont été conçus pour des personnes qui effectuent des recherches dans un portail. Pour alimenter un chatbot, vérifiez cinq points.
- Des définitions en langage clair pour les termes sur lesquels portent les questions, et pas seulement des descriptions techniques de colonnes.
- Un responsable identifié pour chaque définition, afin que le chatbot puisse indiquer à qui s’adresser en cas de doute.
- Des liens vers les usages de chaque définition : les rapports, les mesures et les jeux de données concernés.
- Un état de la qualité, afin que le chatbot puisse signaler les problèmes connus dans les données sur lesquelles repose une réponse.
- Une interface que les outils d’IA peuvent appeler, par exemple une API ou un serveur MCP, avec des contrôles d’accès adaptés aux droits de chaque utilisateur.
Deux termes sont utiles ici. La génération augmentée par récupération, ou RAG, telle que la décrivent Microsoft et AWS, récupère des contenus pertinents dans vos propres sources et les transmet au modèle avec la question. Le Model Context Protocol (MCP) est un standard ouvert, introduit par Anthropic en 2024, qui permet de connecter les assistants IA à des outils et à des données externes. Tous deux donnent accès à une source de vérité. Aucun des deux ne la crée.
Comment y parvenir : sélectionner, définir, attribuer, relier, rendre accessible
- Sélectionner : commencez par les termes qui guident les décisions, notamment les KPI des rapports de direction et les mots sur lesquels les utilisateurs interrogent l’IA.
- Définir : rédigez une phrase claire par terme, en précisant aussi ce qui est exclu.
- Attribuer : désignez, pour chaque terme, une personne habilitée à modifier sa définition.
- Relier : connectez chaque définition aux rapports, aux mesures et aux jeux de données qui l’utilisent. Dans les environnements plus étendus, un graphe de connaissances rassemble ces liens en un seul endroit.
- Rendre accessible : mettez la même définition à la disposition des personnes dans leurs rapports et des outils d’IA via une interface commune.
Commencer simplement, préparer le passage à l’échelle
Une source de vérité unique pour les personnes et l’IA ne se résume pas à une nouvelle plateforme. Elle reprend une ambition ancienne : donner un sens commun à chaque terme et le rendre accessible à tous ceux qui en ont besoin. Accordez-vous sur les définitions, désignez les responsables et veillez à ce que le rapport et l’assistant consultent le même texte. Reliez ensuite ces définitions dans un graphe de connaissances à mesure que davantage d’équipes et d’outils d’IA en dépendent. Vous pouvez commencer sans graphe. À grande échelle, il est vivement recommandé pour maintenir une référence commune et limiter la divergence entre les versions.
Questions fréquentes
Un catalogue de données peut-il servir de source de vérité pour l’IA ?
Oui, s’il contient des définitions partagées avec des responsables identifiés et si les outils d’IA peuvent l’interroger. Un catalogue accessible uniquement dans son propre portail sert les personnes qui viennent y chercher de l’information, mais pas directement les assistants qui répondent en quelques secondes.
Le RAG suffit-il à donner une source de vérité unique à notre IA ?
Le RAG récupère les contenus dans les sources vers lesquelles vous l’orientez. S’il trouve trois définitions contradictoires, il peut transmettre les trois au modèle. Le RAG donne accès à la source de vérité, il ne la crée pas.
Peut-on se passer complètement de graphe de connaissances ?
Pour un seul chatbot au périmètre limité, c’est souvent possible. Dès que plusieurs agents et équipes utilisent les mêmes termes, un graphe est vivement recommandé : les copies de définitions intégrées directement dans chaque outil risquent de diverger, tandis qu’un graphe permet de maintenir une référence commune et reliée. La diffusion des mises à jour dépend ensuite des intégrations mises en place.
Par où commencer si des centaines de termes n’ont pas de définition ?
Commencez par les KPI des rapports de direction et du conseil d’administration, ainsi que par les termes sur lesquels les utilisateurs interrogent déjà l’IA. Définissez-les, désignez leurs responsables, puis élargissez le périmètre terme par terme. Vouloir tout modéliser dès le départ est l’une des raisons pour lesquelles les projets de glossaire s’enlisent.
Qui doit être responsable de la source de vérité : l’IT ou les métiers ?
Les métiers sont responsables du sens, et l’IT de l’infrastructure qui le rend accessible. Chaque définition a besoin d’un responsable métier habilité à la modifier. L’IT met en place les mécanismes nécessaires pour que les rapports et les outils d’IA consultent la version de référence.