Olivier Tijou, Regional VP et General Manager chez Denodo
Pourtant, la réalité du terrain est bien différente et l’efficacité des solutions d’IA adoptées n’est que partiellement liée à la qualité des algorithmes choisis. Les problématiques rencontrées révèlent surtout les limites des écosystèmes de données qui alimentent ces modèles, trop souvent fragmentés, hétérogènes et incapables de fournir du sens en temps réel.
L’IA générative : un révélateur de la faiblesse des écosystèmes data des entreprises
En entreprise, la donnée reste trop souvent dispersée entre applications héritées, multicloud, silos applicatifs, plateformes SaaS et référentiels métiers difficilement conciliables. Cette fragmentation n’est pas qu’une simple question technique, elle prive tout système d’IA générative d’une condition essentielle à son bon fonctionnement : le contexte.
Sans définitions partagées, sans vocabulaire/sémantique communs, l’IA est capable de générer des réponses, mais elle ne peut pas réellement comprendre les concepts métier qu’elle utilise. Si à cela s’ajoute la difficulté d’accéder à des données réellement à jour, qualifiées et traçables, le résultat est connu : hallucinations, incohérences et des réponses impossibles à auditer.
L’IA agit alors comme un révélateur, dévoilant les failles du système d’information et les points de faiblesse de son architecture data.
Une transformation profonde des exigences en matière de donnée
L’arrivée des copilotes et des agents est en train de transformer en profondeur la manière dont la donnée doit être structurée et gouvernée. Les entreprises, aujourd’hui, voient émerger trois exigences majeures.
La première est l’accès continu à des données distribuées, enrichies et contextualisées en temps réel. Les agents ne peuvent plus s’appuyer sur des copies statiques, ni attendre des synchronisations et réplications physiques longues et coûteuses. Ils doivent interroger en direct les différentes sources, les relier et pouvoir rapidement les contextualiser. Cela implique une architecture distribuée et interopérable, capable d’exposer des informations fiables et standardisées.
La deuxième condition est une gouvernance appliquée de manière cohérente à toutes les sources. Règles de confidentialité, conformité et gestion des droits : tout doit être unifié pour éviter les risques juridiques et opérationnels, car un modèle qui ingère une donnée non conforme, ou qui génère du contenu à partir d’informations sensibles, expose l’ensemble de l’organisation. La gouvernance doit donc être appliquée au plus près des sources et de manière identique sur toutes les briques du système d’information.
Il n'y a pas d'IA sans sens : l’importance du contexte sémantique
Enfin, il est nécessaire de reconnaître l’importance de la sémantique de contexte. Il s’agit d’un point trop souvent ignoré et pourtant déterminant. Pour comprendre, raisonner et répondre avec pertinence, l’IA et ses agents ont besoin de sens et cela passe par les particularités métiers, par des définitions partagées et par un vocabulaire unifié.
Un modèle sémantique bien conçu apporte à l'IA de la qualité et de la cohérence des données, car chaque concept est clairement défini. Il aide également à la réduction des biais, en encadrant les modèles au sein de catégories, de relations et de règles de domaine explicites, et à renforcer l’explicabilité, puisque les résultats peuvent être rattachés à des concepts compréhensibles plutôt qu'à des corrélations opaques.
En ce sens, le modèle sémantique devient une sorte de conscience pour l'action de l’IA. Il ne remplace pas les algorithmes, mais il permet aux modèles LLM de savoir sur quoi ils opèrent et pour quelle raison.
Construire son avantage compétitif sur les données
L’erreur la plus fréquente consiste à considérer l’IA comme une technologie supplémentaire à intégrer dans l’existant. Il s’agit en réalité d’une rupture bien plus profonde. L’adoption des intelligences artificielles force l’entreprise à revisiter son architecture, sa culture de la donnée, sa gouvernance, jusqu’à son vocabulaire.
Les organisations qui réussiront ne seront pas celles qui multiplient les preuves de concept ou testent les modèles les plus avancés d’un point de vue technologique. Ce seront celles qui acceptent de remettre à plat leurs fondations : sens, contexte et gouvernance.
En d’autres termes : pour être impactante, l’IA ne demande pas les meilleurs modèles, elle demande les meilleures données disponibles, une donnée temps réel et une sémantique unifiée. Et c’est là, désormais, que se crée l’avantage compétitif.
L’IA générative : un révélateur de la faiblesse des écosystèmes data des entreprises
En entreprise, la donnée reste trop souvent dispersée entre applications héritées, multicloud, silos applicatifs, plateformes SaaS et référentiels métiers difficilement conciliables. Cette fragmentation n’est pas qu’une simple question technique, elle prive tout système d’IA générative d’une condition essentielle à son bon fonctionnement : le contexte.
Sans définitions partagées, sans vocabulaire/sémantique communs, l’IA est capable de générer des réponses, mais elle ne peut pas réellement comprendre les concepts métier qu’elle utilise. Si à cela s’ajoute la difficulté d’accéder à des données réellement à jour, qualifiées et traçables, le résultat est connu : hallucinations, incohérences et des réponses impossibles à auditer.
L’IA agit alors comme un révélateur, dévoilant les failles du système d’information et les points de faiblesse de son architecture data.
Une transformation profonde des exigences en matière de donnée
L’arrivée des copilotes et des agents est en train de transformer en profondeur la manière dont la donnée doit être structurée et gouvernée. Les entreprises, aujourd’hui, voient émerger trois exigences majeures.
La première est l’accès continu à des données distribuées, enrichies et contextualisées en temps réel. Les agents ne peuvent plus s’appuyer sur des copies statiques, ni attendre des synchronisations et réplications physiques longues et coûteuses. Ils doivent interroger en direct les différentes sources, les relier et pouvoir rapidement les contextualiser. Cela implique une architecture distribuée et interopérable, capable d’exposer des informations fiables et standardisées.
La deuxième condition est une gouvernance appliquée de manière cohérente à toutes les sources. Règles de confidentialité, conformité et gestion des droits : tout doit être unifié pour éviter les risques juridiques et opérationnels, car un modèle qui ingère une donnée non conforme, ou qui génère du contenu à partir d’informations sensibles, expose l’ensemble de l’organisation. La gouvernance doit donc être appliquée au plus près des sources et de manière identique sur toutes les briques du système d’information.
Il n'y a pas d'IA sans sens : l’importance du contexte sémantique
Enfin, il est nécessaire de reconnaître l’importance de la sémantique de contexte. Il s’agit d’un point trop souvent ignoré et pourtant déterminant. Pour comprendre, raisonner et répondre avec pertinence, l’IA et ses agents ont besoin de sens et cela passe par les particularités métiers, par des définitions partagées et par un vocabulaire unifié.
Un modèle sémantique bien conçu apporte à l'IA de la qualité et de la cohérence des données, car chaque concept est clairement défini. Il aide également à la réduction des biais, en encadrant les modèles au sein de catégories, de relations et de règles de domaine explicites, et à renforcer l’explicabilité, puisque les résultats peuvent être rattachés à des concepts compréhensibles plutôt qu'à des corrélations opaques.
En ce sens, le modèle sémantique devient une sorte de conscience pour l'action de l’IA. Il ne remplace pas les algorithmes, mais il permet aux modèles LLM de savoir sur quoi ils opèrent et pour quelle raison.
Construire son avantage compétitif sur les données
L’erreur la plus fréquente consiste à considérer l’IA comme une technologie supplémentaire à intégrer dans l’existant. Il s’agit en réalité d’une rupture bien plus profonde. L’adoption des intelligences artificielles force l’entreprise à revisiter son architecture, sa culture de la donnée, sa gouvernance, jusqu’à son vocabulaire.
Les organisations qui réussiront ne seront pas celles qui multiplient les preuves de concept ou testent les modèles les plus avancés d’un point de vue technologique. Ce seront celles qui acceptent de remettre à plat leurs fondations : sens, contexte et gouvernance.
En d’autres termes : pour être impactante, l’IA ne demande pas les meilleurs modèles, elle demande les meilleures données disponibles, une donnée temps réel et une sémantique unifiée. Et c’est là, désormais, que se crée l’avantage compétitif.
