Le 26 juin s’est tenu à Canton un séminaire à huis clos sur les agents d’entreprise, consacré à « la pensée ontologique et ses applications ». Une douzaine de dirigeants issus de la finance, de l’énergie, de l’industrie, de la distribution et des services publics y ont participé, aux côtés de décideurs en charge de la transformation intelligente. La session était animée par Jackson Chen, vice-président d’AHS, autour d’une proposition centrale — faire comprendre l’entreprise à l’IA et faire participer l’intelligence à sa conduite —, invitant les participants à quitter les eaux peu profondes de l’adoption technologique pour une compréhension systématique de l’essence du métier et de la logique de fonctionnement de l’ontologie.
Enseignement central : la ligne de partage de l’IA d’entreprise ne tient ni à la puissance du modèle ni au volume de calcul, mais à la capacité de rendre explicites les chaînes de raisonnement implicites — ces « parce que… donc… » enfouis dans les opérations — sous la forme d’une ontologie exécutable, auditable et évolutive.
1. Contexte : de l’impasse de la gouvernance des données à la question de la chaîne logique métier
Le programme s’attaquait frontalement au goulot d’étranglement de l’IA en entreprise : après tant d’années de projets de gouvernance des données et des ressources considérables engagées, pourquoi l’IA peine-t-elle encore à comprendre réellement le métier et à décider conformément à sa logique ?
Dans le fonctionnement quotidien, quantité de jugements décisifs reposent sur une logique implicite du type « parce que X, donc Y » : pourquoi la demande de crédit de ce client a-t-elle été refusée ? pourquoi cette commande est-elle passée par une approbation exceptionnelle ? Derrière chacune de ces décisions existe une chaîne logique métier parfaitement claire. Mais ces chaînes ne subsistent le plus souvent que sous forme d’expérience, d’usages ou de documents épars au sein de l’organisation. Difficiles à formuler systématiquement, elles deviennent une « connaissance obscure » hors de portée de l’IA.
Le nœud du problème apparaît alors : ce qui manque à l’entreprise, ce ne sont peut-être pas les données, mais la capacité interne d’exprimer de façon structurée les relations entre données et les règles métier — cette chaîne logique implicite qui traverse de bout en bout les processus.
L’objet de ce huis clos était précisément d’examiner comment faire passer cette « chaîne » de l’implicite à l’explicite, d’une expérience floue à un actif métier structuré, calculable et exprimable, afin que les agents d’entreprise puissent comprendre le métier et prendre part aux décisions.
2. L’exposé : l’ontologie, ou l’évolution technique des silos de données vers les réseaux sémantiques
Jackson Chen a ouvert la séance par une analogie : « Si l’on compare l’entreprise à un organisme vivant, les données sont le sang et la puissance de calcul, les muscles ; l’ontologie, elle, est le cerveau et le système nerveux — elle définit comment l’entreprise se connaît elle-même et comment elle interagit avec son environnement. »
Il a ensuite présenté une démonstration montrant comment extraire, depuis des systèmes internes hétérogènes — ERP, CRM, OA —, des objets métier essentiels tels que « client », « commande » ou « contrat », puis construire entre eux un réseau de relations sémantiques.
« Si les projets de lacs de données et de plateformes de données n’ont pas produit le retour sur investissement attendu en matière de transformation intelligente, a-t-il souligné, c’est fondamentalement parce que les données sont faites pour être lues par des humains : il leur manque une couche sémantique intelligible par l’IA. Ce que l’IA voit, ce n’est qu’un amas de chiffres et de chaînes de caractères isolés et dépourvus de sens. » Il a retracé le parcours technique de l’IA d’entreprise : du RAG (génération augmentée par recherche), tributaire de connaissances externes, au GraphRAG, qui mobilise les relations du graphe de connaissances interne, jusqu’à l’OAG (génération augmentée par ontologie), centré sur la logique métier propre à l’entreprise.
L’ontologie est le fossé défensif propre à l’entreprise. Elle ne dépend pas de la capacité d’un grand modèle externe : elle rend explicite le savoir-faire implicite, transmis oralement en interne, sous la forme d’un actif structuré transmissible, optimisable et exécutable.
L’ontologie ne se contente pas de décrire ce que le métier « est » : elle peut piloter ce que le système « fait ».
Il a cité le cas de Qiaoyin, première entreprise de services urbains cotée sur le marché A chinois. Grâce au système intelligent Agentrix, elle a bâti une ontologie métier qui explicite la logique de fonctionnement d’une répartition en temps réel complexe, de la coordination des processus, de l’intervention anticipée sur les risques et de l’alerte précoce des anomalies. En s’appuyant sur cette ontologie métier et sur un modèle de comportement du monde, elle a mis en œuvre une optimisation dynamique des décisions : gains sensibles d’efficacité opérationnelle, baisse des coûts, et délai de réponse de la répartition ramené de l’heure à la minute.
Pour Jackson Chen, la transformation des entreprises traverse des étapes successives : de l’informatisation (construction des systèmes) à la numérisation (processus pilotés par les données), puis vers l’« IA-isation » (des agents qui participent à la conduite des opérations) — et l’ontologie est précisément l’infrastructure clé de cette dernière étape.
3. Les questions de la salle
La dernière séquence était consacrée aux échanges avec les entreprises présentes. Leur compréhension de l’ontologie ne flottait plus au niveau des concepts : les questions entraient dans le détail de la mise en œuvre technique et du retour économique.
1. Unification sémantique : lorsque des systèmes internes nomment différemment une même réalité, comment l’IA la comprend-elle correctement et procède-t-elle à la validation ?
Question de la salle : « Notre ERP tourne depuis des années et de nombreux champs n’ont aucun dictionnaire de données unifié. Prenez le “stock” : vu de la finance, de la production ou de l’entrepôt, il ne signifie pas la même chose. Sans dictionnaire, comment l’IA peut-elle deviner le sens métier réel de chaque champ à partir des seuls noms de tables et de colonnes ? »
Qi Xiaoxi, experte produit chez AHS : « Nous procédons par couches. D’abord, Agentrix exploite en priorité le dictionnaire de données existant comme source faisant autorité. À défaut, un grand modèle infère la sémantique probable de chaque champ à partir de la structure des tables, des régularités de nommage, des relations entre tables et du contexte métier, puis produit des annotations. Les experts métier révisent et corrigent ensuite ces inférences, refermant une boucle d’annotation sémantique en collaboration homme-machine. C’est un mécanisme à double sécurité. »
Question de la salle : « Dans l’ERP et le CRM, les champs et les appellations qui définissent le “client” diffèrent. Après nettoyage, comment déterminer qu’il s’agit du même objet ? »
Qi Xiaoxi, experte produit chez AHS : « Par des règles d’unification sémantique et un mécanisme de regroupement des sources. Le système découvre automatiquement la correspondance entre des nommages distincts — client_code et customer_id, par exemple — et la valide par analyse du lignage des données. Au fond, Agentrix construit une couche cognitive unifiée des objets métier, qui se situe au-dessus du nommage propre à chaque système. »
2. Moteur de règles : quand survient une exception que le règlement interne n’avait pas prévue, comment l’IA la détecte-t-elle et améliore-t-elle les règles existantes ?
Question de la salle : « Nous détenons de nombreux baux commerciaux où le mode de calcul du loyer est rédigé en toutes lettres. Faut-il saisir les règles manuellement, une par une, ou le système peut-il lire le texte du contrat et en extraire automatiquement des règles de calcul structurées ? Une clause du type “traitement des montants supérieurs à cinq millions” peut-elle devenir une règle structurée exécutable par l’IA ? »
Qi Xiaoxi, experte produit chez AHS : « Notre système sait analyser des documents non structurés — Word, PDF, numérisations, Excel — et en extraire automatiquement des règles métier structurées. D’un bail, il identifiera par exemple une logique de “loyer fixe plus pourcentage du chiffre d’affaires”. La définition et la maintenance manuelles restent possibles. Il peut en outre repérer des schémas implicites dans l’historique des opérations : si une catégorie de note de frais dépasse systématiquement le budget tout en étant systématiquement approuvée, le système apprend cette “règle tacite” et propose de l’expliciter. »
Question de la salle : « Un règlement intérieur ne peut pas énumérer tous les imprévus. Les frais de déplacement obéissent à un tarif standard, mais l’urgence d’un projet peut ne laisser qu’un billet plein tarif. Comment les règles traitent-elles ce type d’exception ? »
Guo Lin, directeur technique d’AHS : « Le moteur de règles de notre DataOS repose sur un raisonnement hybride à trois niveaux. Premièrement, des règles de contrainte OWL traitent par inférence logique les exigences réglementaires déterministes et explicites. Deuxièmement, des algorithmes d’apprentissage automatique identifient dans l’historique des validations les “règles tacites” — ces schémas jamais écrits mais toujours approuvés en pratique — et proposent de les formaliser. Troisièmement, le grand modèle assure une adaptation souple aux exceptions que le règlement ne peut énumérer, par exemple une note de frais de déplacement hors barème liée à l’urgence d’un projet. »
Jackson Chen, vice-président d’AHS : « L’auto-évolution est l’une des capacités clés de l’ontologie. À partir de l’historique des opérations, le système apprend en continu et peut proposer de nouvelles règles ou l’amélioration des règles existantes : le corpus de normes de l’entreprise évolue ainsi au rythme de son activité. »
3. Raisonnement décisionnel : dans les processus critiques, comment garantir un raisonnement de l’IA aussi rigoureux et lisible qu’une démonstration mathématique ?
Question de la salle : « Notre commission d’appel d’offres compte sept membres et nous craignons sans cesse que la fiabilité du résultat baisse si le jugement de la majorité se trouve perturbé. Peut-on confier la décision finale à l’IA ? Et, question suivante, comment s’assurer que son jugement ne relève pas d’une “supposition en l’air” ? »
Qi Xiaoxi, experte produit chez AHS : « L’IA peut prendre en charge l’évaluation et l’audit, mais les moments critiques comme la négociation commerciale requièrent toujours une présence humaine. La valeur d’une assistance par IA ne réside pas dans une réponse en boîte noire, mais dans une chaîne de preuves complète et traçable. Dans l’évaluation d’un fournisseur, le système n’indique pas seulement qu’un prix paraît surévalué : il précise s’il se fonde sur la comparaison avec les contrats passés, sur un écart aux références du secteur, ou sur les contrôles de règles déclenchés. Chaque étape du jugement s’appuie sur des données ou des règles et reste traçable de bout en bout. Dès lors qu’une personne peut définir clairement “à cause de ceci, donc ce jugement”, l’IA peut apprendre cette chaîne décisionnelle et la réutiliser. »
Jackson Chen, vice-président d’AHS : « C’est au fond la différence entre déterminisme logique et appariement probabiliste. Un grand modèle raisonne en probabilité : juste aujourd’hui, faux demain. Le raisonnement ontologique, lui, calcule à partir de règles logiques définies et de données ; si les règles et les données sont exactes, le résultat est déterministe et reproductible. L’ontologie permet de rendre le cheminement de l’IA aussi clair qu’une démonstration mathématique. »
Question de la salle : « J’aimerais entraîner l’IA sur dix ans de contrats fournisseurs afin qu’elle signale automatiquement les devis surévalués lorsqu’un nouveau fournisseur soumet une offre. Est-ce réalisable ? »
Guo Lin, directeur technique d’AHS : « Analyser les prix à partir de l’historique du domaine est simple. Mais un prix contractuel ne se lit pas sur les seules données internes : il subit aussi l’influence du marché et des cycles économiques, d’où la nécessité d’une analyse multi-sources. Si le responsable des achats peut expliciter le fondement de sa décision — “parce que le prix de l’acier a augmenté de 15 % ces derniers temps, j’accepte ce devis” —, l’IA retient ce lien de causalité et l’applique automatiquement lors de conditions de marché comparables. Le cœur du problème demeure l’intégrité de la chaîne de preuves. »
Question de la salle : « L’eau et l’énergie comportent des règles métier très complexes — le dosage d’oxygène d’un bassin d’aération dans le traitement des eaux usées, par exemple. Faut-il entraîner des modèles prédictifs dédiés ? »
Guo Lin, directeur technique d’AHS : « Il faut distinguer les cas. Une comparaison de devis ou un contrôle de conformité se ramène à une chaîne de preuves explicite : un humain tranche une fois, l’IA exécute ensuite. En revanche, le pilotage de procédés complexes en production, qui met en jeu des modèles d’expertise et des données de capteurs en temps réel, exige effectivement des modèles prédictifs dédiés. Notre système ontologique sait encapsuler et appeler ces modèles spécialisés, bouclant l’ensemble depuis les règles métier jusqu’à la stratégie de commande. »
4. Architecture PaaS : indépendant des grands modèles, le raisonnement d’Agentrix sur l’ontologie est une exécution logique déterministe
Question de la salle : « Les grands modèles n’ont pas tous les mêmes capacités générales. Si nous investissons beaucoup pour bâtir une excellente ontologie mais que le “cerveau” branché dessus n’est pas assez performant, que faire ? »
Guo Lin, directeur technique d’AHS : « Nous avons retenu une architecture PaaS agnostique au modèle. La logique de décision stratégique du système est entièrement portée par la couche ontologique, qui définit “dans quelles conditions exécuter quelle action” ; le grand modèle sert essentiellement d’interface en langage naturel et d’exécuteur de tâches. C’est pourquoi le système fonctionne de façon stable même avec un modèle de taille modeste. Plus important encore : une entreprise entièrement tributaire des capacités d’un modèle externe n’a construit aucun fossé défensif. La compétitivité réelle et non reproductible tient à ses propres données métier, à des règles affinées par l’usage et au réseau de causalités enraciné dans le savoir-faire du secteur. Structurés par l’ontologie, ces éléments constituent la véritable barrière de l’intelligence d’entreprise. »
Risques d’une voie fortement dépendante des grands modèles : la capacité du modèle devient un plafond et les résultats restent bornés par ses aptitudes générales ; l’absence de barrière propre expose à une forte homogénéisation, les concurrents pouvant recourir au même modèle ; les coûts d’appel d’API fluctuent au gré de la tarification et un risque de chaîne d’approvisionnement subsiste, rendant coûts et risques difficiles à maîtriser ; enfin, la logique métier se referme en boîte noire, ce qui complique l’audit et l’explication des décisions complexes.
Atouts de la voie pilotée par l’ontologie et agnostique au modèle : la logique métier devient autonome, les règles de jugement essentielles étant portées par l’ontologie propre à l’entreprise, avec un haut degré de déterminisme ; un fossé défensif exclusif se constitue, la compétitivité découlant d’un graphe de connaissances métier unique et difficile à reproduire ; coûts et architecture restent souples, le modèle le plus avantageux pouvant être choisi sans dépendance ; le processus est transparent et auditable, le raisonnement s’appuyant sur des règles explicites et des chaînes de preuves traçables de bout en bout.
Question de la salle : « Pendant la mise en œuvre, comment garantir l’exactitude du système intelligent ? Risque-t-il d’“halluciner” comme les grands modèles ? Et si les règles métier changent, faut-il tout reconstruire ? »
Guo Lin, directeur technique d’AHS : « Le raisonnement fondé sur l’ontologie est une exécution logique déterministe, radicalement différente de la génération probabiliste d’un grand modèle. Il se comporte comme un programme écrit : si les entrées et les règles sont correctes, la sortie l’est nécessairement. En cas d’erreur, on peut toujours remonter à un bogue précis dans une étape logique — règle mal définie, mauvais mappage de données — et le corriger. Rien à voir avec l’hallucination, si difficile à éradiquer chez les grands modèles. Lorsque les règles métier changent, un expert métier modifie ou complète les définitions correspondantes dans la couche ontologique ; il n’est pas nécessaire de réentraîner un modèle d’apprentissage complexe, ce qui réduit fortement le coût et la complexité de la maintenance. »
Question de la salle : « Les collaborateurs métier peuvent-ils participer directement à la construction de l’ontologie ? Par exemple, interroger les données puis les consigner aussitôt comme nouvel indicateur ou nouvelle ontologie, pour réduire les coûts et gagner du temps ? »
Guo Lin, directeur technique d’AHS : « C’est précisément la direction que prennent les systèmes d’agents d’entreprise : l’auto-itération. Mais une application d’entreprise doit concilier souplesse et rigueur. Nous préconisons de sédimenter la connaissance dans une base de données — une base de graphes en particulier — plutôt que de tout entasser dans le contexte du modèle. Le changement décisif consiste à passer de “déverser toute l’expérience d’un coup” à “découvrir les relations progressivement, récupérer à la demande”. Les opérations fréquentes et à forte valeur sont consolidées en compétences (Skills) réutilisables. Aujourd’hui, leur encapsulation requiert encore l’intervention de techniciens, mais l’objectif est que les métiers puissent générer et affiner ces modules de logique métier par une simple description en langage naturel. »
5. Modèle de collaboration : il ne s’agit pas de livrer un outil ; avec « l’ontologie d’abord, la gouvernance ensuite », chaque étape est arrimée à la valeur métier
Question de la salle : « Si nous déployons votre système d’IA d’entreprise, quelles sont concrètement les modalités de collaboration ? Vente de licences, abonnement, ou autre chose ? »
Guo Lin, directeur technique d’AHS : « Nous privilégions un partenariat approfondi sous forme de coentreprise : investir avec le client, partager les risques et les fruits, plutôt que vendre un logiciel standardisé. Construire une ontologie suppose une compréhension fine du métier ; cela ne se règle jamais en livrant un outil. Nous nous inspirons du principe de l’ingénieur déployé en première ligne (FDE) pratiqué par les entreprises de la Silicon Valley : nous détachons des experts sur site dans la durée, aux côtés des équipes métier. L’engagement relève de la transformation numérique stratégique. Nous conseillons de commencer par un pilote sur un cas précis, puis d’étendre progressivement aux processus cœur une fois les résultats visibles. Cette trajectoire — “l’ontologie d’abord, la gouvernance ensuite” — garantit que chaque investissement vise directement la valeur métier et rompt le cercle vicieux des projets de données traditionnels, abandonnés sitôt livrés. »
La prochaine édition du séminaire à huis clos sur l’ontologie d’entreprise est en préparation. Contactez AHS pour obtenir une solution d’agents d’entreprise sur mesure ou réserver une place à la prochaine session.
