Le contexte devient la priorité pour réussir l’IA d’entreprise

Les agents d’IA d’entreprise fournissent des réponses incohérentes

De nombreuses entreprises considèrent que le principal défi de l’IA d’entreprise réside dans le choix du modèle linguistique approprié. Cela est de moins en moins vrai. Le véritable problème réside dans le fait que des systèmes différents attribuent souvent des significations différentes aux mêmes données métier. À mesure que les agents IA se généralisent dans les domaines de la finance, des opérations, du service client et de l’analyse de données, ce problème devient de plus en plus manifeste.

Le passage de la génération à couche unique génération augmentée par la recherche (RAG) vers des architectures de recherche hybrides a amélioré la manière dont l’IA trouve les informations. Cela ne garantit toutefois pas que tous les systèmes interprètent ces informations de la même manière. Un agent d’IA peut calculer le chiffre d’affaires à l’aide d’une définition financière stockée dans un tableau de bord BI. Un autre peut utiliser une table SQL avec des règles métier différentes. Un troisième peut suivre des instructions intégrées dans un workflow d’IA. Tous les trois peuvent accéder aux mêmes données sous-jacentes et produire malgré tout des réponses différentes.

Il s’agit d’un problème de gouvernance. Le modèle linguistique effectue des raisonnements à partir des informations qu’il reçoit. Si les définitions métier sous-jacentes sont incohérentes, le modèle produira en toute confiance des résultats incohérents. De meilleurs modèles ne suffiront pas à eux seuls à résoudre ce problème. Les organisations ont besoin de définitions métier cohérentes auxquelles chaque système d’IA puisse accéder et auxquelles il puisse se fier.

Pour les dirigeants, cela modifie les domaines dans lesquels l’investissement génère le plus de valeur. Améliorer la vitesse d’inférence ou déployer des modèles plus volumineux peut accroître les capacités, mais en l’absence d’une sémantique métier cohérente, les organisations augmentent également la vitesse à laquelle des réponses erronées se propagent au sein de l’entreprise. À mesure que l’IA s’intègre dans les processus opérationnels et en contact avec la clientèle, le coût de ces incohérences augmente rapidement, car les décisions deviennent plus automatisées et plus fréquentes.

Les organisations qui tireront le meilleur parti de l’IA d’entreprise seront sans doute celles qui considèrent le contexte métier comme une infrastructure essentielle. La qualité des données reste importante, mais la cohérence sémantique, qui garantit que tous les systèmes interprètent les termes métier de la même manière, devient tout aussi importante pour garantir la fiabilité de l’IA à grande échelle.

Snowflake présente une architecture contextuelle à deux niveaux

La réponse de Snowflake à ce défi consiste à créer une couche commune de compréhension métier qui sous-tend les applications d’IA. Plutôt que d’attendre de chaque agent d’IA qu’il interprète de manière indépendante les données de l’entreprise, la plateforme établit des définitions communes auxquelles tous les systèmes participants peuvent se référer.

La première couche, Horizon Context, recense ce que l’organisation définit explicitement. S’appuyant sur une technologie acquise via Select Star, elle rassemble les métadonnées provenant de systèmes tels que PostgreSQL, SQL Server, Tableau et Power BI au sein du catalogue Horizon. Plutôt que de laisser la logique métier dispersée entre les bases de données et les tableaux de bord, Horizon Context crée une source de vérité contrôlée que les agents d’IA, les plateformes d’analyse et les applications externes peuvent utiliser de manière cohérente.

Le « Semantic View Autopilot » constitue un élément essentiel de cette approche. Au lieu d’obliger les équipes à mettre à jour manuellement chaque définition sémantique à mesure que les données métier évoluent, le système crée et affine automatiquement les vues sémantiques au fil du temps. Cela réduit la charge de maintenance tout en aidant les organisations à maintenir leur logique métier à jour dans des environnements de données en constante expansion.

La deuxième couche, Cortex Sense, répond à un autre problème. Toutes les organisations ne disposent pas de définitions métier entièrement documentées, et de nombreuses entreprises ne sont pas en mesure de valider manuellement chaque ensemble de données. Cortex Sense tire automatiquement des informations contextuelles supplémentaires des données clients et des habitudes d’utilisation, améliorant ainsi la qualité des réponses générées par l’IA avant même qu’un processus de gouvernance manuel approfondi ne soit achevé.

La séparation de ces deux couches constitue un choix architectural important. Les définitions métier explicites créées par les utilisateurs et le contexte implicite déduit par la plateforme ont des niveaux d’autorité différents et doivent être gérés de manière distincte. Cette distinction renforce également la transparence, car elle permet aux organisations de mieux déterminer si une réponse générée par l’IA provient d’une définition métier approuvée ou d’un contexte généré par la plateforme.

Snowflake relie également ces couches contextuelles à ses capacités existantes de recherche basée sur l’IA. Cortex Search s’intègre à CoCo et à Cowork afin que le contexte contrôlé fasse partie intégrante des workflows de recherche, au lieu d’y être ajouté a posteriori. L’objectif est d’améliorer la cohérence entre les différents agents IA tout en réduisant les doublons de logique sémantique à l’échelle de l’entreprise.

Pour les dirigeants qui élaborent des stratégies à long terme en matière d’IA, cela reflète une évolution plus large de l’architecture d’entreprise. Les systèmes d’IA nécessitent de plus en plus des niveaux de gouvernance partagés qui s’appliquent à l’ensemble des applications, des plateformes de données et des unités opérationnelles. L’avantage concurrentiel résidera dans le déploiement accru de l’IA et dans la garantie que chaque système d’IA fonctionne en s’appuyant sur une connaissance métier cohérente.

Snowflake accorde la priorité à l’interopérabilité

L’une des principales préoccupations des responsables informatiques en entreprise est la dépendance vis-à-vis d’un fournisseur. Les systèmes d’IA gagnent considérablement en valeur au fil du temps, car ils accumulent des connaissances métier. Si ces connaissances ne peuvent pas être transférées d’une plateforme à l’autre, les entreprises perdent en flexibilité et voient leurs coûts augmenter à long terme.

Snowflake s’attaque à ce problème en rendant Horizon Context interopérable, plutôt que de le limiter à son propre écosystème. L’entreprise aligne cette technologie sur l’initiative Open Semantic Interchange, qui vise à rendre la sémantique métier définie par les clients transférable entre les catalogues tiers et les outils d’entreprise.

Il s’agit là d’un choix de conception important, car les environnements d’IA d’entreprise sont rarement construits autour d’un seul fournisseur. Les grandes organisations exploitent généralement des centaines d’applications réparties entre plusieurs fournisseurs de cloud, plateformes d’analyse et systèmes de gestion des données. Les agents d’IA ont de plus en plus besoin d’accéder aux informations provenant de l’ensemble de ces systèmes. Une couche sémantique qui ne fonctionne qu’au sein d’une seule plateforme engendre une complexité opérationnelle inutile et limite les choix technologiques futurs.

La portabilité favorise également une gouvernance renforcée. Les définitions métier évoluent au fil du temps, à mesure que la réglementation change, que la gamme de produits s’élargit ou que les exigences en matière de reporting financier se complexifient. Les organisations devraient pouvoir mettre à jour ces définitions une seule fois et les appliquer de manière cohérente sur plusieurs systèmes, au lieu de les recréer séparément dans chaque application d’IA.

Pour les dirigeants, l’interopérabilité devrait faire partie intégrante de toute évaluation de l’IA d’entreprise. Le choix d’une plateforme reposant sur des normes ouvertes réduit les risques liés à la migration, favorise les stratégies multi-fournisseurs et permet aux organisations d’adopter de nouvelles fonctionnalités d’IA sans avoir à repenser entièrement leur sémantique métier. Cela renforce la résilience face à l’évolution rapide du marché de l’IA d’entreprise.

Les normes ouvertes favorisent également une collaboration plus étendue au sein des écosystèmes technologiques. Lorsque les définitions sémantiques peuvent être transférées d’une plateforme à l’autre, les organisations bénéficient d’une plus grande liberté pour choisir les outils les mieux adaptés à chacune de leurs fonctions métier, tout en conservant une gouvernance cohérente. Cette flexibilité prend de plus en plus de valeur à mesure que les capacités de l’IA continuent de mûrir.

Le marché de l’IA d’entreprise s’oriente vers les couches contextuelles, considérées comme le prochain fondement d’une IA digne de confiance

Le débat autour de l’IA d’entreprise évolue. Auparavant, les discussions portaient principalement sur les modèles linguistiques, les bases de données vectorielles et les performances de recherche. Ces technologies restent importantes, mais les entreprises prennent de plus en plus conscience qu’une IA fiable repose sur un contexte métier cohérent. En l’absence d’une sémantique partagée, l’amélioration des capacités des modèles ne suffit pas à elle seule à garantir des résultats fiables.

Cette évolution est perceptible dans l’ensemble du secteur. Microsoft a ouvert son ontologie métier Fabric IQ via le Model Context Protocol (MCP), permettant ainsi aux agents d’IA de différents fournisseurs d’accéder à une couche sémantique partagée. Redis a lancé Iris, une plateforme qui gère le contexte et la mémoire entre les agents d’IA et les données d’entreprise. Pinecone a élargi son champ d’action au-delà de la recherche vectorielle avec Nexus, qui prépare les connaissances de l’entreprise avant que les systèmes d’IA ne les interrogent. Bien que ces solutions diffèrent sur le plan technique, elles répondent toutes au même défi sous-jacent : créer une compréhension cohérente du métier à travers les différents systèmes d’IA.

Cette convergence indique que la gouvernance sémantique devient un atout concurrentiel plutôt qu’une fonctionnalité facultative. Les organisations qui déploient plusieurs agents d’IA ont besoin de définitions cohérentes, applicables à l’ensemble des services, des flux de travail et des plateformes logicielles. Sans cela, l’adoption croissante de l’IA rendra inévitables les réponses contradictoires.

Pour les dirigeants d’entreprise, cette tendance devrait influencer leur stratégie technologique. Les annonces des fournisseurs doivent être évaluées en fonction des performances des modèles ou des résultats aux tests comparatifs, mais aussi de leur capacité à gérer efficacement la sémantique métier, la gouvernance et la transparence. Ces capacités détermineront de plus en plus si l’IA est en mesure de soutenir en toute confiance des décisions opérationnelles à forte valeur ajoutée.

Le marché s’oriente également vers des architectures alliant automatisation et supervision humaine. Le contexte généré automatiquement peut améliorer la productivité et réduire le travail manuel, mais il doit s’inscrire dans le cadre de définitions métier explicitement régies. Le fait de maintenir une visibilité sur ces deux sources permet aux organisations d’améliorer les performances de l’IA tout en préservant la traçabilité.

Le succès des couches contextuelles d’entreprise repose sur la gouvernance, la traçabilité et une séparation claire

À mesure que les agents d’IA s’intègrent de plus en plus profondément dans les opérations métier, les organisations doivent comprendre quelle réponse un système d’IA a fournie, et pourquoi il a produit cette réponse. Cela devient désormais une exigence métier fondamentale plutôt qu’une simple préférence technique. Lorsque l’IA intervient dans le reporting financier, les interactions avec les clients, la conformité ou les décisions opérationnelles, chaque réponse doit pouvoir être rattachée à la logique métier sous-jacente.

Les analystes considèrent que l’architecture de Snowflake revêt une importance particulière, car la gouvernance est intégrée au catalogue de données plutôt que d’être ajoutée après le déploiement des systèmes d’IA. Cela permet de garantir la cohérence des définitions métier sur l’ensemble des plateformes d’analyse, des bases de données et des agents d’IA. Plus important encore, cela offre aux organisations une visibilité sur la manière dont la sémantique métier est créée, maintenue et appliquée à travers les différents systèmes.

La distinction entre le contexte explicitement défini et le contexte déduit automatiquement améliore également la qualité des décisions. Les règles métier définies par l’homme représentent généralement des politiques approuvées, des exigences réglementaires ou des définitions financières convenues. Le contexte dérivé par une machine peut améliorer la couverture et réduire le travail manuel, mais il doit rester distinct des connaissances approuvées par le client. Le maintien de cette distinction permet aux organisations d’appliquer différents niveaux de confiance et de contrôle en fonction de la manière dont les informations ont été générées.

La traçabilité prend de plus en plus d’importance à mesure que l’adoption de l’IA se généralise. Les dirigeants d’entreprise doivent avoir l’assurance que les décisions importantes peuvent être examinées, vérifiées et expliquées si nécessaire. Une traçabilité solide facilite également le respect des politiques de gouvernance internes et des réglementations externes, en indiquant précisément quelles définitions métier ont contribué à une réponse générée par l’IA.

Pour les dirigeants, cela signifie que la gouvernance doit être considérée comme une capacité stratégique plutôt que comme une dépense opérationnelle. Les organisations qui investissent dès le début dans la gouvernance sémantique et la traçabilité transparente seront probablement en mesure de déployer l’IA d’entreprise à plus grande échelle en toute confiance, car elles pourront faire preuve de cohérence, de responsabilité et de maîtrise dans l’ensemble des fonctions métier.

Les entreprises devraient évaluer les plateformes contextuelles en fonction de critères tels que la gouvernance, la portabilité, l’auditabilité et la confiance mesurable

De nombreux fournisseurs d’IA pour les entreprises présentent les couches contextuelles comme des technologies capables d’améliorer rapidement la précision de l’IA. Dans la pratique, le déploiement de ces plateformes met souvent en évidence des incohérences de longue date au niveau des données d’entreprise, des règles métier et de la gouvernance. Les systèmes d’IA ont tendance à rendre ces problèmes plus visibles, car ils reposent sur des définitions cohérentes entre plusieurs sources d’information.

Cela signifie que les organisations doivent aller au-delà d’une évaluation des plateformes d’IA axée principalement sur les performances des modèles ou la facilité de déploiement. Les questions les plus importantes concernent la gouvernance. La plateforme est-elle capable d’expliquer pourquoi une réponse a été générée ? Les définitions métier peuvent-elles être réutilisées par plusieurs agents d’IA ? Les politiques sémantiques peuvent-elles être transférées d’un fournisseur à l’autre sans nécessiter de refonte majeure ? L’organisation est-elle en mesure de mesurer les améliorations en matière de cohérence et de précision au fil du temps ?

Ces capacités prennent de plus en plus d’importance à mesure que les entreprises déploient l’IA dans plusieurs divisions. Les services financiers, commerciaux, juridiques, opérationnels et de service client utilisent souvent des systèmes et des flux de travail différents. En l’absence d’une couche sémantique régie et transférable, chaque déploiement d’IA risque de créer sa propre interprétation de l’activité, ce qui nuit à la cohérence au lieu de l’améliorer.

Les organisations doivent également prendre conscience que la gestion du contexte ne se résume pas à une mise en œuvre ponctuelle. Les définitions métier évoluent en permanence à mesure que les entreprises lancent de nouveaux produits, pénètrent de nouveaux marchés, s’adaptent aux changements réglementaires ou réorganisent leurs processus internes. Les plateformes de gestion du contexte doivent donc permettre une gouvernance continue, plutôt que d’exiger une refonte manuelle répétée.

Pour les dirigeants de haut niveau, l’objectif ne consiste pas simplement à déployer davantage d’IA. Il s’agit de créer un environnement d’IA capable de générer des décisions cohérentes, explicables et fiables à l’échelle de l’entreprise. Les plateformes qui favorisent la gouvernance, la traçabilité, la portabilité et une qualité sémantique mesurable sont plus à même d’apporter une valeur ajoutée durable à l’entreprise que les solutions axées uniquement sur la rapidité de déploiement.

Principaux enseignements pour les dirigeants

• Harmonisez le contexte métier avant de déployer l’IA à grande échelle : les modèles d’IA ne sont pas la principale source d’incohérences dans les réponses fournies par l’entreprise. Les dirigeants doivent établir des définitions métier communes à toutes les sources de données afin que chaque agent IA s’appuie sur les mêmes fondements sémantiques.
• Intégrez la gouvernance dans l’architecture de l’IA : une couche contextuelle dédiée, combinant la logique métier définie par le client et le contexte généré par la plateforme, peut améliorer la cohérence tout en préservant la transparence. Considérez la gouvernance comme un élément central de l’infrastructure.
• Privilégiez les normes sémantiques ouvertes et portables : évitez de lier vos connaissances métier à un seul fournisseur. Optez pour des plateformes favorisant l’interopérabilité afin que les définitions sémantiques restent réutilisables à mesure que votre écosystème d’IA et de données évolue.
• Évaluez les fournisseurs en fonction de la qualité du contexte : le secteur s’oriente vers la gouvernance sémantique, considérée comme un avantage concurrentiel. Évaluez la manière dont les fournisseurs gèrent le contexte métier, expliquent les résultats générés par l’IA et assurent la cohérence entre plusieurs agents.
• Faites de la traçabilité une exigence métier : les décisions prises par l’IA doivent pouvoir être rattachées aux définitions métier sous-jacentes. Les plateformes dotées de fonctionnalités intégrées de gouvernance et de traçabilité réduisent les risques opérationnels, renforcent la conformité et renforcent la confiance dans les décisions générées par l’IA.
• Évaluez les plateformes d’IA en fonction de leurs résultats en matière de confiance et de gouvernance : de nombreuses solutions d’IA mettent en évidence les incohérences existantes dans les données plutôt que de les corriger. Les dirigeants doivent évaluer les plateformes contextuelles en fonction de la gouvernance, de la portabilité, de la vérifiabilité et de la précision sémantique mesurable avant de déployer l’IA à grande échelle.