Contexte : bâtir un socle de données fiable pour l’IA agentique

Le contexte est essentiel à notre façon de communiquer. Des propos sortis de leur contexte peuvent sembler signifier exactement le contraire de ce que l’on voulait dire. Lorsque nous rencontrons quelqu’un hors contexte, nous pouvons avoir du mal à le reconnaître. Le contexte est le ciment qui unit les relations humaines et nous permet de donner un sens à nos interactions sociales.

Il en va de même pour les agents d’IA. Le contexte permet aux agents de lever les ambiguïtés et, par exemple, de distinguer Apple, l’entreprise technologique, Apple, la maison de disques, et apple, le fruit. 

Cette désambiguïsation est cruciale, car l’IA d’entreprise prend des décisions et agit à toute vitesse : elle signale des transactions, approuve des crédits et déclenche des alertes. Si les agents ne comprennent pas les entités concernées par leurs processus, ils continueront d’agir, mais vous pouvez être certain qu’ils feront des erreurs. 

Étant donné que certaines estimations indiquent qu’une grande entreprise type pourrait utiliser jusqu’à 1 600 agents d’ici la fin de l’année, ces erreurs se multiplieront rapidement.

Les difficultés liées à la résolution des identités numériques

L’IA agentique suscite à juste titre un vif enthousiasme, mais tant que les agents ne seront pas capables de vraiment comprendre les entités présentes dans leurs jeux de données, nous risquons de bâtir sur du sable. 

Ce problème n’est pas facile à résoudre. Un même client, par exemple, peut apparaître sous différentes formes dans les bases de données de l’entreprise (J. Bloggs, Jane Bloggs, Bloggs, etc.). De même, une même entité juridique peut être répertoriée séparément dans chacune de ses filiales. Comment les agents peuvent-ils savoir que ces entités, qui semblent différentes, correspondent en réalité à un seul et même profil ? 

Pour l’instant, ils en sont souvent incapables. Cela tient à la façon dont les agents sont conçus. Un agent est essentiellement un système qui reçoit des données en entrée et renvoie des résultats. Mais quelle quantité de données faut-il exactement fournir aux agents ? Les études montrent que des fenêtres de contexte trop longues conduisent les agents à halluciner. À l’inverse, si l’on leur fournit trop peu de données, les agents prendront une décision avec assurance et agiront à partir d’informations inexactes. Les entreprises doivent trouver le juste équilibre et fournir au système juste la quantité de contexte nécessaire, ni plus ni moins. 

L’intégration des données est essentielle

Le volume de données n’est qu’une partie du défi. Les entreprises doivent également tenir compte de la qualité et de l’intégration des données. Un contexte de mauvaise qualité découle de données mal reliées entre elles. Des hallucinations peuvent se produire lorsque les données dont un agent a besoin pour prendre une décision sont dispersées dans différentes bases de données cloisonnées, applications et unités opérationnelles. Environ 80 à 90 % du contexte métier se trouve dans des fichiers cloisonnés et non structurés, répartis entre des systèmes déconnectés. Sans accès à ces informations, les résultats de l’IA reposeront sur des hypothèses incomplètes. 

Malgré tous ces problèmes, le déploiement des agents d’IA se poursuit à un rythme soutenu. Si les dirigeants d’entreprise ne peuvent pas faire confiance à leurs agents pour prendre des décisions exactes et agir correctement, ils devront investir dans une supervision humaine plus poussée que cela ne serait autrement nécessaire. Au lieu des agents autonomes et très efficaces qu’elles espéraient, les entreprises se retrouveront avec des outils peu fiables qu’il leur faudra surveiller constamment. L’autre option consiste à accroître les risques pour l’entreprise et la charge de travail des équipes chargées de la conformité et des affaires juridiques. 

Bâtir un socle de données contextuelles

Que faut-il donc faire ? La clé consiste à doter les agents d’un socle de données exactes et vérifiées. Ce socle unifie les données fragmentées provenant de sources internes et externes et applique une gouvernance cohérente aux données structurées comme non structurées. Il enrichit ensuite ces données de contexte, afin que celles fournies à l’IA reflètent les relations du monde réel plutôt que des enregistrements isolés. Les agents peuvent ainsi relier une personne à ses pseudonymes ou une filiale à sa société mère. 

Grâce à un socle contextuel, les opérations pilotées par l’IA gagnent en exactitude et en explicabilité, et peuvent étayer des décisions prises en toute confiance. Les entreprises peuvent faire confiance à leurs agents au lieu de devoir les surveiller constamment, et profiter ainsi pleinement des avantages de l’automatisation agentique sans supervision excessive. 

D’un point de vue technique, le contexte repose sur deux capacités. La première est la résolution d’entités. Elle relie les enregistrements qui renvoient à une même entité lorsque ces références sont dispersées dans différents systèmes et types de données. Les enregistrements sont harmonisés pour offrir une vue unique et fiable des personnes, des organisations et des actifs. Les doublons et les ambiguïtés, qui dégradent souvent la qualité des données et entraînent des résultats erronés de l’IA, sont ainsi éliminés. 

La deuxième capacité est celle des graphes de connaissances. Ceux-ci apportent du contexte en modélisant les relations entre les entités : les liens entre les clients et leurs comptes, les rapports entre les transactions et les comportements, ainsi que la propagation des risques dans les réseaux. Associés à la résolution d’entités, les graphes de connaissances donnent une représentation exacte des données telles qu’elles existent dans le monde réel et fournissent aux agents d’IA le socle dont ils ont besoin pour fonctionner efficacement à grande échelle. 

Des avantages qui dépassent l’IA agentique

Bien sûr, les agents d’IA ne sont pas les seuls consommateurs de données dans l’entreprise. Un socle de données contextuelles permet également aux équipes opérationnelles, aux équipes chargées de la conformité, aux analystes métier, aux équipes RH et à tous les autres utilisateurs des données de bénéficier d’une vision unifiée et exacte du monde. 

Cela peut, à son tour, contribuer à améliorer l’expérience client. Par exemple, si une entreprise conserve plusieurs profils pour un même client, différentes équipes risquent de le contacter à plusieurs reprises. De telles expériences peuvent, à tout le moins, susciter la frustration des clients. Des données enrichies par le contexte améliorent l’expérience client, car elles permettent aux organisations de mieux comprendre leurs clients et de veiller à interagir avec eux de manière appropriée. Il s’agit, en définitive, d’une approche davantage centrée sur l’humain, qui peut faire gagner du temps et de l’argent aux entreprises. 

Préserver l’intégrité de l’IA

Gartner prévoit que 40 % des applications d’entreprise intégreront des agents d’IA spécialisés dans une tâche cette année, contre moins de 5 % en 2025. L’ère de l’IA agentique est arrivée. 

Toutefois, tous ceux qui investissent dans cette technologie ne profiteront pas autant des avantages des flux de travail reposant sur l’IA agentique. Les organisations qui préparent le terrain en se dotant d’un socle de données unifié et riche en contexte pourront faire confiance aux résultats de l’IA et passer rapidement à l’échelle. Les autres perdront du temps et de l’énergie à surveiller constamment leurs nouveaux systèmes. La réussite dépend donc de l’intégration, dès le premier jour, d’une couche de contexte évolutive dans la pile technologique agentique.