Le contexte est l’or nouveau : La prochaine vague d’IA agente achète la compréhension, et non la puissance de traitement

La révolution de l’IA est à un point mort – non pas en raison d’une puissance de calcul insuffisante, mais parce que les organisations résolvent les mauvais problèmes.

Alors que les dépenses mondiales en GenAI devraient atteindre 644 milliards de dollars en 2025, les experts avertissent également que plus de 40% des projets d’IA agente seront annulés d’ici 2027. En effet, l’activité récente de fusions et acquisitions – telle que l’acquisition de 250 millions de dollars de Crunchy Data par Snowflake et l’acquisition de Predibase par Rubrik – signale un changement fondamental : la prochaine phase de l’IA d’entreprise est plus que les capacités de calcul… C’est à propos d’une compréhension plus profonde.

L’argent intelligent se déplace

Selon l’enquête S&P Global Market Intelligence de 2025, 42% des entreprises ont abandonné la plupart de leurs initiatives récentes en matière d’IA, contre seulement 17% en 2024. Un autre 46% a abandonné les démonstrations de preuve de concept avant même que la production ne commence.

Ces projets d’IA ne échouent pas en raison de limitations techniques, mais plutôt en raison de lacunes sémantiques. Si un système d’IA peut traiter des pétaoctets de données mais ne peut pas comprendre ce que signifie “valeur du client sur toute sa vie” dans les besoins départementaux variables, les points de défaillance seront probablement contextuels.

Considérez la stratégie derrière l’intégration de Snowflake des capacités d’IA sémantiques de Postgres, qui vise à créer une fondation où les agents d’IA peuvent comprendre le contexte transactionnel et les sémantiques commerciales — permettant aux développeurs de “construire des agents d’IA fiables” avec “une plus grande agilité, visibilité et contrôle”. L’acquisition de Predibase par Rubrik vise également à aider les clients à “déployer de manière sécurisée l’IA agente” en donnant la priorité à la précision contextuelle aux côtés de la puissance de calcul.

Là où le contexte rencontre l’échelle

Le succès de la collaboration de Palantir avec Qualcomm pour étendre les capacités de compréhension de l’IA est une autre démonstration du pouvoir transformateur de l’architecture d’IA contextuelle. Leur approche “Ontologie” — créant des précédents linguistiques pour mapper les concepts commerciaux, les relations et les règles dans des formats lisibles par machine — transforme l’IA de la reconnaissance de modèles en raisonnement commercial simple et montre comment la compréhension sémantique permet à l’IA de fonctionner efficacement, même dans des environnements hors ligne ou à ressources limitées.

Par exemple, en ce qui concerne leurs initiatives énergétiques nucléaires, l’IA de Palantir ne prédit pas seulement les défaillances d’équipement — elle comprend les impacts commerciaux en cascade sur les chaînes d’approvisionnement et la conformité réglementaire qui peuvent entraîner ou résulter de ces défaillances. De même, dans la fabrication, leurs systèmes comprennent les interdépendances entre le contrôle de la qualité, la gestion des stocks et les engagements clients, permettant une vue d’ensemble holistique des opérations qui aide à prédire et à prévenir les problèmes.

Comme l’a noté un dirigeant de Palantir, “L’approche basée sur l’ontologie permet aux utilisateurs de construire des flux de travail qui intègrent et combinent des actifs logiques hétérogènes”, permettant à l’IA d’être “introduite de manière sécurisée dans des contextes de prise de décision de plus en plus complexes”.

La révolution des infrastructures contextuelles

Le passage d’architectures axées sur l’efficacité à des architectures axées sur la signification représente une réflexion fondamentale de l’IA d’entreprise. Selon le sommet Data & Analytics de Gartner 2025, cette transformation repose sur trois facteurs critiques :

• Architecture de données sémantiques : chaque point de données doit porter une signification commerciale, et non seulement une valeur de calcul. Comme le montre la recherche de la société de conseil Enterprise Knowledge, les couches sémantiques servent de ponts entre les données brutes et les applications, fournissant des “vues unifiées et contextualisées” qui permettent des interactions utilisateur intuitives.
• Intégration de la logique commerciale : pour délivrer une valeur maximale, l’IA moderne nécessite une intégration avec des contextes commerciaux prédéterminés, propres aux besoins de chaque organisation. Le studio d’agent d’IA d’Oracle illustre cette approche en fournissant un accès aux API d’Oracle Fusion Applications, aux magasins de connaissances et aux outils prédéfinis qui préservent la logique commerciale spécifique à l’entreprise dans les flux de travail alimentés par l’IA. De telles solutions permettent aux systèmes d’IA agente de fonctionner en intégrant les ontologies commerciales avec les protocoles de contexte de modèle (MCP), qui permettent une interprétation de données riche en contexte et permettent aux agents d’IA de fonctionner sur diverses sources de données d’entreprise.
• Moteurs de décision contextuels : le rapport sur l’IA dans le lieu de travail de McKinsey 2025 souligne que les systèmes d’IA d’entreprise réussis doivent comprendre en profondeur les implications commerciales de toute tâche, pour toute organisation. Pourtant, seulement 1% des entreprises estiment avoir atteint la maturité de l’IA, mettant en évidence l’écart entre les capacités actuelles et les exigences contextuelles.

Les implications concurrentielles

Les organisations qui peuvent établir avec succès des systèmes d’IA riches en contexte créeront des avantages auto-renforçants pour elles-mêmes.

Chaque interaction commerciale a le potentiel de renforcer la compréhension nuancée de l’IA agente des besoins spécifiques de chaque entreprise, améliorant les performances et créant des fossés concurrentiels qui seront difficiles à reproduire par la seule puissance de calcul. Le rapport de Deloitte sur l’état de l’IA générative confirme que tandis que 60% des organisations poursuivent jusqu’à 20 expériences d’IA, celles qui se concentrent sur “les défis spécifiques à l’industrie et à l’entreprise” voient des résultats nettement meilleurs.

Les implications en termes de talents sont également importantes. Alors que les ingénieurs d’IA commandent des salaires élevés, la véritable pénurie concerne les professionnels qui comprennent à la fois la mise en œuvre de l’IA et l’ontologie du domaine commercial. Les prévisions de PwC 2025 soulignent que “le succès de l’IA sera autant une question de vision que d’adoption, les entreprises ayant besoin d’approches systématiques et transparentes pour confirmer une valeur durable”. En d’autres termes, si les personnes qui forment l’IA pour qu’elle comprenne les besoins commerciaux ne comprennent pas ces besoins eux-mêmes, l’IA ne les comprendra pas non plus.

L’impératif stratégique

Quels sont donc les changements architecturaux que les organisations doivent apporter ?

Le sommet Data & Analytics de Gartner souligne l’importance de passer des métadonnées techniques aux métadonnées sémantiques — des données enrichies de définitions commerciales prédéfinies, d’ontologies et de relations. Ce changement de “conception sémantique” est critique pour les organisations qui visent à tirer des connaissances significatives et à assurer la clarté à travers les systèmes. Dans le même temps, une gouvernance contextuelle efficace de l’IA est cruciale pour différencier les capacités réelles d’IA agente des modèles insuffisants qui offrent seulement une automatisation de base mais sont trompeusement commercialisés comme de l’IA agente.

Les entreprises qui réussiront avec l’IA agente seront celles dont les agents d’IA ont été configurés de manière stratégique pour comprendre en profondeur les contextes commerciaux de telle sorte qu’ils puissent agir de manière autonome et efficace.

L’opportunité d’IA agente

Gartner prévoit que 33% des logiciels d’entreprise incluront l’IA agente d’ici 2028, contre moins de 1% en 2024. La montée en puissance de l’IA agente rend les infrastructures sémantiques essentielles ; pour atteindre cet objectif, les systèmes d’IA nécessitent :

• Une compréhension contextuelle profonde pour prendre des décisions autonomes alignées sur les objectifs commerciaux.
• Une cohérence sémantique sur toutes les sources de données pour prévenir les actions contradictoires entre les différents départements et tâches
• Une intégration de la logique commerciale pour assurer la conformité avec les règles et les réglementations de l’organisation

Alors que les organisations investissent des milliards dans le développement de l’IA agente, celles qui ne disposent pas de fondations sémantiques connaîtront des taux d’échec croissants.

L’impératif contextuel

À mesure que les systèmes d’IA agente deviennent plus répandus, la division entre les organisations dotées d’infrastructures sémantiques et celles qui n’en disposent pas ne fera que s’accentuer. Pour les entreprises qui investissent dans l’IA agente, le choix est clair : établir des fondations sémantiques maintenant ou regarder les concurrents sensibles au contexte transformer des investissements plus intelligents en IA en avantages imbattables.

À l’ère de la puissance de calcul abondante, le contexte est l’or nouveau, et ceux qui peuvent enseigner à leurs systèmes d’IA à truly comprendre les entreprises qu’ils servent gagneront leur toucher de Midas.