- L’article soutient que le plus grand défi des agents d’IA en entreprise n’est plus le modèle d’IA lui-même, mais les données et les connaissances internes qui sont fragmentées, incohérentes et difficiles à gérer.
- La méthode de déploiement courante actuelle consiste à construire un contexte distinct pour chaque application d’IA, ce qui amène plusieurs équipes à traiter le même document, créant ainsi divers embeddings, index et bases de connaissances, augmentant les coûts et générant des réponses incohérentes.
- Lorsque les documents, le code source ou les processus métier changent, chaque système d’IA se met à jour indépendamment, ce qui conduit les agents d’IA à utiliser des versions différentes des connaissances.
- L’auteur propose de construire une plateforme de connaissances d’entreprise partagée au lieu de laisser chaque application d’IA gérer ses propres données.
- Ce modèle se compose de 4 couches : Raw (stocke les données d’origine) ; Refined (standardise les documents en objets de connaissance) ; Integrated (connecte les données de plusieurs systèmes en un modèle de connaissance unifié) ; Serving (fournit des données optimisées pour chaque agent d’IA ou plusieurs applications).
- La couche Integrated connecte les documents, le code source, Jira, les e-mails et d’autres systèmes via des entités et des relations métier telles que la dépendance, la propriété ou l’impact, aidant l’IA à comprendre le contexte de l’entreprise plutôt que de se contenter d’une recherche par mots-clés.
- La couche Serving crée des ressources partagées telles que des index de recherche, des embeddings, des graphes de connaissances, des API, tout en construisant des contextes spécifiques pour chaque agent d’IA sans duplication de données.
- Cette architecture prend en charge la gestion du cycle de vie des données, le suivi de la provenance, le contrôle des accès, l’explicabilité des résultats de l’IA et la réutilisation des connaissances à l’échelle de l’entreprise.
- Le système permet également de réinjecter les retours des agents d’IA dans la plateforme pour modérer et améliorer continuellement le modèle de connaissances de l’entreprise.
- L’auteur conclut que le prochain avantage concurrentiel des entreprises ne viendra pas de la création de plus d’agents d’IA, mais de la mise en place de plateformes de données et de connaissances fiables, car le principe « données de mauvaise qualité, résultats de mauvaise qualité » reste vrai pour l’IA.
📌 Les agents d’IA ne sont efficaces que lorsqu’ils disposent d’une source de connaissances d’entreprise unifiée, précise et bien gouvernée. Plutôt que de laisser chaque application d’IA construire son propre contexte, les entreprises devraient investir dans une plateforme de connaissances partagée dotée de quatre couches de gestion des données, ce qui permet de réduire les doublons, d’accroître la cohérence, d’améliorer l’explicabilité et de créer une base pour l’extension de l’IA à l’ensemble de l’organisation.
