Vos données regorgent de réponses. Le problème n'est pas leur quantité, c'est leur compréhension. Une base de données parle en tables, en clés étrangères, en identifiants techniques. Le métier, lui, parle en « collaborateur », en « poste », en « manager d'une équipe ». Entre les deux, un fossé sémantique existe depuis toujours, et il coûte cher : chaque question métier passe par un intermédiaire technique qui sait interroger la base, puis traduire la réponse.
24 % des salariés seulement se considèrent capables de lire, comprendre et interpréter par eux-mêmes les données de leur entreprise (étude Qlik 2024). Pour trois collaborateurs sur quatre, la donnée reste une langue étrangère, donc un passage obligé par un traducteur technique.
Notre ambition : permettre à n'importe quel acteur métier de poser sa question directement à une IA et d'obtenir une réponse fiable, sans requête à écrire, sans attendre l'IT. C'est pourquoi la plateforme Graphicient repose sur quatre briques.
Pour qu'un agent IA produise des réponses fiables, il doit d'abord comprendre le domaine métier qu'il interroge. C'est le rôle de l'ontologie : structurer cette connaissance pour la rendre exploitable. Mais cette structure seule ne suffit pas à raisonner correctement, faute de connaître le vocabulaire et les usages du métier. C'est là qu'intervient l'ontologie augmentée : elle enrichit la connaissance métier de couches sémantiques supplémentaires.
D'abord, qu'est-ce qu'une ontologie ?
Une ontologie est la représentation formelle de la connaissance d'un domaine : ses concepts (les nœuds), leurs propriétés, et les relations qui les lient. C'est la carte sémantique de votre savoir métier, celle que l'agent interroge pour raisonner sur votre domaine plutôt que sur les connaissances génériques du LLM.
En ressources humaines, cela donne par exemple : EMPLOYÉ occupe POSTE requiert COMPÉTENCE. Chaque concept est un nœud, chaque verbe est une relation, et des propriétés viennent préciser chaque élément : date d'entrée, niveau de compétence, statut du poste.
Ontologie et knowledge graph : le modèle et son usage
Deux notions à ne pas confondre. L'ontologie définit le modèle de données, c'est-à-dire les types de concepts et leurs relations, indépendamment de toute donnée réelle (EMPLOYÉ occupe POSTE). Le knowledge graph est ce même modèle instancié avec des données réelles : « Julie Martin » est une instance concrète de EMPLOYÉ. C'est ce graphe, rempli de données réelles, que l'agent interroge pour ancrer ses réponses dans la réalité du métier.
La même carte sémantique, mais qui parle votre langue
Traditionnellement, modéliser une ontologie exige des semaines de travail entre équipes métier et IT : ateliers de modélisation, schémas, validations croisées. GraphForge change la donne en permettant à des personnes non techniques de créer une ontologie, d'importer une source de données pour l'instancier, puis de la faire évoluer, sans dépendre d'un cycle de développement. Tout se fait en quelques clics, au rythme du besoin métier.
Pour autant, l'ontologie seule reste insuffisante. Elle permet à l'agent de répondre à « qu'est-ce qui existe ? », pas à « comment le comprendre et s'en servir ? ». L'agent ne sait pas qu'une « ressource », un « salarié » ou un « collaborateur » désignent la même chose qu'« employé » chez vous. Il ne sait pas non plus que « les séniors » désigne les employés de niveau hiérarchique 3. Il ne dispose pas du jargon de votre domaine.
Or la nature d'un LLM est de prédire plutôt que de savoir : à chaque mot il calcule la suite la plus probable d'après ce qu'il a appris, sans distinguer ce qu'il sait avec certitude de ce qui semble plausible. Face à une question sans réponse claire dans ses données d'entraînement, il peut produire une réponse crédible mais fausse, une hallucination, formulée avec la même assurance qu'une réponse correcte.
Les cinq couches sémantiques
C'est précisément là qu'intervient l'augmentation de l'ontologie. Dans GraphForge, elle s'enrichit de cinq couches, sans écrire une ligne de code.
Ce que ça donne sur une vraie question
Un utilisateur métier demande : « quelles sont les ressources qui ont une compétence donnée ? ». Voici le chemin parcouru par l'agent.
- +L'utilisateur dit « ressources » ; grâce aux synonymes et aux descriptions, l'agent comprend qu'il s'agit d'employés.
- +Il suit l'instruction de récupérer les nœuds EMPLOYÉ.
- +Il applique la règle métier selon laquelle un employé en période d'essai ne peut pas être proposé pour une mission externe.
- +Il mobilise le skill dédié pour parcourir la relation a_pour_competence.
- +Il vérifie que la compétence recherchée existe, et signale qu'aucun salarié ne correspond plutôt que de produire une réponse plausible mais fausse.
Résultat : une réponse exacte, sans requête technique, sans intervention IT, sans traduction manuelle.
Impact technique et métier
Côté technique, l'ontologie augmentée devient le socle sur lequel l'agent raisonne, plutôt que de se fier à ses seules probabilités. C'est le principal levier de fiabilité et d'absence d'hallucination. Une étude académique récente l'a mesuré sur des cas d'usage financiers : ancrer un agent sur un knowledge graph plutôt que sur un RAG classique réduit les hallucinations et diminue de 80 % la consommation de tokens nécessaire à une réponse fiable (Barry et al., 2025, workshop GenAIK, ACL). L'agent raisonne sur des données réelles, et chaque réponse peut être reliée à une source vérifiable dans le graphe.
Côté métier, c'est l'autonomie retrouvée : créer une ontologie RH, ajouter des synonymes, spécifier une règle métier, préciser une description, sans écrire une ligne de code. L'agent gagne en précision à chaque itération, porté par les équipes qui connaissent le terrain.
L'ontologie augmentée n'est pas une couche technique supplémentaire. C'est le langage commun entre vos données, vos équipes et votre IA : créé en quelques clics, enrichi à l'infini.
Sources
- Étude Qlik 2024, citée par GERESO : 24 % des salariés se disent capables d'interpréter les données de leur entreprise.
- Barry, M. et al., GraphRAG: Leveraging Graph-Based Efficiency to Minimize Hallucinations in LLM-Driven RAG for Finance Data, GenAIK Workshop, ACL, 2025.
- Gruber, T. R. (1993), A Translation Approach to Portable Ontology Specifications : définition fondatrice de l'ontologie.
- Ontology vs Knowledge Graph: Key Differences, Explained : le schéma formel face aux données qui l'instancient.