Pourquoi l’IA ne peut plus se contenter de nos données ?

Les modèles d’IA sont de plus en plus performants. Les entreprises peuvent désormais intégrer des assistants, des copilotes et, progressivement, des agents capables d’enchaîner plusieurs tâches.

Mais une question devient centrale : comment faire pour qu’une IA comprenne réellement l’entreprise dans laquelle elle intervient ?

Le sujet prend d’ailleurs une nouvelle dimension dans les annonces récentes de l’écosystème Microsoft. Dans une publication du 28 septembre 2026, Microsoft met notamment en avant la valeur des données, de l’expertise et du contexte propres à chaque organisation comme fondation de sa stratégie IA.

De son côté, IBM décrit une véritable « context layer » destinée à fournir aux agents une vision plus cohérente et gouvernée de l’entreprise.

Une IA peut-elle comprendre une donnée sans comprendre le métier ?

Prenons un indicateur simple : le chiffre d’affaires.

Une IA peut parfaitement retrouver sa valeur dans une base de données.

Mais sait-elle pour autant :

• quelle définition du chiffre d’affaires utiliser ?
• quelle période comparer ?
• quelles filiales inclure ?
• comment traiter les avoirs ?
• quel référentiel fait foi ?
• pourquoi deux rapports affichent des valeurs différentes ?
• ou encore quelle décision métier peut être prise à partir de ce résultat ?

Cette distinction devient particulièrement importante avec les agents IA.

Un agent qui doit simplement générer une réponse peut fonctionner avec un contexte relativement limité. Un agent qui doit analyser des données, choisir une source, utiliser un outil ou déclencher une action a besoin de comprendre beaucoup plus précisément son environnement.

L’accès aux données ne suffit plus

Pendant longtemps, une grande partie des projets Data a consisté à rendre l’information accessible : collecter les données, les centraliser, les transformer, puis les exposer dans des tableaux de bord ou des outils de self-service.

Cette architecture reste fondamentale.

Mais l’arrivée des agents change progressivement le problème.

Les agents ont besoin de contexte sur l’origine des données, leur définition, leurs relations, leur qualité, leur fraîcheur et les règles qui encadrent leur utilisation.

IBM décrit notamment une couche de contexte venant compléter les entrepôts et lakehouses traditionnels afin de fournir aux agents une vision plus cohérente et gouvernée de l’activité.

Cela donne une nouvelle importance à des éléments parfois considérés comme secondaires dans les projets Data :

Ce sont pourtant eux qui donnent du sens à la donnée.

Le modèle sémantique devient une pièce maîtresse

C’est là que les modèles sémantiques prennent une nouvelle dimension.

Un modèle sémantique ne se contente pas de présenter des tables et des colonnes. Il permet notamment de définir des relations, des mesures et des concepts métier cohérents.

Dans l’écosystème Microsoft, cette évolution est particulièrement visible avec Power BI et Fabric.

Dans son annonce du 28 septembre 2026, Microsoft explique notamment que Fabric IQ permet d’intégrer dans les usages IA le contexte métier déjà structuré dans les modèles sémantiques Power BI : métriques, relations et définitions métier.

L’objectif est notamment de permettre aux systèmes d’IA de s’appuyer sur les mêmes définitions et indicateurs que ceux utilisés dans les rapports de l’entreprise.

De la donnée au contexte : le rôle des ontologies

Les ontologies vont encore un cran plus loin.

Elles permettent de représenter les concepts d’une organisation, leurs relations et la manière dont ils s’articulent avec les différentes sources de données.

Les évolutions récentes de Microsoft Fabric renforcent justement cette dimension de connaissance métier, avec l’objectif de rendre les données et les connaissances propres à une organisation plus directement exploitables par les systèmes d’IA.

Pourquoi est-ce intéressant pour l’IA ?

Parce qu’une entreprise ne parle pas toujours le même langage que ses systèmes.

Pour un humain qui connaît l’entreprise, ces notions peuvent sembler évidentes.

Pour une IA, elles doivent être explicitées.

L’enjeu devient alors de construire une représentation suffisamment claire du fonctionnement de l’entreprise pour que les agents puissent interpréter les données dans le bon contexte.

Et la gouvernance dans tout ça ?

Plus les agents accèdent aux données et aux outils de l’entreprise, plus la question des droits devient importante.

Un agent ne devrait évidemment pas pouvoir consulter toutes les informations simplement parce qu’il est connecté au système d’information.

Le contexte doit donc également intégrer des règles de gouvernance.

Les évolutions de Fabric IQ illustrent cette approche. Le serveur Fabric IQ MCP permet notamment à un agent de rechercher des contenus Power BI, d’inspecter les métadonnées et les modèles sémantiques et d’exécuter des requêtes sur les données auxquelles l’utilisateur connecté a déjà accès.

Les permissions Fabric ainsi que les mécanismes de sécurité au niveau des lignes et des objets continuent de s’appliquer.

Le contexte devient une nouvelle couche de l’architecture Data & IA

On peut progressivement représenter cette architecture de manière simple :

Cette évolution rapproche deux mondes qui ont longtemps été traités séparément : la Data et l’IA.

L’IA ne devient pas simplement une couche posée au-dessus du système d’information. Elle dépend de plus en plus de la qualité de l’architecture Data qui se trouve en dessous.

Microsoft présente Fabric comme une fondation permettant de rapprocher données, contexte organisationnel et agents , avec l’objectif de passer d’expérimentations isolées à des systèmes capables de s’appuyer sur une connaissance partagée de l’entreprise.

Le contexte ne doit pas être figé

Le contexte d’une entreprise évolue lui aussi.

Les règles métier changent, les indicateurs évoluent, de nouvelles sources apparaissent et les responsabilités évoluent elles aussi.

Un contexte pertinent aujourd’hui peut donc devenir incomplet demain.

C’est aussi l’une des raisons pour lesquelles Microsoft parle désormais de boucle d’apprentissage continue : les données et l’expertise de l’organisation doivent pouvoir alimenter les systèmes d’IA, tandis que les usages et les résultats permettent ensuite de faire évoluer ces systèmes.

Préparer l’IA, c’est aussi structurer ce que l’entreprise sait

C’est peut-être le point le plus important.

Lorsqu’une entreprise prépare un projet IA, la première question est souvent :

Puis :

Mais les questions deviennent rapidement différentes lorsqu’on souhaite passer à l’échelle :

• Quelles sont nos données de référence ?
• Comment sont définis nos indicateurs ?
• Qui est responsable de telle donnée ?
• Quelles règles métier doivent être connues ?
• Comment les différentes équipes définissent-elles les mêmes concepts ?
• Quels droits doivent être appliqués ?
• Comment vérifier les réponses produites par un agent ?
• Quelles actions peut-il effectuer ?
• Comment mesurer sa qualité dans le temps ?

Les connaissances détenues par les collaborateurs, les règles métier, les définitions d’indicateurs ou les relations entre les données deviennent progressivement des éléments qu’il faut pouvoir structurer et transmettre aux systèmes d’IA.

Les équipes Data ne disparaissent pas : leur rôle évolue

Cette évolution ne signifie pas que l’IA rend les compétences Data inutiles.

Au contraire.

À mesure que les agents prennent en charge certaines tâches techniques ou analytiques, les équipes Data peuvent consacrer davantage de temps à des sujets comme :

• l’architecture ;
• la qualité des données ;
• la gouvernance ;
• la modélisation ;
• la sécurité ;
• la définition des métriques ;
• l’évaluation des agents ;
• l’accompagnement des métiers.

L’enjeu n’est donc pas simplement de donner de l’IA aux collaborateurs.

Il s’agit aussi de construire les conditions pour que les collaborateurs puissent travailler efficacement avec l’IA.

Cette évolution rejoint d’ailleurs un mouvement plus large observé chez Microsoft : les équipes Data sont de plus en plus directement impliquées dans l’adoption des agents, parce qu’elles disposent déjà d’une partie des compétences nécessaires pour structurer, gouverner et rendre exploitables les données de l’entreprise.

Alors, le contexte métier devient-il la nouvelle clé de l’IA ?

Plus qu’une bataille, il pourrait devenir une condition du passage à l’échelle.

Les modèles d’IA deviennent de plus en plus accessibles. Les capacités des agents progressent rapidement. Les interfaces permettant de connecter ces agents aux données et aux outils se développent également.

Dans ce contexte, la différenciation ne se joue pas uniquement sur le modèle utilisé.

C’est ce qui rend le sujet particulièrement stratégique pour les directions Data, IT et métiers.

L’enjeu des prochains projets IA pourrait donc être moins :

et davantage :

Chez Valoway

Chez Valoway, nous voyons cette évolution comme un rapprochement naturel entre Data, IA et enjeux métiers.

Construire une architecture Data robuste, structurer les modèles et les connaissances métier, gouverner les accès et accompagner les usages deviennent des briques complémentaires d’une même démarche : préparer l’entreprise à travailler avec l’IA.

L’objectif n’est pas seulement de connecter une technologie à des données.

Il est de créer les conditions pour que cette technologie puisse comprendre, analyser et agir dans le bon contexte.