couche sémantique

L'exemple de l'ARR de Jamin Ball est la formulation la plus nette du problème : au sein d'une même entreprise, les ventes, la finance, la comptabilité et le juridique peuvent chacun calculer le chiffre d'affaires récurrent annuel à partir de définitions différentes et de sources de données contradictoires. Les humains arbitrent cette ambiguïté en travaillant. Les agents, non. Dans la note de Ball de décembre 2025, un workflow quote-to-cash qui récupère la mauvaise grille tarifaire, la mauvaise clause contractuelle ou un chiffre d'ARR obsolète automatisera ensuite la mauvaise chose, avec assurance, à chaque étape en aval.

La couche sémantique est ce vers quoi convergent les deux sources : une compréhension partagée de l'entreprise (entités, relations, définitions, règles) qui encode ce que signifient les données et quelle source fait autorité. Ball la situe dans l'entrepôt de données et le lakehouse, qu'il requalifie de « registres de vérité » fournissant les couches sémantiques et les cadres de gouvernance dont les agents ont besoin pour opérer en sécurité. Padhi et ses coauteurs chez McKinsey la placent un niveau plus haut, à l'intérieur du système d'exploitation de l'IA : une couche d'ontologies et de Knowledge graph, reposant sur l'infrastructure et les données existantes, à côté de modèles analytiques déterministes appelés par les agents, de l'orchestration d'agents et d'une couche d'expérience.

L'écart contre lequel écrivent les deux auteurs apparaît dans l'enquête State of AI 2026 de McKinsey : 40% des grandes entreprises ont déployé des agents à grande échelle, 6% créditent l'IA d'au moins 5% de leur EBIT. Corriger la gouvernance sémantique figure parmi les premières recommandations de McKinsey, à côté du financement de l'OS IA partagé et de la redéfinition des droits de décision. La conclusion propre de Ball est qu'un système d'enregistrement est une source de vérité canonique, ce qui change ce qu'une entreprise doit réellement construire.