Le problème est que ces définitions ont du sens pour les gens, pas pour les machines. Un être humain lisant une définition textuelle du terme « client » peut compléter le reste de son expérience : dans quels systèmes les clients vivent, comment ils se rapportent aux commandes, aux régions et aux revenus. Une IA ne peut pas remplir ce qui ne lui a jamais été donné. Il a besoin d’entités, de propriétés et de relations : un client est une personne, appartient à un domaine et passe des commandes. Donnez ce graphique à un agent et il pourra construire son propre modèle d’entreprise et en déduire de nouvelles informations. Demandez combien de clients vous servez en Europe et vous pourrez trouver une réponse en raisonnant. Donnez-lui une définition sans structure derrière, et il devinera avec confiance.
La sémantique BI est utile dans un cadre restreint, mais elle est rarement construite sur des normes ouvertes qui permettraient aux systèmes d’IA de les raisonner.
Le rêve de la sémantique d’entreprise en 2026
La puissance des modèles de langage à grande échelle (LLM) incite les gens à penser que le simple fait de charger des données d’entreprise dans ces modèles vous rapproche du rêve de la sémantique d’entreprise. Ce n’est pas le cas. Les LLM doivent encore savoir ce que signifient les données structurées, comment les concepts commerciaux sont définis et quelles données font autorité. Ils ont besoin de ce que l’on appelle aujourd’hui le contexte.
