Palantir, Microsoft et Google publient, en 2026, trois architectures d’IA d’entreprise qui reposent explicitement sur une ontologie. Vingt-cinq ans après l’article fondateur du Web sémantique. Voici pourquoi ce virage était prévisible, ce qu’il implique techniquement, et à quoi ressemble une implémentation réellement disponible aujourd’hui.
1. Trois signaux convergents, en quelques mois
Le vocabulaire des plateformes a changé.
Palantir place l’Ontology au centre de l’architecture AIP. La documentation la décrit comme la modélisation des « noms » et des « verbes » des processus opérationnels, dans une forme lisible à la fois par les humains et par les agents, et annonce un moteur capable « d’interroger des milliards d’objets, d’orchestrer des dizaines de milliers d’actions, et d’intégrer en continu un apprentissage fondé sur le retour d’expérience » [1].
Microsoft introduit un item Ontology dans Fabric IQ, en préversion. La documentation officielle est explicite : l’ontologie « définit les entités métier fondamentales, les relations, les propriétés, les règles et les actions », et « les agents comprennent quelles actions sont disponibles et comment les invoquer » [2]. Une couche NL2Ontology traduit les questions en langue naturelle en requêtes structurées.
Google Cloud documente le cas Yahoo : une plateforme agentique d’achat média construite sur deux graphes distincts. Un knowledge graph dans Spanner Graph porte la vérité opérationnelle, produits, inventaires, contrats, contrôles de gouvernance, avec les politiques inscrites comme relations versionnées plutôt qu’enfouies dans la logique applicative. Un context graph dans BigQuery Graph porte une ontologie de trace de décision, c’est-à-dire la lignée auditable de chaque arbitrage de l’agent [3].
Trois acteurs, trois architectures, une même intuition. Et une formulation qui mérite d’être retenue, celle de Swapnil Patel (Yahoo) : « À mesure que l’industrie passe des systèmes d’intelligence aux systèmes d’action, la contrainte sur l’IA autonome se déplace de la capacité du modèle vers la question de savoir si une entreprise peut faire confiance à ce qu’un agent fait sans supervision » [3].
2. Ce que ces plateformes redécouvrent a été formalisé en 2001
Rien de tout cela n’est neuf sur le plan conceptuel.
Tim Berners-Lee, inventeur du Web, formalise en mai 2001 dans Scientific American, avec James Hendler et Ora Lassila, l’idée d’un Web dont les données sont interprétables par les machines. Il popularisera en 2007 l’expression Giant Global Graph : non plus un réseau de documents reliés par des liens sans sémantique, mais un réseau de faits typés.
La pile technique qui en découle est stabilisée depuis longtemps : URI pour l’identité, RDF pour le triplet sujet, prédicat, objet, RDFS et OWL pour déclarer ce qui peut être, SPARQL pour interroger. OWL devient Recommandation du W3C en 2004, OWL 2 en 2009, seconde édition en 2012.
Côté ingénierie des connaissances francophone, Charlet, Bachimont et Troncy posaient dès 2004 les définitions qui font encore autorité [4]. Deux d’entre elles éclairent directement le débat actuel :
« Construire une ontologie, c’est aussi décider de la manière d’être et d’exister des objets. »
« Une ontologie est une spécification rendant partiellement compte d’une conceptualisation. »
Ce « partiellement » n’est pas une faiblesse rhétorique. Il nomme l’engagement ontologique : l’écart assumé entre la richesse interprétative d’un domaine et ce qu’une théorie logique calculable peut en formaliser. C’est exactement la question que se pose aujourd’hui un architecte qui décide quelles actions un agent aura le droit d’exécuter.
Les mêmes auteurs décrivaient déjà la construction d’ontologies à partir de corpus textuels, en quatre étapes dont la première est la primauté du corpus et la deuxième la normalisation sémantique. Vingt-deux ans plus tard, c’est précisément le pipeline que l’on redéploie, avec un extracteur statistique en plus.
3. Pourquoi maintenant : les LLM lèvent le verrou économique, et créent le besoin
Le problème historique de l’ontologie n’a jamais été théorique. Il était économique.
Construire une ontologie exigeait un ingénieur des connaissances et un expert du domaine, sur une chaîne longue : identifier les concepts, définir les classes, la hiérarchie, les relations, les contraintes, aligner, valider, maintenir. Trop cher pour la plupart des organisations. Résultat : une méthode reconnue comme excellente, et peu adoptée.
Les LLM déplacent ce verrou de deux manières opposées et complémentaires.
En amont, ils réduisent le coût de rédaction. Extraction de concepts, extraction d’entités et de relations, ébauche de schéma, génération d’une première représentation OWL : autant d’étapes désormais assistées. Des travaux publiés en 2025 et 2026 mesurent cette assistance sur des jeux de questions de compétence, avec un résultat nuancé : les modèles couvrent davantage de questions que des étudiants novices, mais produisent encore des axiomes incorrects et des éléments redondants. L’assistance est réelle ; la validation reste humaine et outillée.
En aval, ils créent le besoin. Un modèle de langue n’a pas de modèle du monde stable. Confronté à un patrimoine documentaire d’entreprise, il ne peut pas trancher seul des questions qui sont pourtant structurantes : Compte désigne-t-il un compte bancaire ou un compte client ? La relation Client vers Compte est-elle 1:N ou N:N ? Une commande annulée peut-elle encore porter une expédition ? Un commercial a-t-il le droit de modifier un contrat ? Ces réponses ne peuvent pas venir des priors du modèle. Elles doivent venir d’une déclaration explicite, partagée et versionnée.
Et l’enjeu change de nature avec les agents. Un assistant conversationnel qui se trompe légèrement produit une réponse fausse. Un agent qui se trompe légèrement exécute annuler_commande(), virer_fonds(), changer_fournisseur(). On retrouve alors une idée classique de l’IA : World Model plus Action Model.
Un point mérite d’être souligné, car il est massivement confondu sur les réseaux : GraphRAG n’est pas une ontologie. Le workflow d’indexation par défaut de Microsoft GraphRAG fait extraire par un LLM des entités et des relations, construit un graphe, détecte des communautés hiérarchiques (Leiden) et génère des rapports de communauté. Aucune ontologie OWL n’est requise en amont. La formulation juste est celle-ci : GraphRAG donne un graphe au LLM ; l’ontologie donne à ce graphe une sémantique stable.
4. Ce que cela impose à une architecture, concrètement
Si l’on prend au sérieux les trois exemples de la section 1, la couche sémantique doit satisfaire cinq exigences, et non une seule :
- Un vocabulaire déclaré, antérieur à l’ingestion, dans un format standard et relisible par un expert métier ;
- Une frontière opposable entre ce que le modèle propose et ce que le système admet ;
- Un verrouillage de version : savoir sous quelle ontologie une donnée a été produite, et sous quelle ontologie une réponse a été formulée ;
- Une lignée de décision auditable, distincte du graphe de connaissances lui-même, c’est la leçon du double graphe de Yahoo ;
- Une gouvernance des droits intégrée à la sémantique, pas ajoutée après coup.
C’est un cahier des charges d’architecte, pas un argumentaire d’éditeur. Il se vérifie dans le code, ou il ne se vérifie pas.
5. BrainDup : le même modèle, en souverain, et déjà implémenté
BrainDup est le socle KG-RAG développé par AS3P. Sa conception est antérieure aux annonces de 2026 et suit exactement la même ligne. Les éléments ci-dessous sont vérifiables dans le dépôt.
L’ontologie est écrite en OWL, pas en configuration. Chaque domaine est décrit dans un fichier Turtle (TTL) qui déclare classes, propriétés, domaines et portées, plus un jeu d’annotations propres (bdup:) portant la projection vers le socle, l’identité déterministe et les indices d’extraction. Le socle générique POLE+O expose cinq bases universelles, Personne, Organisation, Lieu, Événement, Objet ; les packs métier ne les remplacent pas, ils les spécialisent par multi-labels. Le pack patrimoine, en production sur un corpus de 921 documents de presse régionale, déclare 19 types, 17 relations et 4 types d’événements, alignés CIDOC CRM (ISO 21127) et RiC-O. Le pack assurance est bâti sur LKIF, complété par la théorie institutionnelle (faits bruts contre faits institutionnels, agences, arrangements, choses, et cycle de vie instituant, conséquent, terminateur).
Le TTL est compilé, jamais interprété à chaud. rdflib vit au build et n’entre pas dans le runtime. La compilation produit un manifeste JSON validé par un contrat fermé (extra="forbid" à chaque niveau) : une clé hors contrat n’est pas ignorée, elle est refusée. La frontière entre le quoi extraire (déclaré par le pack) et le comment extraire (seuils, ancrage de passage, mécanique d’événements, code commun) devient structurelle et non conventionnelle.
La compilation est un contrôle qualité, pas une conversion. Quatre familles de contrôles bloquants s’appliquent au TTL : identifiants sans accent, libellé français obligatoire sur toute relation exposée, cohérence des domaines et portées, équivalences pendantes, propriété pointant sur elle-même, instances hors domaine déclaré. Un pack qui échoue n’est pas dégradé, il n’est pas compilé. Et un TTL modifié sans recompilation fait échouer l’intégration continue, jamais la production.
Le pack est verrouillé à la naissance du corpus. L’ontologie active n’est pas un champ de configuration mais un journal INSERT-only en base : l’état se dérive du dernier événement. Chaque tâche d’ingestion porte l’ontology_epoch sous laquelle elle a été mise en file, et le worker refuse de traiter une tâche d’une autre époque. Une empreinte SHA-256 du manifeste est comparée au démarrage : si le pack activé a été recompilé depuis, le processus refuse de projeter au lieu de mélanger deux vocabulaires dans un même graphe. C’est un comportement fail-closed assumé.
La trace de réponse porte l’ontologie. Chaque réponse produite consigne non seulement les passages, entités et relations mobilisés, mais aussi l’identifiant et la version de l’ontologie sous laquelle le processus a répondu. C’est, à l’échelle d’un socle documentaire, l’équivalent du context graph de Yahoo : la lignée de décision, séparée du graphe de connaissances.
Le principe directeur tient en une phrase : le LLM propose, le code décide. Le modèle extrait et rédige. Le code déterministe arbitre : une entité n’entre au graphe que si elle correspond à un type déclaré par le pack et qu’elle est rattachable à un passage précis du document source. Les citations sont assemblées par le code depuis le catalogue, jamais rédigées par le modèle. Zéro passage retrouvé égale refus honnête, sans même appeler le LLM. Une prose sans passage attesté égale refus également.
Trois bases, un seul contrat sémantique. PostgreSQL porte la vérité transactionnelle, les droits, les versions et l’audit ; Neo4j porte le graphe ; Milvus porte la mémoire vectorielle. Ce ne sont pas trois silos mais trois projections d’un même contrat. Les droits en font partie : méthode AGDLP, service de décision unique, puis application native par base, pré-filtrage des vecteurs, clauses de sécurité générées dans le graphe, Row-Level Security en SQL. La révocation d’un droit est immédiate par retrait d’un groupe, sans réindexation.
Le tout est souverain. Inférence locale, aucune donnée du corpus vers un tiers, contrôle de souveraineté câblé dans la chaîne d’intégration continue, déploiement possible en environnement déconnecté.
6. Tableau de correspondance
| Exigence | Palantir AIP | Fabric IQ | Yahoo / Google | BrainDup |
|---|---|---|---|---|
| Vocabulaire métier déclaré | Ontology | Ontology (préversion) | Ontologie de graphe typée | Pack OWL/TTL compilé |
| Actions et règles | Actions de première classe | Règles et actions | Politiques comme relations versionnées | Contrat fermé plus gardes de code |
| Ancrage des agents | Ontology SDK | Grounding structuré, NL2Ontology | Spanner Graph | KG-RAG, citations assemblées par code |
| Lignée de décision | Retour d’expérience continu | Gouvernance des définitions | Context graph, BigQuery | Trace de requête estampillée par ontologie |
| Souveraineté et hébergement | Cloud éditeur | Cloud éditeur | Cloud éditeur | Local, souverain, déconnectable |
7. Ce que BrainDup ne fait pas, et pourquoi le dire
La crédibilité d’un socle se mesure aussi à ses non-objectifs déclarés.
BrainDup n’embarque pas de moteur d’inférence OWL au runtime. Les clôtures transitives sont calculées par dérivation de code, de façon explicite et testable, plutôt que déléguées à un raisonneur dont le comportement dépend de la propreté des données. C’est un arbitrage entre expressivité et prévisibilité, assumé et documenté.
BrainDup ne prétend pas au Web sémantique mondial. L’objet est un graphe de connaissances privé, borné à un corpus d’organisation. Berners-Lee visait un graphe planétaire ; l’histoire a montré que le Web sémantique s’est réalisé par îlots, là où la rigueur est vitale : santé, droit, finance, patrimoine, industrie. BrainDup construit un de ces îlots, par organisation.
Enfin, le catalogue de packs métier est inégalement mûr : deux packs sont compilés et opérationnels, huit autres sont modélisés en TTL et attendent leur passe d’annotations de graphe. Le travail restant est de la modélisation, pas de l’ingénierie logicielle, et il se chiffre.
8. Conclusion
L’auteur de l’article qui a motivé cette note conclut ainsi : l’avenir n’est probablement pas un simple retour à OWL, mais une couche sémantique et opérationnelle adossée à l’ontologie, reliant modèles de domaine, données courantes, contrats d’action, politiques et contrôles d’exécution ; une sorte de « système d’exploitation sémantique » entre les IA et les ressources de l’entreprise.
C’est une bonne description. C’est aussi, mot pour mot, ce qu’un socle KG-RAG gouverné implémente déjà, à une échelle qui n’est pas celle d’un hyperscaler mais celle d’une PME, d’un cabinet, d’une collectivité ou d’une profession réglementée.
La question posée aux directions générales en 2026 n’est donc plus « faut-il une ontologie ». Elle est : qui détient la vôtre, où s’exécute-t-elle, et pouvez-vous prouver, requête par requête, sous quelle version elle a répondu ?
Pour confronter ces exigences à votre propre patrimoine documentaire, prenez rendez-vous ou écrivez-nous.
Sources
- Palantir, AIP Architecture, Foundry Architecture Center. palantir.com
- Microsoft, What is Fabric IQ?, Microsoft Learn. learn.microsoft.com
- Google Cloud, Graph technologies underpin Yahoo’s system of action, juin 2026. cloud.google.com
- J. Charlet, B. Bachimont, R. Troncy, Ontologies pour le Web sémantique, revue I3, numéro spécial Web sémantique, 2004. HAL : hal-03854420
- T. Berners-Lee, J. Hendler, O. Lassila, The Semantic Web, Scientific American, mai 2001 ; T. Berners-Lee, Giant Global Graph, 2007.
- W3C, OWL Web Ontology Language (Recommandation 2004), OWL 2 (2009, seconde édition 2012).
- Article de synthèse Why Ontology Is Making a Comeback in the Age of LLMs (2026), pour les références ESWC 2025, EMNLP 2025 (OG-RAG), ACL 2025 (ORT) et ACL 2026 (OntGQA).
À lire également
- IA d’entreprise souveraine : BrainDup reste chez vous
- IA Act : comment BrainDup y répond, article par article
- RAG multilingue multimodal : pourquoi votre IA ignore vos documents français
Jean-Marc André, AS3P. BrainDup est un socle KG-RAG souverain destiné aux organisations qui doivent pouvoir prouver ce que leur IA affirme.