Plateforme · Concepts · Ontologie métier
Votre IA a besoin d'un modèle 3D de votre entreprise. Il s'agit d'une ontologie.
Une ontologie métier est une cartographie vivante de votre activité is — les objets (membres, commandes, produits), la signification de chaque champ, leurs relations — et les actions possibles done : des actions encadrées par des préconditions, une autorisation et un audit. Il ne s'agit pas d'une copie de vos données, mais d'une couche de signification ajoutée à vos données existantes, permettant aux humains comme aux IA d'interpréter votre activité.
Couche dynamique · les verbes
Les actions sont encadrées — chacune avec des préconditions, un mécanisme d'autorisation et un historique d'audit.
Couche sémantique · les noms
Membre
Niveau · Consentement · Balises
Commande
Total · Magasin · Date
Produit
Catégorie · Prix
Objets, leurs propriétés et leurs relations : la cartographie de l’existant.
Les données dont vous disposez déjà
Profils · commandes · événements · catalogue — aucune copie, aucune modification effectuée
Qu'est-ce que c'est
Un jumeau numérique de l’entreprise, sur deux niveaux.
Chaque entreprise a déjà une ontologie implicite : tout le monde en quelque sorte sait ce qu'est un « membre », ce que contient « une commande », quelles actions sont acceptables. Le problème est le mot implicite : la connaissance vit dans la tête des gens, en SQL tribal, dans six outils avec six définitions. Une ontologie explicite l'écrit une seule fois, sous la forme d'un modèle lisible par machine à deux couches :
Couche 1 · Sémantique — les noms
Objets, propriétés, relations
Les entités sur lesquelles votre entreprise fonctionne – membre, commande, produit, coupon, campagne, magasin – chacune avec des propriétés nommées et décrites, reliées par des relations réelles : un membre passe une commande, une commande contient des produits, un coupon appartient à un membre. Demandez « quel est ce client ? » et il y a une réponse, avec la signification de chaque champ.
Couche 2 · Dynamique — les verbes
Actions contrôlées
Ce qui peut être fait Pour ces objets : émettre un coupon, attribuer des points, apposer une étiquette, ajouter une note – chaque action comporte ses préconditions (sa validité), son autorisation (qui ou quoi peut l’effectuer, et sur quel équipement) et son historique (ce qui s’est passé et pourquoi). C’est ce qui distingue une ontologie d’un dictionnaire passif : elle modélise le changement, et non seulement l’état.
Ce modèle n'est pas une exclusivité. Palantir l'a popularisé auprès des entreprises : l'ontologie de Foundry associe une couche sémantique d'objets à une couche dynamique d'actions gérées à l'échelle de l'entreprise. Nous appliquons cette même architecture à un domaine précis, de manière approfondie : le client.
Ce que ce n'est pas
Cartographiez les données dont vous disposez déjà.
La meilleure façon de comprendre une ontologie est d'observer ce qu'elle n'exige pas : pas de nouvelle base de données, pas de migration, pas de projet d'exploration et de catalogage.
Ce n'est pas un catalogue de données.
Un catalogue recense les ensembles de données pour les personnes : emplacement des tables, propriétaires. Une ontologie modélise l'activité elle-même pour les machines et les personnes : ce qu'est un client, comment une commande est liée à un produit et quelles actions sont possibles. Un catalogue décrit le stockage ; une ontologie décrit le monde.
Pas une base de données supplémentaire
Aucune copie ni migration n'est effectuée. L'ontologie est une couche de métadonnées qui cartographie vos données existantes : vos profils, commandes, événements et catalogue restent à leur place. Elle ajoute du sens : noms, définitions, relations et règles associés aux données sous-jacentes.
Pas seulement une couche sémantique
Les couches sémantiques des indicateurs définissent les chiffres agrégés — revenus, fidélisation — de manière certifiée. Une ontologie va deux étapes supplémentaires : elle érige les objets eux-mêmes en entités de première classe (ce membre, cette commande) et ajoute une couche dynamique d'actions régies. Des noms et des verbes, et pas seulement des mesures.
Une couche sémantique
Vous disposez déjà de trois ressources sémantiques. Il vous manque la table des noms.
Une plateforme comme la nôtre n’arrive pas les mains vides à l’ontologie. Trois niveaux de sens sont déjà construits, certifiés et gouvernés, chacun étant fort en soi :
Réponse « Montant »
Indicateurs
La couche quantitative certifiée. GMV, désabonnement, rétention : chaque numéro d'entreprise a exactement une définition faisant autorité, calculée par le moteur sémantique. Lorsque deux tableaux de bord affichent des revenus, ils affichent les mêmes revenus.
La couche sémantique des métriques →Réponse « de quel type »
Étiquettes
La couche de classification régie. Étapes du cycle de vie, niveaux de valeur — étiquettes explicables appliquées conformément à la politique : avec consentement, durées de vie, règles d'exclusivité et journal d'audit. L'identité de chaque membre est enregistrée.
Étiquettes réglementées →Réponse « ce qui s'est passé »
Comportement → Intention
La chronologie. Ce qu’un client a réellement fait (navigation, achat, utilisation de points, inactivité) et l’intention que l’IA déduit de ce comportement : des hypothèses comme « risque de désabonnement », confirmées avant toute action.
Événements, comportements et intentions →À y regarder de plus près, les trois modes sont similaires : une sémantique dérivée s'appuie sur des objets jamais explicités. Les métriques décrivent des quantités de quelque chose ; les étiquettes décrivent des types de quelqu'un ; Les comportements décrivent des événements se produisant entre les entités et . Les adjectifs et les groupes verbaux sont tous présents ; seule la table des noms manque. « Membre », « commande », « coupon » n’ont pas de définition commune ; chaque élément décrit les entités selon ses propres termes, et aucun ne fait référence à un autre.
Le rôle de l'ontologie est de fournir cette table des noms — en tant que colonne vertébrale, pas un quatrième silo. Un objectpropriétés dérivées référence les définitions de métriques certifiées ; rien n'est recalculé et la couche de métriques reste la seule autorité pour chaque numberLes tags apparaissent comme objectLes propriétés de classification de [nom de l'entreprise], toujours appliquées selon leurs propres politiques de consentement et de durée de vie (TTL). Le flux de comportement devient le objectLa chronologie observée — l’identité à un endroit, l’observation à un autre. Et la couche cinétique ajoute ce qu’aucune des trois ne pouvait apporter : les verbes — les actions encadrées qui peuvent être entreprises à chaque instant. object.
Agents IA et console
Quel est ce client ? Que s'est-il passé ? Que peut-on faire ?
Ontologie · une couche sémantique
Objets · Liens · Actions
Indicateurs
Mesures certifiées
propriétaire : moteur sémantique
Étiquettes
étiquettes gouvernées
propriétaire : politiques de balises
Comportement → Intention
Chronologie observée
Propriétaire : flux d'événements
Les données dont vous disposez déjà
Profils · Commandes · Événements · Catalogue
Les métriques, les étiquettes et les comportements répondent aux questions suivantes : combien, de quel type et que s’est-il passé. L’ontologie leur permet de fonctionner autour des mêmes questions qui et quoi et ajoute ce qui peut être fait.
Le résultat est une couche sémantique unique : lorsqu’une IA demande ce qu’est ce client (propriétés = métriques + étiquettes), ce qui s’est passé (comportement → intention) et ce qu’il peut faire (actions), les trois réponses partagent pour la première fois le même système nominal. Chaque couche conserve son propriétaire ; l’ontologie fait référence à un seul client, sans jamais le dupliquer.
Découvrez le fonctionnement de la couche sémantique unique →Pourquoi c'est important
L'IA face aux données brutes échoue discrètement. Les preuves sont désormais mesurables.
L’absence du tableau des noms n’est pas un simple détail. Lorsqu’une IA répond à des questions métier sur des données dont les objets n’ont jamais été explicitement définis, elle ne génère pas d’erreur ; elle répond avec assurance, même si c’est faux. Le coût a été évalué :
16.7% → 54.2%
Précision du LLM pour répondre aux questions métiers à partir des données d'entreprise
Lors d'un test de performance contrôlé sur un schéma d'assurance réel, un modèle LLM répondant directement à la base de données SQL brute a obtenu 16,7 % de bonnes réponses aux questions métier. Le même modèle, appliqué aux mêmes données représentées sous forme de graphe de connaissances avec une ontologie, a atteint 54,2 % — soit environ trois fois plus — avant même que le modèle ne devienne plus complexe ou plus intelligent. C'est la représentation, et non le modèle, qui constituait le facteur limitant.
Benchmark data.world (Sequeda et al.), arXiv 2311.07509 ↗→ 72%
Avec vérification et correction des requêtes basées sur l’ontologie
Une étude de suivi a utilisé l'ontologie elle-même pour valider les requêtes générées par le LLM et corriger celles qui ne la violent pas, portant ainsi la précision globale à 72 %. De plus, 8 % des réponses sont devenues un « Je ne sais pas » sincère plutôt qu'une affirmation péremptoire. L'ontologie n'est pas qu'un simple contexte ; c'est un contrat vérifiable.
« Les ontologies à la rescousse ! » (Allemang & Sequeda), arXiv 2405.11706 ↗+17–23 pts
À partir d'un document de couche sémantique de 4 Ko, sur trois modèles de pointe
Un test comparatif a appliqué trois modèles linéaires de pointe (LLM) au même entrepôt de données à deux reprises : d’abord avec le schéma seul, puis avec le schéma et un document d’environ 4 Ko décrivant les mesures, les conventions et les règles de désambiguïsation. La précision a augmenté de 17 à 23 points de pourcentage pour chaque modèle, et les trois modèles sont devenus statistiquement indiscernables. C’est la sémantique, et non le choix du modèle, qui a fait la différence.
Benchmark Cube apparié, arXiv 2604.25149 ↗60 % échoueront
D'ici 2028, les projets d'analyse agentique reposeront exclusivement sur MCP (Gartner)
Lors de son Data & Analytics Summit 2026, Gartner a averti que 60 % des projets d'analyse d'agents reposant uniquement sur MCP échoueront d'ici 2028 faute de couche sémantique cohérente. L'infrastructure reliant un agent à vos systèmes est indispensable, mais sans une modélisation des besoins métiers, elle est insuffisante.
Gartner Data & Analytics Summit 2026, tel que rapporté par Atlan ↗Signal sectoriel
En juin 2026, Zeta Global et Palantir ont annoncé un partenariat stratégique pour créer une infrastructure unifiée de données et d'IA pour le marketing – avec Palantir Foundry contribuant « à l'ontologie, à la gouvernance et à l'infrastructure opérationnelle qu'exigent les données d'entreprise » dans le cadre de l'exécution du marketing agent. Un modèle sémantique associé à des actions contrôlées s'impose comme l'architecture de référence du secteur pour permettre à l'IA d'agir, et non plus seulement d'analyser.
Communiqué de presse de Zeta Global, 23 juin 2026 ↗Un changement plus profond
Les modèles traditionnels traitent des données. Ils ne modélisent pas les décisions.
Les entrepôts, les pipelines et les catalogues répondent à la question « Qu'est-ce que true ? » Ils enregistrent l'état : lignes, colonnes, instantanés. Ce qu'ils n'enregistrent jamais, c'est la décision : le jugement formulé, l'action qui en a découlé, la personne qui l'a autorisée et les suites données. Ce processus résidait dans les esprits et les tickets, il était donc impossible de l'interroger, de l'apprendre ou de le gouverner.
Dès que l'IA commence à agir (et non plus seulement à produire des rapports), cet écart devient le problème central. Les systèmes d'agents n'ont pas besoin d'une intégration de données supplémentaire ; ils ont besoin d'une intégration des décisions : preuve → jugement → action autorisée → résultat enregistré, en tant qu'objets connectés de premier ordre. C'est précisément ce que fournit la couche dynamique de l'ontologie, et c'est pourquoi nous traitons chaque décision d'IA comme une donnée, dans un journal que vous pouvez filtrer, rejouer et auditer.
Une décision, telle que l’ontologie l’enregistre
Preuve — les enregistrements et les mesures des membres que l'IA lit réellement
Jugement — le raisonnement, en langage simple, versé au dossier
Autorisation — Le matériel sur lequel il a été exécuté — ou la personne qui l'a approuvé
Action — ce qui a changé : le coupon émis, le tag appliqué
Résultat — Le résultat — qui alimente la décision suivante et est réversible
Dans la plateforme
Ce n'est pas un concept de présentation. C'est opérationnel.
Dans SocialHub.AI, l’ontologie n’est pas un projet que vous construisez : elle est livrée avec la plateforme et s’étend aux champs et objets que vous ajoutez. Voici ce qu’il permet aujourd’hui :
IA capable d'interroger l'existant
Avant d'agir, toute IA connectée peut analyser l'ontologie : lister les objets métier de votre espace de travail, décrire les champs d'une object et leur signification, identifier les relations entre les objets et lister les actions possibles, avec les conditions et l'autorisation en vigueur pour chacune. Les champs contenant des données personnelles sont décrits, mais leurs valeurs ne sont jamais communiquées.
Référence d'introspection →Des actions gouvernées et non de forme libre
Le fonctionnement de la couche dynamique : chaque action d'IA possède son propre système d'autorisation (automatique, vérification humaine ou interdiction), défini par équipe. Les propositions arrivent sous forme de fiches d'approbation en langage clair, la justification est revérifiée lors de l'approbation, une action non conforme est automatiquement soumise à une vérification humaine et toute action peut être annulée.
Voir la console de gouvernance →Chaque décision, consignée
Parce que les actions sont aussi des objets ontologiques, chacune laisse un enregistrement complet de la décision : le raisonnement, les preuves lues, qui l'a autorisé (un équipement ou une personne), ce qui a changé et le résultat. L’activité de l’IA cesse d’être une boîte noire et devient un journal que vous pouvez filtrer, relire et auditer.
Journal des décisions. →Vos extensions héritent de la sémantique
Ajoutez un champ personnalisé aux membres, ou un objet personnalisé entier – travaux de réparation, rendez-vous de service – et il entre automatiquement dans la même ontologie : introspectable par l'IA, descriptible champ par champ, utilisable dans les segments et la personnalisation. Pas de données de seconde classe, pas d'intégration séparée.
Objets personnalisés →Le concept est cette page. La console est le produit.
La gouvernance et les approbations IA permettent d'intégrer la dynamique de l'ontologie à votre flux de travail quotidien : cartes d'approbation, engrenages d'action, journal des décisions, annulation en un clic.
FAQ
Les questions que se posent les équipes data.
Quelle est la différence entre une ontologie et un catalogue de données ?
Un catalogue de données répond à la question : « Où sont les données et à qui appartiennent-elles ? » — Il recense les tables et les fichiers pour les équipes de données humaines. Une ontologie répond à la question : « En quoi consiste l’activité et que peut-on y faire ? » — Elle modélise les membres, les commandes, les produits, leurs relations et les actions qui les concernent, dans un format lisible et exploitable par les humains et les agents IA. De nombreuses organisations ont besoin des deux ; il s’agit de deux outils distincts.
Quel est le lien avec une couche sémantique de métriques (comme celle de dbt ou la nôtre) ?
Ce sont des couches complémentaires d'une même idée. Une couche de métriques certifie les définitions agrégées — ce que signifie le terme « revenu », calculé d'une certaine manière. L'ontologie étend ces mesures aux objets eux-mêmes (ce membre, cette commande, leurs connexions) et ajoute la couche d'action : ce qui peut être fait, par qui et sous quelles conditions. Dans SocialHub.AI, les propriétés dérivées d'un object font référence aux définitions de métriques certifiées au lieu de les recalculer — la couche de métriques reste la seule autorité pour chaque number — et l'ontologie l'unifie avec la sémantique de classification des étiquettes et la sémantique chronologique du comportement et de l'intention, autour des mêmes objets.
Avons-nous besoin d'une base de données graphiques pour avoir une ontologie ?
Non. Une ontologie est une couche de modélisation, et non une technologie de stockage. Elle cartographie vos données existantes (tables relationnelles, flux d'événements, catalogue de produits) et y superpose noms, relations et règles. Certains fournisseurs implémentent des ontologies sur des bases de données graphiques ; la nôtre utilise des métadonnées superposées aux données opérationnelles déjà présentes sur la plateforme. Aucune migration de plateforme n'est nécessaire.
Est-ce la même ontologie que celle de Palantir ?
Même concept, portée différente. Palantir a popularisé le modèle d'ontologie — une couche sémantique d'objets et une couche dynamique d'actions contrôlées — auprès des entreprises avec Foundry, appliqué à l'ensemble de leurs activités. Notre solution applique ce même modèle à un domaine spécifique : l'engagement client. Les membres, les commandes, les produits, les campagnes et les actions marketing qui leur sont associées sont intégrés à la plateforme plutôt que d'être assemblés séparément.
Quel est le rapport avec la gouvernance des données ?
La gouvernance des données garantit leur fiabilité : une définition certifiée par number, le consentement est respecté, l’accès est contrôlé et les données sont propres. L’ontologie s’appuie sur cette base et ajoute la couche nécessaire à l’IA pour agir : la nature des objets et les actions autorisées. Des données fiables constituent le socle ; un modèle du monde gouverné est le support sur lequel repose l’agent.
Sujets associés : Gouvernance des données · Couche sémantique des indicateurs · Gouvernance et approbations de l’IA
Pour aller plus loin
Continuez à explorer les pages les plus pertinentes.
Décision intelligente
La prochaine action recommandée : qui, quelle offre, quel canal et quand.
En savoir plus CapacitéConsumer World Model
La technologie de base sous chaque décision : un modèle de comportement qui apprend comment vos membres se comportent réellement - formés par marque sur leur propre flux d'événements, honnêtement déterminé par rapport à une base de référence transparente - plus un jumeau numérique qui simule ce qu'ils feraient ensuite, répétant les campagnes (et la possibilité de ne rien faire) avant qu'un message ne soit diffusé. Ensemble, un modèle complet et vivant de votre base de membres.
En savoir plus CapacitéTableau de bord
Données en temps réel de la conversion des points sous forme de tendances des indicateurs clés de performance (KPI), diagnostics du tunnel de conversion, et un panneau de règles et de recommandations pour la prochaine action optimale. Accédez également aux courbes de rétention par cohorte d'inscription et à une prévision de revenus sur 14 jours, qui précise qu'il s'agit d'une projection et non d'un engagement.
En savoir plus CapacitéObjectifs commerciaux
Transformez n’importe quel KPI gouverné en un objectif opérationnel qui répond à quelqu’un. Décomposez une cible sur un seul arbre parent-enfant sur deux axes — temps (année → trimestre → mois) et organisation (entreprise → régions du magasin → magasin) — puis laissez les chiffres réels s'accumuler automatiquement à partir des commandes réelles du même calibre que celui lu par votre tableau de bord, avec un statut rouge/jaune/vert, une projection de rythme et une alerte dès qu'un objectif déraille.
En savoir plus CapacitéSoTag pour Slack
L'agent Slack qui transmet des données contrôlées et auditées à Claude en temps réel : analyse quotidienne des anomalies + envoi de coupons approuvé par un humain. Accès anticipé.
En savoir plus CapacitéSoClaw — Recrutez vos employés IA
Recrutez des IA pour votre programme de fidélité : des agents autonomes ayant chacun une fonction bien définie : un Gestionnaire de fidélité qui fidélise les clients à risque, un Gestionnaire de commandes qui traite les commandes et les reçus, un Gestionnaire des risques qui protège les points contre la fraude et un Gestionnaire marketing qui transforme un objectif en campagne opérationnelle. Chaque agent traite un cas à la fois, dans les limites que vous définissez, et consigne chaque décision. Vous les gérez comme une équipe, avec des objectifs, des budgets, des tâches et des retours d'information. Désactivé par défaut, limité, pause instantanée. Accès anticipé.
En savoir plus