Contexte et objectifs
McKinsey & Company a présenté EcliptOS, un système d’exploitation dédié à l’intelligence artificielle qui repose sur un graphe de connaissances. Selon James Kaplan, partenaire distingué de McKinsey, le graphe permet de fournir le contexte requis aux applications d’IA en reliant les données aux relations métier sous‑jacentes. L’objectif déclaré est de remplacer les processus manuels de structuration des informations, souvent longs et coûteux, par une interrogation automatisée des données désordonnées.
Architecture du système EcliptOS
EcliptOS intègre une couche sémantique qui organise les entités et leurs liens dans un modèle de graphe. Kaplan décrit le résultat comme « un graphe de bases de données », soulignant la capacité du graphe à connecter plusieurs sources sans imposer un schéma rigide. Cette flexibilité découle de la nature des bases de données graphe, où chaque nœud peut posséder un ensemble de propriétés distinctes et chaque arête représente une relation explicite. Le système utilise des flux de travail « agentic », c’est‑à‑dire des agents automatisés qui exploitent le graphe pour exécuter des tâches décisionnelles au niveau de la direction (C‑suite) et de l’opérationnel.
Mécanismes de transformation des données
Le processus décrit par Kaplan consiste à ingérer des données non structurées – par exemple des documents texte, des logs ou des flux d’événements – puis à les convertir en triplets (sujet, relation, objet) stockés dans le graphe. Cette conversion rend possible la génération de règles métier déterministes de façon programmatique, éliminant le besoin d’interventions manuelles de data scientists pour chaque nouveau cas d’usage. Plus le nombre d’interconnexions entre les nœuds augmente, plus le système peut déduire d’informations, ce qui, selon les propos de Kaplan, ouvre de nouvelles possibilités d’optimisation, notamment dans l’expérience client ou la productivité.
Implications et limites
Sur le plan technique, la solution mise en avant repose sur la capacité du graphe à gérer des schémas évolutifs et à offrir des temps de requête rapides sur des graphes d’envergure entreprise. Cependant, l’article ne fournit pas de métriques de performance, de taille de graphe ou de comparaison avec des bases relationnelles classiques, ce qui empêche d’évaluer objectivement les gains de latence ou de coût. De plus, la transformation d’informations non structurées en triplets exige des modèles de traitement du langage naturel capables de reconnaître les entités et les relations, un point qui reste implicite dans la description. Enfin, la dépendance à une couche sémantique centralisée peut introduire un point de défaillance si la gouvernance des métadonnées n’est pas rigoureuse.
