Contexte et enjeux

Selon Jesús Barrasa, directeur technologique de Gen AI chez Neo4j, les agents d’entreprise peinent à fournir des réponses cohérentes lorsqu’ils s’appuient chacun sur une version isolée du savoir organisationnel. Cette fragmentation reproduit les problèmes rencontrés il y a plusieurs années avec les systèmes de reporting, où chaque outil générait des résultats incompatibles. L’interview réalisée lors du GraphSummit souligne que la perte de « meaning » – la signification métier attachée aux données – empêche les agents d’expliquer leurs décisions et crée un risque de dérive lorsqu’ils agissent de façon divergente.

Fonctionnement du knowledge layer

Neo4j décrit le « knowledge layer » comme une représentation gouvernée des actifs de données, des concepts, des politiques et des processus d’une organisation. Cette couche repose sur un graphe de connaissances qui relie les entités métier aux relations requises par les modèles d’IA. La construction se fait de façon incrémentale : on débute par un cas d’usage, on capture les concepts associés, puis on aligne les cas suivants sur le graphe existant. Barrasa indique que l’ontologie sous‑jacente peut être accélérée par les grands modèles de langage, qui génèrent des schémas de relations à partir de descriptions textuelles. Le graphe ainsi enrichi devient le moteur de contexte partagé, accessible à chaque agent via les API Neo4j.

Analyse des impacts et limites

Le principal avantage identifié est la cohérence des réponses : chaque agent puise les mêmes définitions et les mêmes règles, ce qui réduit les contradictions entre les sorties de plusieurs agents. En outre, la couche de connaissance fournit une traçabilité explicative ; l’agent peut référencer les nœuds du graphe qui ont servi à produire une réponse, répondant ainsi aux exigences d’audit. Cependant, Barrasa met en garde contre le « cost of drift », c’est‑à‑dire le coût engendré lorsqu’une partie du graphe devient obsolète ou que deux agents retournent des résultats incompatibles. Mesurer ce coût nécessite des métriques spécifiques, telles que le nombre d’ajustements manuels requis ou le temps de réconciliation des réponses. De plus, la mise en place d’une gouvernance robuste du graphe implique des processus de validation et de mise à jour qui peuvent ralentir le déploiement initial.

Perspectives d’implémentation

Pour évaluer le retour sur investissement, les organisations doivent suivre l’évolution du temps de construction des agents successifs (Agent 2, Agent 3, …) et comparer ce délai à la valeur ajoutée générée par la réutilisation du knowledge layer. La capacité des LLM à accélérer la création d’ontologies suggère que les cycles de développement pourraient se raccourcir, à condition que les modèles soient correctement alignés sur les schémas du graphe. Enfin, la réussite du modèle repose sur une intégration étroite entre les équipes de données, les développeurs d’agents et les responsables de la gouvernance du graphe, afin d’assurer que le sens métier reste cohérent à chaque itération.