Une ontologie est bien plus qu’un glossaire ou une taxonomie : elle définit des classes (concepts), des individus (instances), des propriétés (attributs), des relations et des axiomes (règles et contraintes). Ce sont les axiomes qui font la différence : ils permettent à un système de déduire des conclusions qu’aucun champ de données ne contient à lui seul. Par exemple, un axiome peut stipuler qu’« un sinistre doit faire référence à une seule et unique police » ou que « les jeux de données indiqués comme contenant des informations personnelles identifiantes (PII) héritent d’un accès restreint ». En formalisant ces contraintes, les agents peuvent tirer des conclusions fiables et éviter une logique fragile, improvisée et susceptible de défaillir lorsque la structure des données évolue.

Ces différentes couches répondent à des besoins distincts : les taxonomies classent, les couches sémantiques uniformisent les indicateurs, les modèles de données optimisent le stockage et les graphes de connaissances stockent les relations au niveau des instances. L’ontologie constitue le schéma du sens : elle précise ce que signifient réellement les arêtes d’un graphe ou les nœuds d’une taxonomie. Un graphe de connaissances sans ontologie peut relier des entités, mais il ne peut pas déduire de façon fiable ni expliquer pourquoi un résultat fait autorité. Pour les agents d’entreprise, l’essentiel est de relier la sémantique de l’ontologie aux métadonnées de gouvernance — propriété, traçabilité, qualité et politiques — afin que le raisonnement soit à la fois correct et justifiable.

À l’exécution, les agents s’appuient sur trois mécanismes fondés sur les ontologies : l’ancrage, la désambiguïsation et la délimitation des actions. L’ancrage associe une requête à des concepts métier définis avant la recherche ; la désambiguïsation résout les termes ambigus en tenant compte du domaine, du rôle et des politiques ; la délimitation des actions relie le sens aux autorisations et aux processus d’approbation, afin que les opérations à haut risque puissent être soumises à validation. Concrètement, lorsqu’un agent doit « afficher les clients à haut risque », il détermine quelle définition du risque s’applique, récupère des sources certifiées et applique les contrôles d’accès aux champs contenant des PII, au lieu de renvoyer une liste non vérifiée obtenue par simple correspondance de mots-clés.

Privilégiez les normes ouvertes pour garantir la portabilité du sens. RDF représente des triplets (sujet–prédicat–objet), OWL exprime des classes, des propriétés et des contraintes logiques utiles à l’inférence, SPARQL interroge les graphes et SHACL valide les données RDF selon des formes structurelles. Ensemble, ces normes constituent une pile pragmatique : modélisez avec OWL, stockez les instances en RDF dans une base de données graphe, validez-les avec SHACL et exécutez des requêtes causales ou de provenance avec SPARQL. L’adoption de normes réduit le travail de traduction entre les catalogues, les graphes de connaissances et les outils d’IA, tout en rendant les signaux de gouvernance lisibles par machine d’un système à l’autre.

Commencez modestement avec un cas d’usage à forte valeur ajoutée et un ensemble de concepts bien délimité. Étape 1 : choisissez un cas d’usage et formulez les questions auxquelles l’ontologie doit permettre de répondre. Étape 2 : déterminez 20 à 50 concepts fondamentaux à partir de glossaires, de rapports et d’entretiens avec des experts métier. Étape 3 : cartographiez les relations et rédigez les axiomes qui permettent les inférences nécessaires. Étape 4 : associez-y la traçabilité, les références aux jeux de données, les scores de qualité et les métadonnées de responsabilité. Étape 5 : gérez les versions, testez la précision du raisonnement à l’aide de requêtes représentatives et appliquez les règles d’accès à l’exécution. N’élargissez le périmètre des concepts qu’après avoir constaté des améliorations mesurables de la traçabilité et de la justesse des décisions.

Évaluez la réussite à l’aide de trois indicateurs : la précision du raisonnement (les réponses déduites correspondent-elles aux résultats attendus ?), la traçabilité (chaque réponse peut-elle être reliée à des sources et à des colonnes certifiées ?) et la prise en compte des accès (les champs restreints sont-ils bloqués ou soumis à approbation lorsque c’est nécessaire ?). Ces mesures opérationnelles permettent de cibler la maintenance de l’ontologie et de justifier son extension progressive par un retour sur investissement démontrable.