Concept Agent Sémantique
Composition symétrique (Modèle + Harnais) + (Ontologie + Données connectées) qui fait passer l'agent IA de la génération à la compréhension.
Définition : quatre primitives de l'agent sémantique
L'agent sémantique est le nom que Tony Seale (Head of Data Architecture, ex-UBS) donne en avril 2026 à une composition stricte de quatre primitives : (Modèle + Harnais) côté calcul, (Ontologie + Données connectées) côté information. Cette équation décrit à la fois la condition de possibilité et la limite des agents IA en entreprise. Un modèle puissant dans un harnais puissant reste intelligent en isolation mais incohérent en combinaison ; il faut lui adjoindre une structure sémantique sur les données pour qu'il passe de la génération à la compréhension.
Basculement industriel : l'échafaudage doit décroître
Les frameworks d'orchestration d'agents — LangGraph, CrewAI, AutoGen, Semantic Kernel, OpenAI Agents SDK, AWS Bedrock, Google ADK — ont été nécessaires tant que les modèles ne savaient pas gérer le travail multi-étapes seuls. Mais chaque composant d'un harnais encode une hypothèse sur ce que le modèle ne sait pas faire. À mesure que les modèles s'améliorent, ces hypothèses deviennent obsolètes : le garde-fou construit pour un modèle limité entrave un modèle capable. L'échafaudage doit décroître, pas s'accumuler. Ce qui reste, c'est la symétrie minimale : un modèle puissant dans un harnais puissant, plusieurs d'entre eux interagissant.
Structuration sémantique : de la recherche à l'interprétation
L'accès à l'ordinateur n'est pas la compréhension. Donner mille documents à un agent et lui poser une question produit une recherche, pas une interprétation. Multiplié sur cinquante agents sans modèle partagé du monde, on obtient l'incohérence à l'échelle. Pour opérer en entreprise, l'environnement informationnel doit être structuré. L'ontologie définit ce qui existe, ses propriétés, ses relations. Elle est l'interface par laquelle les agents accèdent aux données — et les données elles-mêmes, typées, liées, structurées, forment un graphe de signification navigable.
Symétrie miroir : modèle puissant et ontologie puissante
La symétrie est le point central : deux patterns miroirs, un modèle puissant dans un harnais puissant d'un côté, des données puissantes dans une ontologie puissante de l'autre. Mis ensemble, ils produisent l'agent sémantique qui ne se contente pas de générer mais commence à comprendre. Tout le reste — frameworks d'orchestration, état de routage, machines à états complexes — est un échafaudage. Utile pendant un temps, mais l'échafaudage est destiné à descendre.
Enjeu stratégique : construire l'ontologie, votre bien unique
L'enjeu stratégique est qu'il ne reste à construire que la connaissance. Tout le monde loue les mêmes modèles frontières. Tout le monde peut construire un harnais — c'est une commodité qui s'affine de jour en jour. Ce qui n'est pas commodité, c'est l'ontologie, le modèle de domaine, la connaissance structurée et liée qui capture la manière dont VOTRE organisation comprend le monde. Les frameworks sont une phase transitoire. Les modèles sont loués. La seule chose qu'il reste à construire — et qui vous appartient — est l'ontologie.
Questions fréquentes
Quelle est la différence entre un agent classique et un agent sémantique ?
Un agent classique (Modèle + Harnais) dispose de capacités d'action — accès à l'ordinateur, outils, mémoire — mais pas d'une compréhension partagée du domaine. Un agent sémantique ajoute la moitié manquante : une ontologie qui structure les données en un graphe typé et navigable. Il passe de la génération isolée à l'interprétation cohérente à l'échelle entreprise.
Pourquoi l'ontologie est-elle le seul vrai actif non-commodité ?
Les modèles frontières sont rentés à tous les acteurs avec les mêmes capacités. Les harnais (Claude Code, Codex, Hermes, OpenClaw) sont des architectures publiques qu'on peut répliquer. L'ontologie d'entreprise — les entités qui existent dans VOTRE business, leurs propriétés et relations — n'existe nulle part ailleurs. Elle capture comment votre organisation comprend le monde. Tout le reste s'estompe dans la commodité.
Les frameworks comme LangGraph ou CrewAI vont-ils disparaître ?
Selon Tony Seale, oui — progressivement. Leur raison d'être était de compenser ce que les modèles ne savaient pas faire seuls. À mesure que les modèles managent le multi-étapes de manière autonome, ces frameworks perdent leur utilité. L'industrie des frameworks est une phase transitoire ; la pratique finale est un modèle puissant dans un harnais minimal, plusieurs d'entre eux interagissant sur une couche sémantique partagée.
Comment construit-on l'ontologie d'une organisation ?
L'approche recommandée combine trois éléments. D'abord le Reverse Conway Maneuver — aligner les équipes produit sur les domaines métier avant de modéliser les données. Ensuite le Data Shift Left — intégrer la modélisation sémantique dès la conception des systèmes, pas en aval. Enfin un catalogue de métadonnées vivant qui typé les entités, documente leurs relations et s'enrichit au fil du temps. SFEIR positionne le Digital Twin comme la matérialisation opérationnelle de cette ontologie.
Articles liés
L'ontologie n'est pas louable : le vrai fossé concurrentiel des agents IA
Tony Seale vient de nommer l'évidence : la moitié qui manque aux agents IA n'est pas un framework supplémentaire, c'est l'ontologie de votre domaine. Pour la première fois, le fossé concurrentiel est clairement délimité — et il n'est pas technique.
Que devient DBT quand l'IA écrit le code ?
Benoît Perigot (DBT Labs) raconte quatre ans d'investissement sur l'IA chez DBT Labs — trois leviers techniques (skills, MCP server, DBT Index), l'épineux problème du token design, les trous du benchmark Analytics Engineering, et l'angle mort que les agents ne savent toujours pas franchir.