Larssen Consulting
Agents et outils

Ontologie métier

Business ontology

L’ontologie métier est un ensemble de définitions approuvées des notions clés d’une entreprise, reliées à ses données, que l’on fournit aux agents d’IA pour que leurs réponses reposent sur le même sens que celui retenu par l’organisation.

  • Lecture : 5 minutes
  • Mis à jour le 12 novembre 2026
  • 5 sources

En clair

Dans beaucoup d’entreprises, un même mot recouvre plusieurs réalités. Pour le service commercial, un « client » est quiconque a signé un contrat ; pour la comptabilité, c’est celui qui a payé une facture ; pour le service client, c’est quiconque a ouvert un ticket. Chacun a raison dans son coin, et les chiffres ne concordent jamais en réunion. Un nouvel embauché met des mois à apprendre ces nuances, souvent en se trompant.

Un agent d’IA est un nouvel embauché permanent : il ne connaît pas ces usages et, faute de mieux, il devine. L’ontologie métier lui remet le manuel d’accueil qui lui manque. C’est un dictionnaire officiel où chaque terme a une définition validée, un responsable, des liens avec les autres termes (un client passe des commandes, une commande génère du chiffre d’affaires) et l’adresse des données qui le calculent.

L’image la plus proche est celle d’un code de la route interne. Il ne conduit pas à votre place et ne dit pas où aller, mais il fixe des règles communes que tout le monde, humains comme machines, applique de la même façon. L’agent reste libre de raisonner ; il le fait simplement avec les mots que l’entreprise a choisis.

Un exemple

Un distributeur de matériel électrique déploie un agent qui répond aux questions des directeurs régionaux sur leurs ventes. Dès la première semaine, l’agent annonce pour un trimestre un chiffre d’affaires différent de celui du tableau de bord financier : il a additionné les factures émises, retours compris, alors que la direction financière publie un chiffre net des avoirs et des remises de fin d’année.

Plutôt que de corriger l’agent au cas par cas, l’entreprise rédige une ontologie d’une soixantaine de notions. « Chiffre d’affaires net », « client actif » ou « marge brute » y reçoivent chacun une définition, un responsable désigné au contrôle de gestion et un lien vers l’indicateur de référence. L’agent consulte désormais cette ontologie avant de répondre, cite la définition retenue et, quand une question porte sur une notion non encore approuvée, le signale au lieu d’improviser.

Niveau technique

Comment ça marche

Une ontologie, en informatique, décrit un domaine sous forme de concepts, de relations entre ces concepts et de règles ; la définition la plus citée, due à Tom Gruber en 1993, y voit la spécification d’un vocabulaire partagé pour un domaine donné 5. L’ontologie métier applique cette approche au vocabulaire d’une entreprise, avec une exigence de gouvernance : chaque définition a un propriétaire et un statut d’approbation. La notion a pris de l’ampleur avec les agents d’IA. En 2026, Snowflake a présenté Business Ontology, rattachée à Horizon Context, l’espace de son catalogue de données consacré au contexte métier gouverné, en partant d’un constat : un tableau de bord donne une réponse, un analyste une autre et un agent une troisième 1. Les directions commerciale, financière et opérationnelle peuvent en effet avoir chacune leur propre définition d’un client ou du chiffre d’affaires 4.

  1. RecenserLister les notions qui comptent pour l’activité et repérer celles qui ont plusieurs définitions selon les services.
  2. DéfinirRédiger pour chaque notion une définition, ses relations avec les autres notions et les règles qui s’y appliquent.
  3. ApprouverFaire valider chaque définition par un responsable désigné, qui en devient le propriétaire.
  4. RelierRattacher chaque notion approuvée aux tables et aux indicateurs qui la calculent.
  5. InterrogerL’agent consulte l’ontologie avant de répondre et s’appuie sur la définition validée.

Concrètement, l’outil permet de définir, d’attribuer et d’approuver des termes et des indicateurs, et de relier des concepts comme les clients, les commandes ou le chiffre d’affaires net aux tables, aux vues sémantiques et aux services qui les mettent en œuvre 2. Snowflake distingue trois couches de contexte : une première déduit automatiquement le contexte à partir des métadonnées, l’ontologie gouverne le sens, et les vues sémantiques exécutent le calcul des indicateurs 2. L’ontologie ne garde qu’un ensemble restreint de définitions engageantes : ce que signifient les concepts, qui en est responsable, quelles politiques s’appliquent et quelles données les implémentent 3. Un agent y accède comme à un outil de recherche, à côté des outils qui interrogent les indicateurs, et l’on peut importer un glossaire ou une ontologie existants 3. À son annonce, le produit n’était accessible qu’en préversion privée, une préversion publique étant promise « bientôt » 34.

Le cadre dépasse ce produit : Snowflake revendique lui-même de pouvoir appliquer une définition unique à des données situées hors de sa plateforme 1. L’ontologie métier se distingue du RAG, qui va chercher des passages de documents pour nourrir une réponse sans dire lequel fait foi, et de la base vectorielle, qui retrouve des textes par proximité de sens sans les valider. Elle relève de l’ingénierie de contexte, dont elle constitue la partie la plus stable et la plus contrôlée. Sa limite principale n’est pas technique : elle ne vaut que ce que valent les arbitrages humains qui fixent les définitions et leur mise à jour.

Ce que ça change pour une entreprise

Pour l’entreprise, l’ontologie métier répond au premier reproche fait aux agents qui interrogent les données : des réponses plausibles mais incohérentes avec les chiffres officiels. En fixant une fois pour toutes ce que signifie chaque notion, elle rend les réponses cohérentes d’un agent à l’autre et d’un service à l’autre, et traçables jusqu’à une définition et un responsable 1. Elle sert aussi les humains : tableaux de bord, analystes et agents partent du même vocabulaire. L’investissement est surtout humain, en temps d’experts métier et de responsables des données, bien plus qu’en logiciel.

Les limites sont réelles. Désigner le propriétaire d’une définition comme « client actif » est souvent une décision politique, qui oppose des services aux intérêts différents. Une ontologie non tenue à jour devient vite fausse, et un agent qui s’y fie la propage avec assurance. Elle ne couvre que les notions recensées : tout le reste continue de dépendre des déductions du modèle. Enfin, construire son ontologie dans l’outil d’un éditeur expose à une dépendance ; mieux vaut vérifier qu’elle peut s’exporter ou s’importer 3.

Idées reçues

  • « L’ontologie métier, c’est un produit Snowflake. »

    Snowflake a donné ce nom à un produit, mais la démarche est générale : toute organisation peut formaliser et gouverner ses définitions, quel que soit l’outil.

  • « Avec une ontologie, l’agent ne se trompe plus. »

    Elle supprime les erreurs de définition sur les notions couvertes, pas les erreurs de raisonnement ni les données fausses. Les réponses restent à vérifier.

  • « Un modèle assez puissant peut deviner seul ce que veut dire “client” chez nous. »

    Il peut proposer une définition vraisemblable, pas trancher entre celles de la vente et de la finance. Ce choix appartient à l’entreprise.

Sources

  1. Snowflake, « Snowflake Helps Enterprises Deploy AI Agents with Trusted Business Context and Built-In Controls », communiqué, 2026
  2. Nick El-Rayess et al., « Business Ontology Governs Business Concepts and Metrics for AI and Analytics », 2026
  3. Purvaja Narayanaswamy et al., « Meaning Before Metrics: How We Built a Governed Business Ontology for AI Agents », 2026
  4. Anirban Ghoshal, « Snowflake launches Business Ontology to boost AI agent reliability », InfoWorld, 2026
  5. Thomas R. Gruber, « A Translation Approach to Portable Ontology Specifications », 1993

Voir aussi