L'IA symbolique et les LLM n'ont jamais été rivaux. L'ontologie est le lieu où ils se rencontrent.

Pendant trente ans, la discipline s'est disputée pour savoir quel type d'intelligence était la vraie. L'IA symbolique, avec ses ontologies, sa logique et ses règles, pouvait expliquer chaque étape de son raisonnement mais ne savait rien qu'on ne lui ait dit à la main. Les réseaux de neurones, et aujourd'hui les grands modèles de langage, apprenaient tout des données et n'expliquaient rien. Dans une entreprise, le débat est hors sujet. Une banque n'a pas besoin d'une philosophie de l'esprit. Elle a besoin d'un système qui lise cent mille contrats, énonce leur contenu sous forme de faits et raisonne sur ces faits d'une manière qu'un auditeur puisse suivre. Aucune des deux traditions n'y parvient seule. Ensemble, si.

Ce qu'un modèle de langage ne peut pas vous donner

Un modèle de langage est un excellent lecteur et un témoin peu fiable. Demandez-lui ce que dit un acte hypothécaire et il répondra avec fluidité, et généralement correctement. Posez-lui la même question demain, formulée un peu différemment, et la réponse peut dériver. Demandez-lui de combiner ce qu'il a lu dans l'acte avec ce qu'il a lu dans l'expertise et dans le registre foncier, et il produira un paragraphe plausible plutôt qu'un fait vérifié. Il n'a aucune représentation persistante de l'emprunteur, du bien ou de l'inscription, seulement du texte à leur sujet. Il ne peut pas vous dire laquelle de trois valeurs contradictoires est la bonne, parce qu'il n'a aucune notion d'une valeur juste au-delà du fait qu'elle sonne juste.

C'est la racine des deux habitudes qui ont défini l'IA d'entreprise jusqu'ici : extraire des champs des documents et dialoguer avec eux. Les deux s'arrêtent au texte. L'extraction produit des chiffres sans les relations qui leur donnent un sens ; le chat produit de la prose sans la structure qui la rendrait vérifiable. Aucune des deux ne laisse derrière elle une connaissance sur laquelle un processus puisse bâtir.

Ce que l'IA symbolique n'a jamais pu alimenter

La tradition symbolique avait le problème inverse. Une ontologie dit précisément ce qu'est une hypothèque : une inscription, détenue par un créancier, sur un bien identifié par un triplet cadastral, garantissant un prêt avec un capital restant dû, classée par rapport aux autres inscriptions. De cette définition découlent des règles : quelle inscription est exécutée en premier, quand une créance se prescrit, à quoi ressemble une position de sûreté valide. Le raisonnement est exact et chaque conclusion a une preuve. La difficulté a toujours été la même : quelqu'un devait saisir les faits. L'ingénierie des connaissances ne passait pas à l'échelle des 130 millions de pages d'un servicer, et les ontologies sont restées élégantes et vides.

L'ontologie comme point de rencontre

Réunissez les deux et chacun guérit l'autre. Le modèle de langage lit ; l'ontologie décide de ce qui compte comme un fait et de la façon dont les faits se relient. Le modèle alimente ; l'ontologie contraint, valide et raisonne. C'est cela, la couche sémantique d'Altilia : une représentation fondée sur les ontologies des données des processus métier, partagée par toutes les applications d'IA de l'organisation, créée et alimentée par des agents plutôt qu'à la main.

• L'ontologie définit les entités, leurs attributs, leurs relations et les règles qui les régissent. Elle est déclarative, si bien que les experts métier l'écrivent sans code, et versionnée, si bien que chaque fait peut être rattaché à la définition qui l'a produit.
• Le décodage contraint force le modèle à ne produire que des sorties conformes à la grammaire de l'ontologie. Une valeur non conforme ne peut pas être produite ; une valeur produite a toujours un type, un segment source ou une bounding box.
• Les agents alimentent l'ontologie à grande échelle : ils classent les documents, extraient des entités et des objets hiérarchiques, les rapprochent entre les sources et les écrivent dans le graphe de connaissances avec un score de confiance et un lien de provenance.
• Les agents créent aussi des ontologies. À partir d'un échantillon de documents et d'une description du processus, un agent ébauche les entités et les relations, un expert les corrige, et l'ébauche devient une ontologie versionnée que les agents suivants alimenteront.

Raisonner sur des faits, pas sur du texte

Une fois les faits dans le graphe, la partie intéressante commence. Un agent à qui l'on demande quelles inscriptions priment sur celle du servicer dans un portefeuille ne cherche pas des paragraphes qui ressemblent à la réponse. Il parcourt l'ontologie : du portefeuille aux prêts, de chaque prêt à son bien, du bien à ses inscriptions, de chaque inscription à son rang et à sa date d'enregistrement, et applique la règle qui définit la priorité. La réponse est un ensemble de faits avec un chemin, et le chemin est l'explication. GraphRAG est le nom de cette recherche par parcours ; l'ontologie est ce qui la rend possible.

Il en va de même pour les règles qu'un modèle de langage tend à brouiller. Savoir si une créance est prescrite n'est pas une question d'interprétation une fois que l'ontologie définit les événements interruptifs et que l'agent en a alimenté les dates à partir des notifications. Savoir si une position de sûreté est valide est une vérification, pas une opinion. Le rôle du modèle est de lire et de rédiger ; le rôle de l'ontologie est de rendre la conclusion déterministe, reproductible et recevable en comité de crédit.

« Le modèle de langage lit. L'ontologie décide ce qu'est un fait. Ensemble, ils produisent une connaissance qu'un auditeur peut suivre. »

Pourquoi c'est différent de l'extraction ou du chat

L'extraction s'arrête au champ : 330 données par dossier, sans lien entre elles. Le chat s'arrête à la réponse : un paragraphe impossible à vérifier. Alimenter une ontologie produit une troisième chose, une représentation persistante, typée et reliée de l'activité que chaque agent, application et processus ultérieur peut utiliser. Le credit memo la cite. La vue de rapprochement la lit. L'assistant réglementaire y puise ses réponses. Le modèle distillé est entraîné dessus. Et parce qu'elle est explicite, l'équipe conformité peut rejouer la façon dont chaque conclusion a été atteinte.

C'est aussi pourquoi les petits modèles deviennent viables. Un modèle de quelques milliards de paramètres distillé sur une ontologie égale un modèle de frontière sur cette tâche, parce que l'ontologie a levé l'essentiel de l'ambiguïté à laquelle le modèle de frontière consacrait sa capacité. L'intelligence passe des poids à la structure, où elle peut être possédée, versionnée et auditée.

Par où commencer

Choisissez un processus dont vous comprenez déjà les documents et notez les vingt entités qui comptent pour lui. Laissez un agent ébaucher le reste à partir d'un échantillon et vos experts le corriger. Alimentez le graphe à partir de fichiers réels, avec revue humaine là où se trouve le risque. Puis posez une question à laquelle ni l'extraction ni le chat ne pourraient répondre, une question qui exige de suivre des relations entre documents. Si la réponse revient avec un chemin que vous pouvez suivre, les deux traditions se sont rencontrées.