Le graphe de connaissances d'AWS Quick prend des décisions d'orchestration invisibles pour les plans de contrôle

L'IA d'entreprise a besoin de graphes de connaissances et de gouvernance, selon SAP

Lors de la conférence VB Transform 2026, Max McPhee, conseiller principal en solutions chez SAP, a détaillé face à Rob Stretchay, analyste principal chez VentureBeat Research, ce qui distingue un simple chatbot d'entreprise d'un agent IA véritablement autonome capable d'exécuter des processus métier complets. Selon lui, la différence tient à l'ancrage de l'agent dans le contexte propre de l'entreprise plutôt que dans des connaissances générales. Pour y parvenir, SAP mise sur les graphes de connaissances associés à des données vectorisées, un format qu'il juge particulièrement adapté à la façon dont un agent recherche et récupère l'information, contrairement à un employé humain. McPhee compare l'intégration d'un agent à celle d'un nouvel employé, mais adaptée aux mécanismes propres au logiciel : fournir le savoir tribal de l'entreprise, y compris ses acronymes internes, évite qu'un agent bute sur du jargon maison là où un chatbot classique demanderait des explications. Côté gouvernance, SAP s'appuie sur cinquante ans d'expérience dans le contrôle des processus pour encadrer la flexibilité nouvelle qu'apportent les agents autonomes. L'entreprise combine cette gouvernance avec de l'apprentissage automatique pour détecter les anomalies et valider le comportement des agents, une approche déjà utilisée pour ses recommandations d'approbation intelligentes. L'identité et les droits d'accès complètent ce dispositif : pour Joule, l'assistant génératif de SAP intégré à ses applications cloud et à sa Business Technology Platform, l'utilisateur et l'assistant doivent tous deux disposer des autorisations nécessaires. Un employé habilité à accéder à S/4HANA ne pourra donc pas le faire via Joule si l'assistant n'a pas lui-même été provisionné pour ce système, ce qui empêche de contourner les contrôles d'accès existants. Cette architecture change concrètement la manière dont les entreprises peuvent déployer l'IA à grande échelle. Sans ancrage contextuel ni gouvernance stricte, un agent autonome risque de produire des réponses erronées sur des processus sensibles, en finance, en ressources humaines ou dans la chaîne d'approvisionnement, ou pire, d'être détourné pour accéder à des données au-delà des permissions prévues. En calquant les contrôles d'identité sur ceux des employés humains, SAP répond à une inquiétude majeure des directions informatiques : la traçabilité et la sécurité des actions prises par des systèmes qui agissent désormais avec une autonomie croissante. Pour les clients SAP, cela signifie qu'ils peuvent introduire progressivement des agents dans des workflows critiques sans multiplier les risques de fuite de données ou de décisions non supervisées. C'est aussi un argument commercial pour SAP, qui doit convaincre des entreprises souvent équipées de dizaines de systèmes tiers que ses agents sauront s'intégrer sans tout perturber. McPhee reconnaît que le paysage applicatif des clients SAP dépasse largement le seul écosystème maison : nombre d'entre eux lui disent que SAP ne représente que 10% de leur infrastructure logicielle, le reste étant composé de systèmes tiers et de personnalisations accumulées depuis des décennies. C'est ce constat qui a orienté les récentes acquisitions du groupe, notamment LeanIX, que McPhee compare à un Google Maps de l'architecture d'entreprise, et Signavio, spécialiste du process mining, toutes deux destinées à cartographier ces systèmes non-SAP pour que les agents puissent comprendre comment l'ensemble de l'infrastructure s'articule. SAP a également investi dans n8n, entreprise berlinoise d'automatisation, désormais intégrée nativement à Joule Studio, son environnement low-code piloté par intention pour construire des agents. McPhee met enfin en garde les entreprises qui n'auraient pas modernisé leurs systèmes historiques sur site : en généralisant l'usage d'agents autonomes, elles risquent de se heurter à des limites de débit et de performance que ces infrastructures vieillissantes ne pourront pas absorber.

Amazon Quick : accélérer le chemin des données d'entreprise vers les décisions assistées par IA

Amazon vient d'annoncer cinq nouvelles fonctionnalités pour Amazon Quick, sa plateforme d'analyse de données propulsée par l'IA, pensées pour les grandes entreprises qui gèrent des dizaines de millions de lignes de données réparties sur de multiples domaines métier. La fonctionnalité phare, Dataset Q&A, permet à n'importe quel utilisateur de poser une question en langage naturel directement sur ses datasets et d'obtenir une réponse en quelques secondes, sans passer par un analyste ni attendre la création d'un tableau de bord sur mesure. Le système génère automatiquement du SQL, l'exécute sur l'intégralité des données sans échantillonnage, et renvoie un résultat chiffré accompagné d'une explication complète de la logique utilisée : requête SQL générée, filtres appliqués, hypothèses formulées, et résumé en langage courant pour les non-techniciens. Le programme AWS Technical Field Communities a déjà mis cette approche en pratique : la précision des requêtes a progressé de plus de 48 %, et le temps de résolution est passé de 90 minutes à moins de 5 minutes pour une communauté de plus de 15 000 membres. Ce que change Amazon Quick, c'est l'élimination du goulet d'étranglement humain qui ralentit habituellement la prise de décision en entreprise. Lorsqu'un dirigeant veut savoir comment évolue le taux de désabonnement d'un produit, la réponse nécessite aujourd'hui soit un tableau de bord préexistant, soit une requête manuelle par un analyste, soit l'attente d'un ticket résolu en heures, voire en jours. En rendant l'accès aux données aussi direct que poser une question, Amazon Quick réduit ce délai à quelques secondes tout en préservant la gouvernance : les politiques de sécurité au niveau des lignes et des colonnes déjà configurées s'appliquent automatiquement aux requêtes générées par l'IA, sans configuration supplémentaire. L'utilisateur ne voit que ce qu'il est autorisé à voir, peu importe la formulation de sa question. Amazon Quick s'inscrit dans une tendance de fond qui voit les grands fournisseurs cloud chercher à démocratiser l'accès aux données d'entreprise via des interfaces conversationnelles. Face à des concurrents comme Microsoft Fabric avec Copilot ou Google Looker Studio, Amazon mise sur la fiabilité et l'auditabilité des réponses, deux points critiques pour les grandes organisations soumises à des exigences réglementaires strictes. Le défi technique central n'est pas la génération de SQL, mais la résolution des ambiguïtés sémantiques : quand un utilisateur parle de "croissance", entend-il des transactions, des clients, du revenu ou des unités vendues ? La fonctionnalité d'enrichissement sémantique permet aux équipes data de codifier les définitions métier directement dans les métadonnées des datasets, afin que l'IA réponde selon le vocabulaire réel de l'organisation plutôt qu'une interprétation approximative des noms de colonnes.

IA d'entreprise sur AWS : au-delà du RAG, la compression de connaissances adaptée à la tâche

Compression de l'information privilégiant les tâches spécifiques, cette technique baptisée TAKC (Task-Aware Knowledge Compression) vient d'être détaillée par AWS pour dépasser les limites du RAG (Retrieval-Augmented Generation) classique sur les tâches analytiques complexes. Le problème identifié concerne les analyses portant sur des centaines de documents, comme un audit de due diligence financière ou une revue de conformité réglementaire, où la recherche par similarité du RAG traditionnel peine à relier des informations disséminées dans des sources sans proximité lexicale. AWS illustre le cas d'un fonds de private equity évaluant une acquisition de 500 millions de dollars dans le secteur manufacturier, avec une équipe devant croiser les états financiers de 12 filiales sur 5 ans, plus de 200 contrats fournisseurs, des rapports de conformité environnementale de 8 sites et plus de 50 dossiers juridiques en cours. TAKC compresse l'intégralité de la base documentaire hors ligne, une fois par document et par type de tâche, en utilisant un LLM pour produire des résumés ciblés qui conservent uniquement les informations pertinentes pour un usage donné, par exemple les chiffres de revenus et de marges pour une analyse financière, ou les citations réglementaires pour un contrôle de conformité. Le système propose quatre niveaux de compression selon la complexité de la requête, allant d'une réduction de 87,5% du contexte pour les tâches de raisonnement multi-étapes jusqu'à 96,9% pour les recherches factuelles simples, avec un facteur de compression global variant de 8x à 64x. L'enjeu principal réside dans la capacité de cette approche à préserver les connexions entre documents que le RAG classique manque systématiquement, puisque la compression analyse les textes ensemble plutôt qu'isolément fragment par fragment. Pour les entreprises manipulant de gros volumes documentaires dans des secteurs réglementés, comme la finance ou le droit, cela change concrètement la donne : un analyste peut interroger le système sur les risques financiers consolidés en tenant compte simultanément des conditions fournisseurs actuelles et des litiges en cours, une question à laquelle le RAG traditionnel ne peut pas répondre faute de récupérer les bons fragments au bon moment. La différenciation par type de tâche évite aussi la dilution d'information propre aux résumés génériques, qui tentent de tout couvrir sans répondre précisément à aucun usage. Un même rapport annuel produit ainsi des versions compressées radicalement différentes selon qu'il sert une analyse financière ou une évaluation des risques juridiques. Cette architecture s'inscrit dans une tendance plus large d'optimisation des systèmes RAG pour les cas d'usage professionnels intensifs, où le simple découpage en chunks similaires atteint ses limites face à la complexité réelle des documents d'entreprise. AWS propose une implémentation open source complète, déployable directement sur ses propres comptes cloud, avec des recommandations pratiques comme le stockage versionné des prompts de compression via AWS Systems Manager Parameter Store ou un préfixe dédié Amazon S3, afin de garantir la traçabilité des modifications et de déclencher une recompression lorsque les prompts évoluent. Un analyseur de complexité des requêtes route automatiquement les questions vers le niveau de compression adapté, redirigeant vers un palier moins compressé si la représentation disponible manque de détail. Cette approche s'adresse en priorité aux organisations traitant des volumes documentaires massifs dans des contextes à fort enjeu réglementaire ou financier, où la précision et la traçabilité des réponses générées par IA deviennent critiques.

💬 Le vrai apport ici, c'est pas la compression, c'est le routage par tâche. Un même rapport annuel donne des résumés différents selon que tu fais de l'analyse financière ou du juridique, ça évite le piège classique du résumé fourre-tout qui répond mal à tout. Reste à voir si ça tient en prod sur des vrais corpus de 500 documents, parce que sur le papier les chiffres de compression sont beaux, mais AWS n'a testé que ses propres cas d'usage.

L'ère du RAG pour les agents IA touche à sa fin : place à une couche de connaissances intégrée à la compilation

Pinecone, pionnière des bases de données vectorielles, a annoncé ce 4 mai 2026 le lancement en accès anticipé de Nexus, qu'elle présente non pas comme une amélioration de la recherche vectorielle, mais comme un moteur de connaissance entièrement repensé pour les agents IA. Le produit introduit un compilateur de contexte qui transforme les données brutes d'une entreprise en artefacts de connaissance persistants et adaptés à des tâches spécifiques, avant même qu'un agent ne formule sa première requête. Nexus embarque également KnowQL, un nouveau langage de requête déclaratif permettant aux agents de spécifier la forme des résultats attendus, les exigences de confiance et les contraintes de latence. Sur un benchmark interne, une tâche d'analyse financière qui consommait auparavant 2,8 millions de tokens a été traitée par Nexus avec seulement 4 000 tokens, soit une réduction de 98 %, bien que Pinecone n'ait pas encore validé ce chiffre en déploiement client réel. Cette rupture répond à une limite structurelle du paradigme RAG (retrieval-augmented generation), conçu pour des interactions humaines ponctuelles, une requête, une réponse, un interprète humain dans la boucle. Les agents IA fonctionnent différemment : ils reçoivent des tâches complexes, agrègent des sources multiples, résolvent des conflits d'information et enchaînent les requêtes de façon autonome. Or, dans une architecture RAG classique, chaque session repart de zéro, redécouvrant à chaque fois quelles tables sont liées, quelles sources font autorité, quels formats sont exploitables. Pinecone estime que 85 % de la puissance de calcul des agents est absorbée par ce cycle de redécouverte, au détriment de la tâche réelle. Il en résulte une latence imprévisible, des coûts en tokens incontrôlés et des résultats non déterministes, deux exécutions identiques sur les mêmes données peuvent produire des réponses différentes, sans traçabilité des sources, ce qui constitue un blocage rédhibitoire pour les entreprises soumises à des obligations de conformité. La sondage Pulse de VentureBeat pour le premier trimestre 2026 confirme ce tournant : chaque base de données vectorielle standalone perd des parts d'adoption, tandis que l'intention de récupération hybride a triplé pour atteindre 33,3 %, la position stratégique à la croissance la plus rapide du secteur. En déplaçant le travail de raisonnement du moment de l'inférence vers une phase de compilation préalable, Nexus tente de résoudre ce que le PDG Ash Ashutosh résume ainsi : les agents sont des machines contraintes de travailler sur des systèmes conçus pour des humains. L'enjeu dépasse Pinecone, c'est toute une catégorie technologique, celle des bases vectorielles nées avec ChatGPT, qui doit se réinventer pour survivre à l'ère agentique.