McKinsey : le graphe de connaissances relie données et IA

La plupart des entreprises stockent leurs données dans de grandes bases relationnelles. Ces systèmes gèrent bien les transactions, mais ils expliquent mal les liens entre un client, un produit et un processus. Pour McKinsey & Company, les graphes de connaissances peuvent combler ce manque et apporter à l'IA d'entreprise le contexte métier qui lui fait souvent défaut.

James Kaplan, associé émérite chez McKinsey, a défendu cette idée lors d'un entretien avec John Furrier de theCUBE Research. L'échange s'inscrivait dans la série theCUBE + NYSE Wired: AI Luminaries diffusée sur theCUBE, le studio de diffusion en direct de SiliconANGLE Media. Neo4j, éditeur de bases de données orientées graphe, a parrainé la couverture de l'événement par theCUBE. SiliconANGLE assure que ses sponsors n'exercent aucun contrôle éditorial sur ses contenus.

Une technologie que l'on utilise déjà au quotidien

Selon James Kaplan, la plupart des gens connaissent déjà les graphes, même sans le savoir. LinkedIn, Wikipédia et les réseaux sociaux reposent tous sur des structures en graphe. À ses yeux, les entreprises de la tech grand public ont compris l'intérêt de cette approche avant la plupart des entreprises traditionnelles.

Il a opposé les graphes aux bases relationnelles sur lesquelles s'appuient la majorité des entreprises. Ces bases sont "formidables pour traiter des données transactionnelles", a-t-il déclaré, mais "beaucoup moins performantes face à des données ambiguës ou complexes". Un graphe est "beaucoup plus intuitif", selon lui, car il décrit chaque élément à travers ses liens avec d'autres éléments. Il peut s'agir d'un client, d'un produit, d'un processus ou d'une seule étape au sein d'un processus.

Transformer des données désordonnées en règles

Le vrai changement, d'après James Kaplan, tient à ce que l'IA sait désormais faire des informations non structurées. Auparavant, transformer des documents et des enregistrements épars en une structure exploitable exigeait des analystes métier ou des data scientists. Ce travail était lent et coûteux, et les résultats souvent imparfaits.

Aujourd'hui, selon lui, l'IA peut examiner des processus complexes et produire de manière automatisée des règles métier déterministes. Elle peut prendre des "données désordonnées, non corrélées et non structurées" et les convertir en données structurées, souvent stockées dans un graphe. "Cela ouvre des horizons entièrement nouveaux", a-t-il affirmé.

Il estime aussi que ce sont les priorités de l'entreprise qui doivent déterminer où vont ces gains liés à l'IA. Il a pris l'exemple d'une entreprise qui oriente ses améliorations vers l'expérience client plutôt que vers la productivité. La valeur du graphe, a-t-il ajouté, augmente avec ses connexions : "Plus les interconnexions entre les nœuds sont riches, plus le graphe contient d'intelligence et plus on peut en tirer de conclusions."

Dans les coulisses d'EcliptOS

McKinsey met cette approche en pratique avec EcliptOS, que le cabinet présente comme un système d'exploitation pour l'IA. L'objectif affiché est de relier la stratégie de la direction générale à l'exécution au quotidien grâce à des flux de travail agentiques, c'est-à-dire des agents d'IA qui accomplissent des tâches en plusieurs étapes. Le système repose sur une couche de données sémantique, qui organise les données ainsi que les relations entre elles, et cette couche alimente des applications d'IA générative.

James Kaplan décrit le résultat comme "un graphe de bases de données". Selon lui, les graphes disposent de schémas de données plus souples que les systèmes traditionnels. Cette souplesse facilite la création d'un graphe virtuel qui couvre de nombreuses bases distinctes sans avoir à les fusionner. Il juge cela "incroyablement puissant".

Notre analyse

Cet entretien reformule un vieux problème de données à l'heure de l'IA. Les entreprises détiennent de grandes quantités d'informations dans des systèmes cloisonnés, et les modèles d'IA ne peuvent raisonner qu'à partir du contexte qu'on leur fournit. L'argument de James Kaplan est que les relations entre les données portent une grande partie du sens, et que les graphes permettent de mettre ces relations à la disposition du modèle.

Cela s'inscrit dans une tendance plus large du logiciel d'entreprise. Les éditeurs présentent de plus en plus les agents comme une couche qui vient se poser par-dessus les applications existantes, à l'image de SAP avec Joule comme couche de travail agentique ou de Google Cloud avec son assistant unique Gemini Agent. Le "graphe de bases de données" de McKinsey vise le même but, mais du côté des données : relier l'existant plutôt que le remplacer.

Les lecteurs doivent garder le contexte à l'esprit. Il s'agissait d'une série d'entretiens sponsorisée, et le sponsor de l'événement vend des technologies de graphe. La source ne fournit aucun chiffre sur l'adoption, le coût ou les résultats d'EcliptOS : ces affirmations restent donc le point de vue d'un cabinet de conseil, et non des résultats mesurés.

Reste à voir si les "règles métier déterministes" générées par l'IA tiennent la route dans la pratique. Des règles extraites automatiquement de données désordonnées pourraient encore nécessiter une vérification humaine avant que des agents ne s'en servent. Deux autres questions restent ouvertes : comment les entreprises gouvernent un graphe virtuel couvrant de nombreuses bases de données, et si l'accent mis sur l'expérience client décrit par James Kaplan se retrouve dans les déploiements réels.