# La sémantique : le pont entre vos données et vos agents

> Un agent branché sur des données sans définitions partagées devine le sens, et se trompe avec aplomb. La sémantique relie les fondations data à l’IA agentique : un langage commun, tenu par les métiers et la tech, que les agents peuvent interroger.

Source : https://dasein-ai.com/fr/articles/couche-semantique · Dasein · Mis à jour le 9 octobre 2026

## En bref

- Une donnée brute ne porte pas son sens : c’est la sémantique qui dit ce qu’elle représente, à quoi elle se rattache et comment l’interpréter.
- Tant que des humains lisaient les tableaux de bord, ce sens vivait dans leur tête. Un agent, lui, ne connaît que ce qui est écrit.
- Dasein aide à mettre en place ce socle sémantique avec les métiers et les équipes tech, en partant des outils que vous avez déjà.

## 1. Une donnée ne dit rien toute seule

Prenez une ligne dans une table d’un groupe média : « ID vidéo 84721 ». Pour la machine, c’est un nombre. Pour le métier, c’est un épisode, rattaché à un programme, classé dans le genre sport, saison 2. Tout ce qui sépare le nombre de sa signification, c’est la sémantique.

*Schéma : D’une donnée brute à son sens : la donnée (ID vidéo 84721), le concept (épisode), le contexte (rattaché à un programme), les attributs et relations (genre : sport, saison : 2).*

La sémantique est un langage commun : elle définit les concepts métier, les relations entre eux et les règles qui permettent de les interpréter. Son but est simple à énoncer et difficile à tenir : qu’un même mot garde le même sens entre les métiers, les données, les outils et les modèles d’IA.

> La donnée dit ce qui est stocké. La sémantique dit ce que cela veut dire. Un agent a besoin des deux.

## 2. Ce que les agents changent

Jusqu’ici, le sens vivait surtout dans la tête des gens. L’analyste savait que le « chiffre d’affaires » du tableau de bord excluait les avoirs, que deux tables ne se joignaient pas n’importe comment, qu’un « client actif » n’avait pas la même définition au marketing et à la finance. Ce savoir n’était écrit nulle part, et cela suffisait.

Un agent ne dispose pas de ce savoir. Il lit des noms de colonnes, des descriptions quand il y en a, et il comble les trous avec ce qui lui semble plausible. Le résultat est une réponse bien rédigée, chiffrée, et fausse.

| Ce qui manque | Ce qui arrive avec un agent |
| --- | --- |
| Une définition partagée | « Client actif » est calculé d’une façon pour le marketing, d’une autre pour la finance : l’agent en choisit une sans le dire. |
| Un calcul de référence | Deux questions proches donnent deux chiffres d’affaires différents, parce que l’agent a reconstruit le calcul à chaque fois. |
| Les relations entre objets | L’agent joint deux tables sur la mauvaise clé et compte certaines lignes deux fois. |
| Les règles métier | Une exclusion connue de tous (tests internes, filiales cédées, périodes gelées) n’est pas appliquée. |
| Le niveau de sensibilité | Une donnée confidentielle est traitée comme les autres, faute d’être marquée comme telle. |

Aucun de ces problèmes n’est nouveau. Ce qui est nouveau, c’est qu’ils ne sont plus rattrapés par un humain qui connaît le contexte. Plus vous donnez d’autonomie aux agents, plus le sens doit être écrit quelque part où ils peuvent le lire.

## 3. Ce que contient un socle sémantique

- **Concepts** : Les objets dont parle l’entreprise : client, contrat, épisode, commande, site, incident.
- **Définitions** : Ce que chaque concept recouvre exactement, et ce qu’il ne recouvre pas.
- **Relations** : Comment les concepts se tiennent : un épisode appartient à un programme, un contrat lie un client à une offre.
- **Règles métier** : Les conditions et exclusions qui s’appliquent : périmètre, dates d’effet, cas particuliers.
- **Indicateurs** : Les calculs de référence, écrits une seule fois : chiffre d’affaires, audience, taux de résolution.

Ce socle peut prendre plusieurs formes, de la plus légère à la plus riche. Elles ne s’excluent pas : on commence en général par la première et on ajoute les suivantes là où le besoin le justifie.

| Forme | Ce que c’est | Ce que cela apporte aux agents |
| --- | --- | --- |
| Glossaire métier | La liste des termes de l’entreprise et de leur définition, validée par les métiers. | Un vocabulaire sans ambiguïté pour comprendre la question posée. |
| Couche sémantique | Les indicateurs et les dimensions définis une fois, au-dessus des tables. | Des chiffres identiques quel que soit l’outil ou l’agent qui les demande. |
| Ontologie et graphe de connaissances | Les concepts, leurs relations et leurs règles, décrits de façon exploitable par une machine. | La capacité de raisonner de proche en proche : de l’épisode au programme, du programme au contrat. |

## 4. Qui fait quoi : métiers, tech et gouvernance

La sémantique n’est pas un projet que l’équipe data peut mener seule. Les métiers savent ce que les mots veulent dire ; la tech sait où sont les données et comment les rendre fiables. Le socle sémantique est l’endroit où les deux se rejoignent, et la plateforme agentique est ce qui le rend utilisable au quotidien.

*Schéma : Métiers et équipes tech alimentent le socle sémantique partagé ; la plateforme agentique le rend utilisable, sous la gouvernance data et IA.*

- **Les métiers** : Ils définissent les concepts, alignent les indicateurs et le vocabulaire, et expriment leurs besoins et leurs règles.
- **Les équipes tech** : Elles fiabilisent les données, structurent le référentiel sémantique, l’intègrent aux outils, le sécurisent et tracent son usage.
- **La plateforme agentique** : Elle rend la connaissance interrogeable et actionnable par les agents, avec des droits et des garde-fous.
- **La gouvernance data et IA** : Elle fixe les règles communes et les responsabilités, suit la qualité et le cycle de vie des données, cadre les accès et la conformité.

> Un socle sémantique est d’abord un accord entre personnes sur le sens des mots. L’outil vient après.

## 5. Comment les agents s’en servent

- Interroger les données : au lieu d’écrire une requête en devinant les tables, l’agent demande un indicateur défini (« audience par programme, saison 2 ») et la couche sémantique produit le calcul de référence.
- Chercher dans les documents : les concepts servent d’étiquettes communes, ce qui permet de retrouver tous les contenus liés à un programme, un client ou un contrat, quel que soit le vocabulaire employé.
- Agir dans un processus : les règles métier deviennent des contrôles que l’agent doit respecter avant de créer, modifier ou valider.
- Travailler à plusieurs agents : un vocabulaire commun évite que deux agents se transmettent le même mot avec deux sens différents.
- Respecter les droits : la sensibilité est portée par le concept, pas par chaque table ; les accès se décident une fois et s’appliquent partout.

Concrètement, le socle sémantique est exposé aux agents comme n’importe quel autre système : par un serveur MCP, derrière la gateway, avec les mêmes droits et la même traçabilité que le reste de la plateforme.

À lire aussi : [MCP : le protocole, ses limites, et ce qu’il faut autour](https://dasein-ai.com/fr/articles/mcp), Comment les agents se branchent sur vos systèmes, et ce que le protocole ne fait pas à votre place.

## 6. Ce que vous avez déjà

Personne ne part de zéro. Une partie du sens est déjà écrite, dispersée dans des outils qui ne se parlent pas. Le travail consiste moins à créer qu’à rassembler, arbitrer et rendre lisible par les agents.

- Les modèles sémantiques de vos outils de BI, où des indicateurs sont déjà définis.
- Les couches de métriques de la plateforme data : dbt, Snowflake, Databricks ou Microsoft Fabric en proposent toutes une.
- Le catalogue de données et ses métadonnées, quand il est tenu à jour.
- Les référentiels de l’entreprise : clients, produits, organisation, contrats.
- Les glossaires et documents de cadrage rédigés par les métiers, souvent oubliés dans un espace partagé.

Côté standards, les langages du W3C (OWL pour les ontologies, SKOS pour les vocabulaires) existent depuis longtemps. Plus récemment, plusieurs éditeurs de la data ont lancé l’initiative Open Semantic Interchange pour qu’une même définition puisse circuler d’un outil à l’autre. Le sujet n’est plus de savoir si une couche sémantique est nécessaire, mais d’éviter d’en avoir cinq qui se contredisent.

*Cet article ne recommande aucun produit. Le bon choix dépend de la plateforme data déjà en place et de la maturité des équipes.*

## 7. Par où commencer

- Choisir un domaine et un cas d’usage précis, pas « toute l’entreprise » : par exemple les questions d’audience, ou le suivi des contrats.
- Lister la vingtaine de concepts et d’indicateurs que ce cas d’usage mobilise.
- Les définir avec les métiers concernés, et trancher les désaccords : c’est l’étape la plus longue et la plus utile.
- Les écrire dans l’outil que vous avez déjà, plutôt que d’en acheter un nouveau.
- Les exposer à un agent, puis le tester sur un jeu de questions dont on connaît la bonne réponse.
- Mesurer, corriger, puis étendre au domaine suivant.

> Dasein aide à mettre en place ce socle : nous animons le travail de définition avec les métiers, nous l’inscrivons dans votre plateforme data et nous le rendons accessible aux agents, sous gouvernance.

À lire aussi : [AI Platform : le socle commun des agents](https://dasein-ai.com/fr/articles/ai-platform), La plateforme qui rend cette connaissance interrogeable et actionnable, avec des droits et des garde-fous.

## Pour aller plus loin

- [W3C : Web Ontology Language (OWL)](https://www.w3.org/OWL/)
- [W3C : Simple Knowledge Organization System (SKOS)](https://www.w3.org/2004/02/skos/)
- [dbt : Semantic Layer](https://docs.getdbt.com/docs/use-dbt-semantic-layer/dbt-sl)
- [Snowflake : Cortex Analyst et modèles sémantiques](https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-analyst)
- [Databricks : Metric views](https://docs.databricks.com/aws/en/metric-views/)
- [Microsoft : Modèles sémantiques dans Power BI](https://learn.microsoft.com/en-us/power-bi/connect-data/service-datasets-understand)
- Open Semantic Interchange : initiative inter-éditeurs lancée en 2025
