Gartner : pourquoi le contexte est essentiel à l’IA agentique

Mais avec la montée en puissance de l’IA agentique, de nouveaux défis apparaissent pour les Chief Data Officers (CDOs). Les données doivent désormais être compréhensibles, à la fois sur le plan sémantique et contextuel, pour que les agents IA puissent prendre de meilleures décisions, plus rapidement. 

Contexte et sémantique figuraient parmi les sujets clés du récent Gartner Data & Analytics Summit 2026 à Londres. Découvre leur impact sur la réussite de l’IA, et le rôle de la data product marketplace dans leur mise en œuvre.

Pour beaucoup d’applications, il suffit que les données soient précises, fiables et de qualité. Mais dès lors qu’elles sont partagées au sein de l’organisation et au-delà des équipes qui les ont produites, deux enjeux émergent : la sémantique et le contexte.

La couche sémantique s’intéresse au sens de la donnée elle-même, et non à son format ou à sa structure. Elle répond à des questions comme :

• Que représente réellement la donnée dans un contexte concret ?
• Comment se rapporte-t-elle aux autres données ?
• Comment doit-on l’interpréter ?

La couche sémantique devient cruciale dès que les données circulent en dehors des équipes ou applications qui les ont produites. Le terme « client », par exemple, ne désigne pas la même chose pour les ventes, pour la finance, ou pour le marketing. Sans sémantique partagée et formalisée, chaque équipe travaille avec sa propre version de la réalité, ce qui donne lieu à des rapports contradictoires, des analyses qui échouent, et une confiance dans la donnée qui s’effrite. 

Côté IA, le risque est que les agents et modèles interprètent mal l’information ou comparent des datasets disparates sans en saisir les différences sous-jacentes. Au mieux, les décisions manquent de précision ; au pire, c’est la porte ouverte aux hallucinations, aux biais et à des dommages juridiques ou financiers.

La couche sémantique traduit la donnée brute en termes intelligibles pour les métiers, et les glossaires métiers, qui standardisent les termes à l’échelle de l’organisation.

La couche de contexte va plus loin que la couche sémantique : il fournit toutes les informations nécessaires pour interpréter correctement une donnée. Il englobe la couche sémantique, mais aussi la gouvernance, le lineage, la qualité et le contexte opérationnel. Il prend généralement la forme de métadonnées : qui a créé la donnée, quand, à quelle fréquence elle est rafraîchie, à quoi elle servait à l’origine.

Pour un collaborateur, comprendre le contexte d’une donnée est déterminant : c’est ce qui permet d’avoir confiance, ou non. Un dataset issu d’un sondage couvrant 90 % des collaborateurs d’une entreprise inspire évidemment plus confiance qu’un autre où seuls 10 % ont répondu.

En résumé, la sémantique est la signification littérale des mots et expressions utilisés dans une organisation : ce que le langage dit réellement. Le contexte, c’est l’environnement autour : la situation business, le ton, ce qui entoure la donnée, et qui façonne notre lecture de ce sens.

Là où un humain saisit souvent intuitivement le contexte d’une donnée grâce à son expérience et à ses connaissances, un agent IA n’a aucun de ces repères. Faute de contexte suffisant, les conséquences sont multiples :

• une gestion des données moins efficace,
• des coûts financiers plus élevés,
• une gouvernance des données incomplète,
• des décisions imprécises, biaisées, voire hallucinées, avec à la clé des dommages juridiques et réputationnels.

Comme les agents IA s’enchaînent les uns aux autres sans relais humain, ce contexte doit être présent à chaque étape du workflow agentique pour garantir précision et efficacité.

Lors du Summit de Londres, Gartner a publié sa prédiction : d’ici 2027, les organisations qui priorisent la sémantique et le contexte dans leurs données AI-ready verront la précision de leur IA agentique progresser jusqu’à 80 %, et leurs coûts réduits jusqu’à 60 %.

Dans sa présentation à Gartner Londres, l’analyste Andrés García-Rodeja a identifié trois facteurs critiques pour des données agentiques : la connexion, le contexte et la valeur business.

Le standard Model Context Protocol (MCP) est aujourd’hui utilisé pour alimenter les agents IA en données. Il joue le rôle d’un mécanisme de transport, en permettant aux agents et aux Large Language Models (LLMs) de se brancher aux systèmes externes de façon fluide. Mais il n’embarque pas de couche sémantique : les organisations doivent l’ajouter comme un composant distinct de leur stack data pour garantir une interprétation correcte de la donnée. Gartner estime d’ailleurs que d’ici 2028, 60 % des projets d’analytique agentique reposant uniquement sur MCP échoueront, faute de couche sémantique cohérente.

Pour Andrés García-Rodeja, le context engineering est la deuxième étape critique vers des données AI-ready. Les données doivent être enrichies d’informations contextuelles pour que les agents IA identifient et choisissent facilement les actifs adaptés à leurs besoins. Entre deux actifs data similaires, lequel est le plus utilisé et le plus recommandé par les métiers ? Ce sont ces signaux contextuels qui guident les agents dans leur recherche d’information. Gouvernance, provenance, usage, comportement : tous entrent dans la composition de cette couche de contexte.

À ce jour, seules 22 % des organisations estiment que l’IA générative leur apporte une valeur significative. Combler cet écart est donc indispensable pour passer l’IA à l’échelle et en exploiter tout le potentiel. Au-delà de la sémantique et du contexte, le déploiement de technologies de knowledge engineering  (knowledge graphs, ontologies) renforce la confiance et la compréhension de la donnée, et donc la valeur générée.

Les data product marketplaces centralisent les actifs data, y compris les data products, et les rendent facilement accessibles aussi bien aux collaborateurs qu’à l’IA, à travers une interface intuitive de type e-commerce et des informations lisibles par les machines.

Les data product marketplaces, à l’image de la solution Huwise, jouent un rôle essentiel dans la livraison du contexte et de la sémantique, à plusieurs niveaux :

• Data products : les marketplaces donnent un accès fluide aux data products, des actifs data à forte valeur, dotés d’informations contextuelles natives, d’un propriétaire identifié, et d’un data contract clair couvrant l’usage et la qualité.
• Usage intelligence et lineage : en suivant les data products les plus utilisés, en mettant en avant les cas d’usage et en garantissant la traçabilité, les data marketplaces produisent de l’usage intelligence. Elles permettent de savoir quelles données sont utilisées, par qui, et dans quel contexte : autant d’éléments qui aident les agents IA à prioriser les meilleures sources pour leurs besoins. Les équipes data y trouvent aussi de la valeur : elles identifient où il manque des actifs, et lesquels doivent être enrichis pour gagner en contexte et en confiance.
• Glossaire métier : les data product marketplaces embarquent un glossaire métier natif, qui fournit un vocabulaire standardisé autour des termes data et de leur signification dans le contexte business spécifique de l’organisation.
• Couche sémantique : les data product marketplaces récupèrent et appliquent les couches sémantiques définies dans d’autres outils, assurant la cohérence à travers tout le stack data.
• Gestion des métadonnées : les data product marketplaces intègrent des fonctionnalités puissantes de gestion des métadonnées, avec une prise en charge des standards internationaux courants.
• Feedback : les data product marketplaces permettent aux utilisateurs de noter les données et de laisser leur retour, autant de signaux qui viennent nourrir la couche de contexte.
• Serveur MCP : les données peuvent être consommées facilement par les agents et les LLMs via un serveur MCP, qui leur fournit un accès lisible par les machines.
• Contexte des données : les marketplaces reconnaissent automatiquement les types de données et s’en servent pour enrichir les résultats. Par exemple, si une donnée contient des codes postaux, ceux-ci peuvent servir à localiser les résultats, l’ontologie s’inscrit ainsi naturellement dans la couche de contexte.

Avec l’usage intelligence de Huwise, on obtient une vision complète : les agents IA savent non seulement ce que les données signifient, mais aussi lesquelles ont été validées par les métiers dans la pratique.

L’IA agentique promet aux organisations d’accélérer la prise de décision, de gagner en efficacité et de mieux servir leurs clients. Mais sans investissement dans les couches de contexte et de sémantique, même les données les plus précises risquent d’être mal comprises ou mal exploitées par l’IA. Bâtir une couche de contexte robuste et de bout en bout est donc une condition indispensable pour réussir avec l’IA agentique et générer un ROI business.