Les entreprises françaises injectent des milliards dans l’IA et l’agentique fait miroiter des gains de productivité majeurs. Néanmoins, une réalité beaucoup moins glamour s’impose : sans données structurées, les projets patinent et le ROI ne vient pas. Adrien Boulad, directeur général France et Europe du Sud de Neo4j, appelle à remettre les graphes de connaissances au centre du jeu pour transformer l’agentique en résultats tangibles, et non en énième promesse technologique.
En France, l’année 2025 a été celle d’investissements records : les entreprises ont prévu plusieurs milliards d’euros dans l’intelligence artificielle via Choose France et l’Etat investit massivement à travers des initiatives comme le plan France 2030. En parallèle Mistral AI est devenue récemment décacorne française, grâce à sa levée de fonds historique d’1.7 milliards d’euros. Si l’IA générative est au cœur de tous ces investissements, un nouveau champ d’application attire l’attention : l’IA agentique.
Ce système d’intelligence artificielle promet d’automatiser des processus complexes, sans intervention humaine constante. L’objectif : se libérer des prises de décisions répétitives, faire gagner du temps aux équipes et ainsi augmenter la productivité des entreprises.
Mais derrière l’enthousiasme naissant pour cette technologie, un constat s’impose. Selon Gartner, près de 40 % des projets d’IA de ce type pourraient échouer ou être abandonnés d’ici 2027. Une statistique préoccupante qui souligne un obstacle majeur à la concrétisation des promesses de l’IA, à savoir la fragmentation des données. Sans contexte structuré, les systèmes intelligents peinent à dépasser le stade du prototype.
Une promesse réelle, mais un passage à l’échelle qui reste difficile
En France comme ailleurs, les projets d’IA s’accumulent et leur mise en place et leur industrialisation patine. La pression budgétaire monte, la promesse du ROI tarde et les décideurs cherchent à comprendre pourquoi. Et si la réponse était du côté de l’infrastructure des données ?
L’IA agentique, souvent portée par des modèles de langage (LLM) et des chaînes d’outils complexes, reste confrontée à une réalité opérationnelle largement sous-estimée. Des systèmes hérités aux données désorganisées en passant par un vivier de sachants encore en phase de maturation, de nombreuses organisations découvrent que le chemin menant de la validation du concept au retour sur investissement (ROI) est bien plus long que prévu, et souvent semé d’embûches.
Mais au-delà des obstacles techniques, les perspectives restent attractives. L’IA agentique représente un changement de paradigme : elle promet non pas de faire mieux ce que l’on fait déjà, mais d’exécuter différemment, voire de manière inédite, les fonctions clés d’une organisation. Mais pour transformer une promesse en profits, il faut plus que des idées. Une infrastructure adaptée est nécessaire.
Une structuration des données via des graphes de connaissances pour atteindre ses objectifs
Pour transformer cette promesse en résultats concrets, il faut une base. Pas seulement des données, toutes les entreprises en ont, mais une structure logique qui permette à l’IA d’en comprendre les relations, les dépendances et les évolutions dans le temps.
C’est ici qu’interviennent les graphes de connaissances, véritables « cerveaux » de l’IA agentique. Contrairement aux bases de données relationnelles ou documentaires qui sont traditionnellement utilisées, les graphes de connaissances modélisent les liens entre entités : clients, produits, processus, événements, etc. Ils permettent à un agent de naviguer dans des chaînes de décision, de remonter l’historique d’une situation ou de comprendre les dépendances entre différents métiers. Un graphe de connaissances ne stocke pas simplement des faits. Il les connecte, les met en contexte, et les rend accessibles à la machine de manière explicable. Un agent peut ainsi se référer à des expériences passées, interpréter une situation actuelle, et planifier ses actions avec discernement. Il apporte alors cette mémoire contextualisée qui manque aujourd’hui à de nombreuses architectures IA.
Repenser les investissements IA à la racine
La vraie question aujourd’hui n’est plus « faut-il investir dans l’IA ? », mais « dans quelle IA investir ? ». Plutôt que multiplier les API, les LLM ou les chatbots, les DSI doivent s’interroger sur la solidité de leur socle d’information.
Investir dans un graphe de connaissances, c’est bâtir une mémoire institutionnelle exploitable par l’IA qui se veut évolutive, documentée, et alignée avec les objectifs métiers. C’est aussi se prémunir contre les hallucinations et les résultats opaques, en offrant à l’IA un référentiel fiable pour ancrer ses réponses.
La France dispose des talents, des financements et de l’ambition pour réussir cette transition. Mais cela ne se fera qu’en réconciliant IA et infrastructure des données. Pour aller au-delà du battage médiatique qui entoure l’IA depuis quelques années, il faut investir non seulement dans l’intelligence artificielle mais aussi dans les graphes de connaissances..
