L'IA ne crée pas de valeur sans mémoire

Face à la banalisation rapide des IA, le seul avantage concurrentiel durable est le graphe de contexte : la mémoire historique qui explique le " pourquoi " des décisions. Sans lui, l'IA échoue.

L'industrie des entreprises est témoin d'une succession rapide de tendances phares en matière d'IA. D'abord, les grands modèles de langage – la promesse était claire : "posséder le meilleur modèle, c'est posséder l'avenir". Puis vint le fine-tuning, ensuite la génération augmentée par récupération (RAG), et plus récemment les frameworks agentiques. Ironiquement, tous ces cycles suivent le même schéma : une percée technique ingénieuse est suivie d'une adoption frénétique par les entreprises, avant une banalisation rapide qui la rend accessible à tous. 

Nous vivons actuellement ce "moment agentique". Les conseils d'administration affluent vers les investissements en IA agentique et les fournisseurs rebaptisent leurs offres et lancent des solutions en marque blanche du jour au lendemain. Les prévisions technologiques 2026 d'IBM le confirment sans détour : la concurrence ne se joue plus sur les modèles d'IA – qui "approchent du statut de commodité" – mais sur les systèmes qui les entourent. Ce schéma est suffisamment constant pour qu'un leader technologique sérieux s'arrête et s'interroge : si chaque couche se banalise à cette vitesse, qu'est-ce qui, le cas échéant, reste réellement un avantage durable et défendable ? 

La réponse est le graphe de contexte (context graph). Et, non, la plupart des entreprises n'en possèdent pas, car il ne s'agit ni d'une base de données, ni d'une base de connaissances qui peut être banalisée. 

Ce que les entreprises savent - et ce qu'elles ignorent 

La plupart des entreprises savent ce qui s'est passé avec un client. Très peu savent pourquoi. Une remise exceptionnelle de 20 % accordée il y a cinq ans laisse dans le CRM une trace : le chiffre final. Mais la relation stratégique, l'arbitrage du directeur régional, la négociation qui l'a justifiée n'apparaissent nulle part. Un ticket de support qui, techniquement, ne remplit pas les critères d'urgence est pourtant escaladé ; le système enregistre la résolution, jamais le jugement qui l'a déclenchée. 

Le raisonnement qui fait réellement tourner une organisation vit ailleurs : dans les conversations téléphoniques ou écrites avec le client, dans les fils de discussion internes sur des plateformes comme Slack, dans les chaînes d'emails, et dans la mémoire institutionnelle d'un responsable commercial régional. Cette couche invisible, c'est ce qu'on appelle le "graphe de contexte" — la cartographie des décisions et de leurs raisons. Les transactions, oui, mais aussi les arbitrages qui les sous-tendent. Et c'est la seule chose dans l'IA d'entreprise qui ne peut être reconstruite rapidement, banalisée ou livrée via une mise à jour logicielle. 

Pourquoi cela change tout 

Foundation Capital, dans une analyse publiée en décembre 2025, estime que le prochain écosystème à mille milliards de dollars ne se construira pas en empilant de l'IA sur des données existantes, mais en capturant ce "pourquoi" derrière chaque décision - en transformant les exceptions et le contexte piégés dans les conversations informelles en un actif interrogeable pour l'entreprise. Voilà quelque chose de fondamentalement différent à construire. 

Ce qui rend le graphe de contexte structurellement différent de toutes les autres couches qui se sont banalisées, c'est le temps. Un LLM peut être répliqué par une équipe bien financée et un framework agentique peut être open-sourcé. Un graphe de contexte, cependant, se construit sur des années de traces de décisions – les exceptions, les annulations et les précédents – qui ne peuvent être achetées ou reconstruites rapidement. 

C'est précisément ce qui crée un plafond structurel pour les start-up qui proposent du "contexte à la demande". Construire manuellement du contexte, cas d'usage après cas d'usage, est une belle prouesse d'exécution, mais cela reste une activité de services. Sans être nativement présent dans le chemin d'exécution pour capturer la décision au moment où elle se prend, ce contexte demeure fragile et non transférable. Faire évoluer un tel modèle ne crée pas de boucle de rétroaction cumulative ; cela augmente simplement le coût de maintenance. 

Comparez cela à une plateforme qui gère des parcours clients à grande échelle depuis plus d'une décennie, traitant des millions de conversations de clients et d'employés internes chaque jour, sur les canaux sociaux/numériques/vocaux, dans plusieurs langues et à travers des ontologies spécifiques à chaque secteur d'activité. Le graphe de contexte qui existe ici est à la fois large et spécifique. Une IA performante doit savoir que le mot "Apple" dans une conversation avec un acteur de la tech n'a pas le même sens que dans un échange avec un distributeur agroalimentaire. Elle doit comprendre qu'un "conteneur" pour un logisticien n'a rien à voir avec un "conteneur" pour un ingénieur logiciel. Elle doit pouvoir expliquer pourquoi une remise commerciale a été accordée à un client et refusée à un autre au profil quasi identique. Cette compréhension ne s'improvise pas : elle est le résultat d'années d'apprentissage accumulées dans l'architecture elle-même. 

Les chiffres qui devraient alerter les directions 

Les premiers signaux sont déjà visibles. Deloitte rapporte que 47 % des utilisateurs d'IA en entreprise ont pris au moins une décision stratégique majeure en 2024 sur la base d'un contenu halluciné. S&P Global indique que 42 % des entreprises ont abandonné la majorité de leurs projets IA en 2025, contre 17 % l'année précédente. Cet échec n'est pas un échec des modèles - ils se sont considérablement améliorés. C'est un échec du contexte. On demande à des IA de prendre des décisions lourdes de conséquences sans leur fournir l'historique, la spécificité métier ni la mémoire institutionnelle qui les rendraient fiables. 

La bonne question à poser 

Les entreprises qui réussissent leur transformation IA posent une question différente lors de leurs évaluations. Pas "quel modèle utilisez-vous ?", ni "comment fonctionne votre couche agentique ?" — ces réponses seront obsolètes dans 18 mois. La vraie question est : "Montrez-moi votre graphe de contexte. Montrez-moi ce que vous savez de ce client à travers chaque point de contact. Montrez-moi les traces de décision qui expliquent pourquoi la dernière exception a été accordée." Si la réponse est un regard vide, le problème d'architecture ne sera résolu par aucune mise à jour de modèle. 

La course à l'IA est réelle, et ses conséquences le sont tout autant. Mais les entreprises qui définiront l'IA d'entreprise de la prochaine décennie ne seront pas celles qui auront les meilleurs modèles. Ce seront celles qui auront passé les dix dernières années à construire le contexte dont ces modèles ont besoin pour avoir raison. Cet écart ne se resserre pas. Il se creuse.