Le second cerveau d’entreprise : pourquoi vos agents IA plafonnent The corporate second brain: why your AI agents hit a ceiling

01 Le problème n’est pas le modèle, c’est ce qu’on lui donne The problem is not the model, it is what you feed it

Un directeur industriel pose une question ordinaire, un mardi matin : le fournisseur de la pièce critique de la ligne 2 a-t-il déjà eu un litige qualité, et son contrat court-il au-delà du prochain pic de production ? La question tient en une phrase. La réponse, elle, est répartie sur quatre endroits : l’ERP pour les commandes, une boîte mail pour le litige, un classeur partagé pour le contrat, et la mémoire d’un acheteur en congé. A plant director asks an ordinary question on a Tuesday morning: has the supplier of the critical part on line 2 ever had a quality dispute, and does its contract run past the next production peak? The question fits in one sentence. The answer sits in four places: the ERP for the orders, an inbox for the dispute, a shared drive for the contract, and the memory of a buyer who is on leave.

Branchez le meilleur modèle du marché sur cette entreprise, il ne répondra pas. Non parce qu’il raisonne mal, mais parce que personne ne lui a donné de quoi relier ces quatre endroits. Les modèles ont progressé beaucoup plus vite que les fondations sur lesquelles on les pose, et l’écart se paye au moment précis où l’on passe de la démonstration à l’usage quotidien. Plug the best model on the market into that company and it will not answer. Not because it reasons badly, but because nobody gave it a way to connect those four places. Models have improved far faster than the foundations we put them on, and the gap shows up at the exact moment you move from demo to daily use.

Le métier qui compte aujourd’hui n’est plus la formulation d’instructions, c’est le choix de ce qu’on met dans la fenêtre du modèle au moment où il travaille. Le contexte est une ressource critique et finie[7]. Un agent qui reçoit trop peu invente. Un agent qui reçoit trop se dilue et perd le fil au milieu du volume. Ce qu’il lui faut, c’est peu d’éléments, mais les bons, et de quoi dire d’où ils viennent. The discipline that matters today is no longer phrasing instructions, it is choosing what goes into the model’s window while it works. Context is a critical and finite resource[7]. An agent given too little invents. An agent given too much dilutes and loses the thread in the volume. What it needs is few elements, the right ones, and a way to say where they came from.

Cette sélection suppose une mémoire d’entreprise déjà organisée. On ne choisit pas les bons éléments dans un tas. That selection assumes a company memory that is already organised. You cannot pick the right elements out of a pile.

02 Ce qu’on appelle un second cerveau What we mean by a second brain

Un second cerveau d’entreprise, c’est la mémoire structurée de l’organisation : les données nettoyées, reliées entre elles (qui parle à qui, quoi dépend de quoi) et rendues interrogeables, avec pour chaque réponse la trace de son origine. L’IA cesse alors de deviner. Elle raisonne sur la réalité de l’entreprise, et cette réalité est contestable, donc utilisable dans une décision. A corporate second brain is the organisation’s structured memory: data cleaned up, connected to itself (who talks to whom, what depends on what) and made queryable, with every answer carrying the trace of where it came from. AI stops guessing. It reasons over the company’s reality, and that reality can be challenged, which is what makes it usable in a decision.

Ce n’est pas un intranet, pas une gestion électronique de documents, pas un dossier partagé mieux rangé, et surtout pas un assistant conversationnel de plus posé sur la pile existante. Un intranet range des documents. Un second cerveau range des faits, et les liens entre ces faits. La différence paraît mince tant qu’on cherche un document. Elle devient décisive dès qu’on pose une question dont la réponse n’est écrite nulle part sous cette forme. It is not an intranet, not a document management system, not a shared drive with better folders, and certainly not one more chat assistant bolted onto the existing stack. An intranet stores documents. A second brain stores facts, and the links between those facts. The difference looks thin as long as you are looking for a document. It becomes decisive the moment you ask a question whose answer is written nowhere in that form.

Il faut le distinguer du jumeau numérique, l’autre notion qui structure notre approche. Le second cerveau est la mémoire : il sait que ce fournisseur a eu un litige en mars. Le jumeau numérique est le modèle de fonctionnement : il sait comment un litige remonte, qui l’arbitre, combien de jours il coûte au passage. L’un permet de répondre, l’autre permet d’agir. On construit le premier avant le second, pour des raisons de bon sens plus que de doctrine. It should be distinguished from the digital twin, the other idea that shapes how we work. The second brain is the memory: it knows this supplier had a dispute in March. The digital twin is the operating model: it knows how a dispute escalates, who arbitrates it, how many days it costs along the way. One lets you answer, the other lets you act. You build the first before the second, for reasons of common sense more than doctrine.

03 Pourquoi la recherche par similarité ne suffit pas Why similarity search runs out of road

Le mécanisme le plus répandu pour donner du contexte à un modèle consiste à découper les documents en morceaux, à transformer chaque morceau en vecteur (une position dans un espace où la proximité vaut ressemblance de sens), puis à renvoyer au modèle les morceaux les plus proches de la question. C’est simple, peu coûteux, et cela fonctionne remarquablement bien pour retrouver un passage. La plupart des assistants documentaires d’entreprise reposent là-dessus. The most common way to give a model context is to cut documents into chunks, turn each chunk into a vector (a position in a space where proximity stands for similarity of meaning), then hand the model the chunks closest to the question. It is simple, cheap, and it works remarkably well for finding a passage. Most corporate document assistants rest on it.

Il casse toujours aux mêmes endroits. Le premier est la question qui relie : « quels clients sont exposés à ce fournisseur ? » n’est écrite dans aucun document, la réponse se fabrique en parcourant des liens, et un index de morceaux de texte n’a aucun lien à parcourir. Le deuxième est le chiffre : un total, un décompte, une exposition consolidée ne se retrouvent pas par ressemblance, ils se calculent, et rien ne garantit à l’index qu’il a bien tout vu. Le troisième tient à celui qui pose la question : un morceau de texte ne porte pas ses droits d’accès, alors que dans une entreprise la même information n’est pas visible par tout le monde. It always breaks in the same places. The first is the question that connects: “which customers are exposed to this supplier?” is written in no document, the answer has to be assembled by walking links, and an index of text chunks has no links to walk. The second is the number: a total, a count, a consolidated exposure are not retrieved by resemblance, they are computed, and nothing guarantees the index has seen everything. The third has to do with whoever is asking: a chunk of text carries none of their access rights, whereas inside a company the same information is not visible to everyone.

Ce plafond a été mesuré proprement. Une équipe de recherche a pris une base d’entreprise du domaine de l’assurance, 43 questions métier réelles allant du reporting aux indicateurs, un même modèle, et deux façons de lui présenter le contexte : le schéma de la base tel quel, ou ce même contenu représenté sous forme de graphe accompagné de son ontologie. That ceiling has been measured cleanly. A research team took a real enterprise database from the insurance domain, 43 genuine business questions ranging from reporting to metrics, one model, and two ways of presenting the context: the raw database schema, or the same content expressed as a graph together with its ontology.

Ce n’est pas « un peu moins bon ». C’est la différence entre un outil qu’on peut mettre entre les mains d’un contrôleur de gestion et un outil qu’on ne peut pas. That is not “slightly worse”. That is the difference between a tool you can hand to a finance controller and a tool you cannot.

04 Le graphe de connaissance, expliqué sans jargon The knowledge graph, explained without jargon

Trois notions suffisent. Un nœud est une chose : un client, une commande, un contrat, une personne, un poste de travail. Une relation relie deux nœuds, elle porte un nom et une direction : cette personne valide ce contrat, ce contrat couvre ce fournisseur, ce fournisseur livre cette pièce. Une propriété est un attribut posé sur un nœud ou sur une relation : une date de signature, un montant, un niveau de criticité. Les synthèses académiques du domaine ne s’écartent pas de ce socle[8] : tout le reste n’est que la façon de le stocker. Three notions are enough. A node is a thing: a customer, an order, a contract, a person, a workstation. A relation joins two nodes, and it carries a name and a direction: this person approves this contract, this contract covers this supplier, this supplier ships this part. A property is an attribute attached to a node or to a relation: a signature date, an amount, a criticality level. The academic surveys of the field do not stray from that base[8]: everything else is a question of how you store it.

Le nom et la direction comptent plus qu’on ne le croit. « a validé » n’est pas « a rédigé », et l’écart entre les deux est exactement ce qu’une recherche par mots-clés perd en route. C’est aussi ce qui permet à une machine de suivre un raisonnement en plusieurs étapes sans se perdre : elle ne cherche pas un texte qui ressemble, elle suit un chemin qui existe. The name and the direction matter more than people expect. “Approved” is not “drafted”, and the gap between the two is exactly what keyword search loses on the way. It is also what lets a machine follow a multi-step chain without drifting: it is not looking for text that resembles something, it is following a path that exists.

Ces bases ne sont pas une curiosité de laboratoire. Le langage qui les interroge, GQL, est une norme internationale depuis avril 2024, produite par le comité qui a normalisé SQL, et c’est la première norme de langage de requête publiée par l’ISO depuis 1987[5]. Pour une direction générale qui se demande si elle achète une mode, c’est un argument suffisant. These databases are not a lab curiosity. The language that queries them, GQL, has been an international standard since April 2024, produced by the same committee that standardised SQL, and it is the first query language standard published by ISO since 1987[5]. For an executive team wondering whether it is buying a fashion, that settles the question.

05 L’ontologie, ou l’accord sur les mots Ontology, or agreeing on the words

C’est l’étape que presque tout le monde saute, et c’est celle qui décide du résultat. Une ontologie décrit, en énoncés précis, ce qui existe dans un domaine : des classes, des propriétés, des individus, et les axiomes qui les contraignent. La définition de référence, celle du W3C, ajoute une précision utile : cette connaissance peut être exploitée par des programmes soit pour vérifier sa propre cohérence, soit pour rendre explicite ce qui n’était qu’implicite[6]. This is the step almost everyone skips, and it is the one that decides the outcome. An ontology describes, in precise statements, what exists in a domain: classes, properties, individuals, and the axioms that constrain them. The reference definition, from the W3C, adds a useful nuance: that knowledge can be used by programs either to verify its own consistency or to make explicit what was only implicit[6].

Traduit en langage d’entreprise : c’est le moment où l’on décide ce qu’est un client, un dossier, une affaire, et ce qui les relie. Un travail métier, pas un travail informatique. Nous l’animons avec les personnes qui manipulent ces objets tous les jours, et il se termine sur un document que le comité de direction peut lire sans traducteur. In plain business terms: it is the moment when a company decides what a customer is, what a case is, what a deal is, and how they relate. That is business work, not IT work. We run it with the people who handle those objects every day, and it ends with a document an executive committee can read without a translator.

La séance est souvent inconfortable, et c’est bon signe. Il n’est pas rare que deux services découvrent ce jour-là qu’ils comptent leurs clients différemment depuis des années, l’un à la signature, l’autre à la première facture, et que l’écart entre leurs chiffres n’avait jamais été autre chose qu’un désaccord de définition. Aucun outil ne résout cela. Une réunion, oui. The session is often uncomfortable, which is a good sign. It is not rare for two departments to discover that day that they have been counting customers differently for years, one at signature, the other at first invoice, and that the gap between their figures was never anything but a disagreement about definitions. No tool fixes that. A meeting does.

Une ontologie utile est courte au départ. Six à huit entités, leurs relations principales, et la discipline de ne rien ajouter tant que le noyau n’est pas peuplé. Les modèles ambitieux écrits en trois semaines et jamais alimentés sont la façon la plus commune de rater ce chantier. A useful ontology starts short. Six to eight entities, their main relations, and the discipline not to add anything until the core is populated. Ambitious models written in three weeks and never fed are the most common way to fail at this.

06 Le peuplement, là où les projets meurent Population, where projects die

Entre le modèle et la réalité, il y a les données telles qu’elles sont. Chaque source arrive avec sa fréquence et ses défauts : un ERP qui expose une interface propre, une messagerie qu’il faut lire avec précaution, un dossier de documents scannés, un tableur maintenu par une seule personne. Pour chacune, on écrit ce qu’elle contient, à quel rythme elle est rafraîchie et par quel moyen on l’extrait. Là où l’extraction est incertaine, on l’écrit comme incertaine plutôt que de la supposer résolue. Un point d’interrogation assumé au cadrage coûte toujours moins cher qu’une hypothèse silencieuse. Between the model and reality sits the data as it actually is. Every source arrives with its own cadence and its own flaws: an ERP that exposes a clean interface, a mail system that has to be read with care, a folder of scanned documents, a spreadsheet maintained by one person. For each one we write down what it holds, how often it refreshes and how it will be extracted. Where extraction is uncertain, we write it down as uncertain instead of assuming it solved. An acknowledged question mark at framing always costs less than a silent assumption.

Puis vient la partie que personne ne budgète : la résolution d’entités. La même personne, le même fournisseur, la même affaire existent dans quatre systèmes sans identifiant commun, avec des orthographes différentes, des raisons sociales périmées et des doublons anciens. C’est là que se joue la crédibilité du système entier, parce qu’un rapprochement faux ne produit pas une réponse incomplète : il produit une réponse fausse et sûre d’elle. Then comes the part nobody budgets for: entity resolution. The same person, the same supplier, the same deal exist in four systems with no shared identifier, under different spellings, outdated legal names and old duplicates. This is where the credibility of the whole system is decided, because a wrong match does not produce an incomplete answer: it produces a confident wrong one.

Un dernier principe, tenu fermement : le second cerveau lit, il n’écrit pas dans les systèmes sources. Il propose des brouillons, il ne valide rien à la place de quelqu’un. Cette contrainte a un effet secondaire heureux : elle rend le projet réversible, donc acceptable par une direction technique qui a déjà vu passer des intégrations impossibles à débrancher. One last principle, held firmly: the second brain reads, it does not write into source systems. It proposes drafts, it never approves anything on someone’s behalf. That constraint has a happy side effect: it makes the project reversible, and therefore acceptable to an IT department that has already watched integrations become impossible to unplug.

07 Ce que ça change pour les agents What it changes for agents

Le premier effet se voit tout de suite : l’agent enchaîne. La question du début, celle du fournisseur et du contrat, exige de relier trois faits qui ne figurent dans aucun document commun ; un parcours de graphe la traite en trois pas nommés. Le deuxième est plus discret et sans doute plus précieux, c’est la levée d’ambiguïté. Deux sociétés d’un même groupe, deux personnes qui portent le même nom : la similarité de texte les confond systématiquement, le graphe les sépare parce qu’elles n’ont pas les mêmes voisins. The first effect shows up immediately: the agent chains steps together. The opening question, the one about the supplier and the contract, requires connecting three facts that appear in no shared document; a graph traversal handles it in three named hops. The second is quieter and probably worth more, and that is disambiguation. Two companies inside the same group, two people with the same name: text similarity confuses them every time, the graph tells them apart because they do not have the same neighbours.

Vient la traçabilité : chaque élément de réponse pointe vers le nœud et le document dont il vient, donc la réponse est contestable, donc elle peut entrer dans une décision qui engage. Le dernier effet est le plus ingrat à expliquer et le plus regardé en comité : la fraîcheur et les droits. Chaque source a sa fréquence d’ingestion et son journal, on sait donc de quand date une information ; le graphe porte les rattachements et les rôles, on sait donc qui a le droit de la voir. Un index de morceaux de texte fait mal ces deux choses. Then comes traceability: every element of an answer points back to the node and the document it came from, so the answer can be challenged, so it can feed a decision with consequences. The last effect is the dullest to explain and the one boards look at hardest: freshness and rights. Each source has its ingestion cadence and its log, so you know how old a piece of information is; the graph carries affiliations and roles, so you know who is allowed to see it. An index of text chunks does both of these badly.

Le cas de production le mieux documenté vient du support technique de LinkedIn. Chaque ticket y est transformé en arbre, les arbres sont reliés entre eux par des liens explicites et par la proximité sémantique de leurs intitulés, et la question d’un technicien devient une requête qui extrait le sous-graphe utile. La qualité de récupération progresse de 77,6 % sur l’indicateur de rang, ce qui reste une métrique d’ingénieur. Le chiffre qui parle à une direction est ailleurs. The best documented production case comes from LinkedIn’s technical support. Every ticket is turned into a tree, the trees are linked to each other through explicit references and through the semantic proximity of their titles, and an engineer’s question becomes a query that extracts the relevant subgraph. Retrieval quality improves by 77.6% on the ranking metric, which is still an engineer’s number. The figure that speaks to a leadership team is elsewhere.

Et l’autre moitié de l’histoireAnd the other half of the story

Le graphe n’est pas toujours la bonne réponse, et le dire fait partie du travail. Une évaluation systématique publiée en 2025 le montre sans détour : sur le raisonnement complexe, une approche par graphe atteint 53,38 % de justesse contre 42,93 % pour une recherche vectorielle classique, mais sur la simple récupération d’un fait, le vectoriel fait aussi bien, pour un coût sans commune mesure. Environ 900 tokens de prompt d’un côté, près de 40 000 de l’autre sur la variante la plus globale[3]. The graph is not always the right answer, and saying so is part of the job. A systematic evaluation published in 2025 puts it bluntly: on complex reasoning, a graph approach reaches 53.38% accuracy against 42.93% for classic vector retrieval, but on plain fact lookup, vectors do just as well, at a cost that is not remotely comparable. Around 900 prompt tokens on one side, close to 40,000 on the other for the most global variant[3].

De quoi trancher au cas par cas : le graphe paie quand il faut relier des concepts entre eux, ce qui est nativement une structure de graphe, et il coûte pour rien sur une recherche directe. La bonne architecture est donc presque toujours hybride, le graphe pour les relations, les vecteurs pour le texte, et une règle d’aiguillage qui décide laquelle des deux voies emprunter selon la question. Which is enough to decide case by case: the graph pays when concepts have to be connected, which is natively a graph structure, and it costs for nothing on a direct lookup. So the right architecture is almost always hybrid, graph for the relations, vectors for the text, and a routing rule that decides which of the two paths a given question takes.

Reste l’objection de coût, longtemps la plus solide : construire l’index d’un graphe revenait bien plus cher que celui d’une recherche vectorielle. L’écosystème a corrigé vite. Une variante publiée fin 2024 par Microsoft Research ramène le coût d’indexation à un millième de celui d’un graphe complet, pour une qualité comparable sur les questions de synthèse[4]. L’argument « c’est un projet de deux ans » ne tient plus, à condition de borner le périmètre dès le départ. That leaves the cost objection, for a long time the strongest one: building a graph index used to cost far more than a vector index. The ecosystem corrected fast. A variant published by Microsoft Research in late 2024 brings indexing cost down to a thousandth of a full graph build, at comparable quality on summarisation questions[4]. The “this is a two-year project” argument no longer holds, provided the scope is bounded from the start.

08 Comment on le construit chez un client How we build one with a client

Notre point de départ n’est pas la donnée, c’est la cartographie. Un diagnostic sérieux produit déjà, mécaniquement, un objet par processus, par chaîne et par personne, avec ses douleurs, ses outils et ses métriques. C’est une structure de graphe avant même qu’on prononce le mot, et c’est le premier étage du second cerveau. Un client qui a fait ce travail ne repart pas de zéro : il possède déjà les entités, il lui manque le socle qui les tient. Our starting point is not the data, it is the mapping. A serious diagnostic already produces, mechanically, one object per process, per chain and per person, with their pain points, their tools and their metrics. That is a graph structure before anyone says the word, and it is the ground floor of the second brain. A client who has done that work does not start from scratch: the entities already exist, what is missing is the foundation that holds them together.

1. Partir de la cartographie, pas des donnéesStart from the mapping, not from the data Les entités du graphe sont les objets réels du diagnostic : processus, personnes, outils, livrables, douleurs. On modélise ce qui existe, pas ce qu’on aimerait voir exister. The graph entities are the real objects of the diagnostic: processes, people, tools, deliverables, pain points. You model what exists, not what you wish existed.
2. Écrire l’ontologie avec le métier, et la garder courteWrite the ontology with the business, and keep it short Un noyau de six à huit entités, décidé en atelier avec les personnes concernées, validé par un référent nommé. Le reste attend. A core of six to eight entities, decided in a workshop with the people concerned, signed off by a named owner. The rest waits.
3. Brancher trois sources, pas vingtConnect three sources, not twenty Trois sources prioritaires et le fonds documentaire suffisent à produire un graphe utile en quelques semaines. Vingt connecteurs produisent un chantier, pas un résultat. Three priority sources plus the document base are enough to produce a useful graph in a few weeks. Twenty connectors produce a construction site, not a result.
4. Traiter la résolution d’entités comme un atelier humainTreat entity resolution as a human workshop On échantillonne, on fait valider les rapprochements par ceux qui connaissent les dossiers, puis on généralise les règles qui ont tenu. Jamais l’inverse. Sample, have the matches checked by the people who know the accounts, then generalise the rules that held up. Never the other way round.
5. Ouvrir à un cercle restreint avant d’élargirOpen to a small circle before widening Une poignée d’utilisateurs, trois cas d’usage de démonstration, des réponses toujours sourcées et un moyen de signaler une erreur en un clic. Le graphe s’améliore par cette boucle, pas par une refonte. A handful of users, three demonstration use cases, answers that always carry their sources, and a one-click way to flag an error. The graph improves through that loop, not through a rebuild.

La gouvernance se décide en même temps, pas après. Un référent interne devient propriétaire du modèle de données, ce qui évite qu’il dérive dès le premier départ. L’hébergement et le choix du modèle de langage se tranchent selon la sensibilité des données, en Europe pour ce que nous opérons. Les personnes sont pseudonymisées et les droits sont portés par rôle, parce qu’un second cerveau n’a aucune raison d’aplatir les confidentialités existantes. Et rien ne part vers l’extérieur sans validation humaine. Governance is decided at the same time, not afterwards. An internal owner takes charge of the data model, which keeps it from drifting the first time someone leaves. Hosting and the choice of language model are settled according to data sensitivity, in Europe for what we operate. People are pseudonymised and rights are carried by role, because a second brain has no reason to flatten the confidentiality that already exists. And nothing leaves the building without human validation.