Un hypermarché a ouvert la semaine dernière. Vous y cherchez du lait d’avoine. Rayon crèmerie ? Boissons ? Bio ? Vous demandez à deux employés, vous obtenez deux réponses. Le problème n’est pas le lait d’avoine. C’est que personne, dans ce magasin, n’a encore décidé noir sur blanc ce qu’est un « lait ».
Cette décision porte un nom en informatique : une ontologie. Le mot vient de la philosophie, il dormait dans les laboratoires d’IA symbolique depuis les années 1990, et il revient aujourd’hui en force avec l’IA générative — au point d’être devenu un argument commercial. Raison de plus pour savoir ce qu’il recouvre.
L’ontologie en trois définitions
Une ontologie, c’est le règlement de rangement d’un magasin : la liste des rayons, ce qui va dans chacun, et les règles qui les relient entre eux.
Une ontologie décrit les objets de votre métier (clients, produits, contrats, compétences), leurs caractéristiques et leurs liens, de façon assez précise pour qu’humains et machines emploient les mêmes mots avec le même sens. C’est la carte qui permet à une IA de raisonner sur votre activité au lieu de la deviner.
Spécification explicite d’une conceptualisation (Gruber, 1993) : un vocabulaire formel de classes, de propriétés, de relations et d’axiomes portant sur un domaine, interprétable par une machine et destiné à être partagé entre systèmes et entre personnes.
L’analogie-maîtresse : le référentiel produit du grand magasin
Avant l’ouverture d’un hypermarché, une équipe passe des semaines sur un fichier sans aucun glamour : le référentiel produit. Pas les produits eux-mêmes. La manière d’en parler.
D’abord, elle découpe le monde en familles emboîtées : Alimentaire, puis Boissons, puis Boissons végétales. Ensuite, elle fixe pour chaque famille les caractéristiques obligatoires : un produit frais a une date limite, un vin a un degré d’alcool, un vêtement a une taille. Elle définit des liens entre produits : ce chargeur est compatible avec ce téléphone, cette référence remplace celle-ci, ces chips se vendent avec cette bière. Elle pose enfin des règles : toute boisson alcoolisée est interdite à la vente aux mineurs ; tout surgelé se stocke à −18 °C. Ce n’est qu’après ce travail qu’on saisit les dizaines de milliers de références réelles qui rempliront les rayons.
Le bénéfice est double. D’un côté, la caisse, l’appli, le site, les fournisseurs et le stagiaire du lundi parlent enfin de la même chose. De l’autre, le système peut déduire. Un produit rangé dans « Vin » est une boisson alcoolisée ; une boisson alcoolisée est interdite aux mineurs ; donc la caisse bloque la vente de ce Bordeaux-là. Personne n’a écrit de consigne spéciale pour ce Bordeaux. La conclusion découle du rangement.
C’est exactement ce qu’est une ontologie. Le magasin, c’est votre domaine : une banque, un hôpital, un catalogue de formations. Les familles sont des classes, les caractéristiques des propriétés, les liens des relations, les règles des axiomes, les références réelles des instances. Et le programme qui tire les conclusions s’appelle un raisonneur.
Où intervient l’IA générative ? Imaginez un vendeur qui aurait écouté des millions de conversations dans tous les magasins du monde. Il parle remarquablement bien du lait d’avoine. Mais il n’a jamais lu votre référentiel : il devine votre rangement à partir de ce qui se fait ailleurs. C’est la situation d’un grand modèle de langage face à votre entreprise, et c’est une source classique d’hallucinations. Lui confier l’ontologie, c’est lui donner le plan de votre magasin à vous. Et le mouvement va aussi dans l’autre sens : ce vendeur bavard est un excellent assistant pour proposer des familles, repérer des liens et pré-remplir le référentiel — à condition que quelqu’un valide.
Les limites de cette image
Un chef de rayon tolère l’exception : « mettez-le aux deux endroits, on verra ». Une ontologie formelle oblige à trancher, ou à modéliser l’ambiguïté explicitement, ce qui a un coût. Ensuite, un magasin décrit des objets qu’on peut toucher ; une ontologie décrit aussi des notions abstraites — un risque, une compétence, un engagement contractuel — où le désaccord sur les définitions est la règle, pas l’exception. Enfin, un magasin a un seul référentiel ; une ontologie peut être partagée par des milliers d’organisations qui ne se sont jamais parlé.
Une ontologie miniature, vue de près
Déconstruction : le référentiel, pièce par pièce
| Composant technique | Dans notre analogie | En réalité |
|---|---|---|
| Classes | Les rayons et sous-rayons : Alimentaire, Boissons, Boissons végétales | Les catégories d’objets du domaine, emboîtées les unes dans les autres. Ce qui est vrai d’une famille est vrai de toutes ses sous-familles. |
| Propriétés et relations | La date limite d’un produit frais ; « compatible avec », « remplace », « se vend avec » | Les caractéristiques qu’un objet doit ou peut avoir, et les liens typés qui relient deux objets. Un lien a un sens : « est fourni par » n’est pas « fournit ». |
| Axiomes | « Toute boisson alcoolisée est interdite aux mineurs » | Des règles logiques qui contraignent le modèle : ce qui est obligatoire, interdit, incompatible. Ce sont elles qui permettent de détecter une incohérence. |
| Instances | Le Bordeaux 2022 posé sur l’étagère, avec son code-barres | Les objets réels rangés dans les classes : tel client, tel contrat, tel produit. Une ontologie peut exister sans instances ; un graphe de connaissances, non. |
| Raisonneur | La caisse qui bloque la vente sans consigne spéciale | Un programme qui applique les règles aux instances pour produire des conclusions nouvelles, et signaler les contradictions. Il ne devine rien : il déduit. |
Taxonomie, ontologie, graphe de connaissances : trois mots qu’on confond
| Notion | Dans le magasin | Ce qu’elle permet |
|---|---|---|
| Taxonomie | Le plan des rayons, et rien d’autre | Classer et naviguer. Une seule relation : « est une sorte de ». |
| Ontologie | Le plan des rayons, plus les caractéristiques, les liens et les règles | Définir le sens, contrôler la cohérence, déduire. |
| Graphe de connaissances | Le référentiel rempli de toutes les références réelles et de leurs liens | Interroger des faits reliés entre eux. L’ontologie en est souvent le moule. |
| Base vectorielle | Un rangement « par air de famille », sans plan décidé à l’avance | Retrouver ce qui se ressemble. La proximité y est statistique, pas définie. |
Pour mesurer le contraste : les bases de données vectorielles, la vectorisation et le clustering, qui découvre des groupes là où l’ontologie les décide.
Ce que ça change pour vous
- Vous faites déjà de l’ontologie sans le savoir. Schema.org est un vocabulaire partagé lancé en juin 2011 par Bing, Google et Yahoo, rejoints par Yandex en novembre de la même année (source). Quand votre site déclare qu’une page décrit un Product avec une marque et un prix, vous utilisez une ontologie légère. La FAQ en bas de cet article est d’ailleurs balisée de cette façon, pour que les moteurs — classiques comme génératifs — sachent ce qui est une question et ce qui est une réponse.
- Avant de brancher une IA sur vos données, réglez la question du vocabulaire. Demandez au commerce, à la comptabilité et au SAV ce qu’est un « client actif ». Vous obtiendrez trois définitions. Un système RAG ou un agent branché sur ces trois sources mélangera les trois, sans prévenir. Le chantier ontologique commence souvent par un simple glossaire arbitré.
- Les graphes reviennent dans l’IA générative. L’approche GraphRAG publiée par Microsoft Research en 2024 utilise un LLM pour extraire des documents un graphe d’entités et de relations, puis le regroupe en communautés résumées, afin de répondre aux questions qui portent sur l’ensemble d’un corpus (Edge et al., 2024). Une ontologie dit à ce type de système quelles sortes d’entités et de liens chercher. C’est aussi une manière d’ancrer les réponses dans vos faits plutôt que dans ceux du web.
- « Ontologie » est devenu un argument commercial : faites préciser. Palantir, par exemple, présente son Ontology comme une couche qui représente les données de l’organisation sous forme d’objets et de liens compréhensibles par les humains comme par l’IA (documentation Palantir). Le mot couvre des réalités très différentes selon les fournisseurs. Trois questions suffisent : y a-t-il des règles, ou seulement des tables renommées ? Qui la maintient quand le métier change ? Peut-on l’exporter dans un format standard si l’on change de prestataire ?
- Une ontologie est une décision de gestion, pas un livrable informatique. Décider qu’un produit est « durable », qu’un risque est « critique » ou qu’une compétence est « acquise », c’est arbitrer entre des points de vue. Ces arbitrages sont rarement neutres, et ils se propagent ensuite dans tous les systèmes qui s’appuient sur eux — comme les biais se propagent depuis les données. Les experts métier doivent être dans la pièce, et quelqu’un doit en être propriétaire dans la durée.
FAQ
Les deux articles fondateurs
1. Le mot et sa définition — Gruber (1993)
Au début des années 1990, au Knowledge Systems Laboratory de Stanford, Thomas Gruber travaille sur un problème très concret : des systèmes d’IA construits séparément ne parviennent pas à échanger leurs connaissances, parce que chacun nomme et range le monde à sa manière. L’article paraît en 1993 dans la revue Knowledge Acquisition.
L’idée centrale : pour partager des connaissances, il faut d’abord partager un vocabulaire, défini explicitement. Gruber appelle « ontologie » cette spécification des classes, des relations et des règles d’un domaine, et propose de l’écrire une fois dans un format neutre, traduisible ensuite vers différents systèmes. Dans notre analogie, c’est le moment où les magasins d’une même enseigne décident d’utiliser un référentiel commun plutôt que chacun le sien.
Ce que ça a changé : sa définition — une spécification explicite d’une conceptualisation — est devenue la référence de tout le champ. Selon l’auteur, l’article est le plus cité de l’histoire de la revue et de celle qui l’a absorbée, l’International Journal of Human-Computer Studies.
✅ Gruber, T. R. (1993). A translation approach to portable ontology specifications. Knowledge Acquisition, 5(2), 199–220. https://doi.org/10.1006/knac.1993.1008
2. La méthode, pas à pas — Noy & McGuinness (2001)
Huit ans plus tard, toujours à Stanford, Natalya Noy et Deborah McGuinness constatent que tout le monde parle d’ontologies, mais que presque personne n’explique comment en construire une. Elles publient un rapport technique conçu comme un guide d’initiation, appuyé sur l’outil Protégé.
L’idée centrale : construire une ontologie est un travail itératif et modeste. On fixe le périmètre, on vérifie ce qui existe déjà, on liste les termes, puis on organise les classes, leurs propriétés et enfin les instances — et on recommence. Leur exemple fil rouge porte sur le vin, du Bordeaux au Médoc jusqu’au Pauillac : notre Bordeaux du schéma ne doit rien au hasard. Leur message le plus utile : il n’existe pas une seule ontologie correcte pour un domaine, seulement des choix plus ou moins adaptés à un usage.
Ce que ça a changé : le texte a sorti l’ontologie des laboratoires pour en faire une pratique enseignable. Il reste, vingt-cinq ans après, l’introduction la plus utilisée dans les cours.
✅ Noy, N. F., & McGuinness, D. L. (2001). Ontology development 101: A guide to creating your first ontology (Rapport technique KSL-01-05 / SMI-2001-0880). Stanford Knowledge Systems Laboratory & Stanford Medical Informatics. https://protege.stanford.edu/publications/ontology_development/ontology101.pdf
Trois prompts pour apprendre
Explique-moi ce qu’est une ontologie en IA avec l’image du référentiel produit d’un grand magasin. Puis dis-moi précisément où cette image cesse d’être juste.
🎯 Objectif : explorer | 📚 Ce qu’on apprend : à distinguer ce qu’une analogie éclaire de ce qu’elle masque.
Voici comment je distingue taxonomie, ontologie et graphe de connaissances : [écrivez votre version en trois phrases]. Corrige-moi, puis pose-moi trois questions pièges.
🎯 Objectif : tester sa compréhension | 📚 Ce qu’on apprend : la différence entre reconnaître trois mots et savoir les séparer.
Je travaille dans [votre secteur]. Propose une mini-ontologie de mon activité : 6 classes, leurs relations et 2 règles. Puis liste les mots sur lesquels mes collègues risquent de ne pas être d’accord.
🎯 Objectif : cas pratique management | 📚 Ce qu’on apprend : que le plus dur n’est pas de dessiner les cases, mais de faire accepter les définitions.
Pour aller plus loin dans la rubrique : MCP et A2A, où des agents doivent eux aussi s’accorder sur un vocabulaire commun, et le parsing, l’étape qui transforme un document en données avant qu’on puisse les ranger.
Note méthodologique
Cet article a été rédigé avec l’assistance d’une IA générative, sur la base d’un gabarit pédagogique conçu par l’auteure. Les deux références fondatrices ont été vérifiées une à une (DOI de l’éditeur et site de l’auteur pour Gruber ; dépôt de Stanford pour Noy et McGuinness). Les faits cités sur Schema.org, GraphRAG et l’Ontology de Palantir ont été contrôlés sur les sources liées dans le texte. L’image d’illustration a été générée par IA.
Related posts:
Comment fonctionnent les LLM ? L’analogie de l’apprenti bibliothécaire universel
Enseigner le concept de paramètre en IA L’analogie avec une directrice marketing exercices, prompts
Qu’est-ce qu’un artefact en IA ? L’analogie du chantier archéologique Exercices Prompts
Tout comprendre à la vectorisation par les LLM Exercices et Prompts
Zero-shot, one-shot, few-shot : guider une IA par l’exemple (l’analogie du nouveau collègue)
Le human-in-the-loop : le copilote qui rend la main au pilote aux moments critiques
Benchmarks et évaluation Le bulletin de notes des IA
TD et Prompts
MCP et A2A : la boîte à outils et le carnet d’adresses de votre agent IA
