« On a déjà une base de données. Pourquoi aurait-on besoin d’une ontologie en plus ? » La question revient dans presque tous les avant-projets. Et elle est légitime. Les bases de données relationnelles fonctionnent bien depuis 50 ans, les équipes savent les utiliser, les outils sont matures. Sauf que depuis 2022, quelque chose a changé. L’IA générative a créé un nouveau besoin que les SGBDR n’ont pas été conçus pour adresser : connecter une IA à des connaissances qui signifient quelque chose, pas juste des données brutes, mais des concepts, des relations, des règles, du contexte sémantique. Et c’est précisément là que l’IA symbolique, sous forme de knowledge graphs et d’ontologies…

Depuis 2022, les LLM ont tout éclairé sur leur passage. ChatGPT, Claude, Gemini : ces modèles capables de rédiger, résumer, traduire et coder ont fait passer l’IA générative du labo au quotidien professionnel en moins de deux ans. Et dans leur sillage, un discours s’est imposé : l’IA « moderne » (générative, statistique, connexionniste) aurait définitivement remplacé l’IA « classique » (symbolique, basée sur des règles, des ontologies, des graphes de connaissances). C’est un contresens. Pas juste une simplification : un vrai contresens, qui conduit des organisations à déployer des IA génératives sur leur base documentaire interne et à s’étonner ensuite que le système hallucine, invente des chiffres, confonde des dates ou ignore des contraintes métier pourtant explicites. La…