Troisième brique du vocabulaire de l'IA en entreprise : le graph engineering. Moins intuitif que le prompt ou le context engineering, ce terme désigne une façon particulière d'organiser les connaissances d'une entreprise pour que l'IA en tire le meilleur parti.
En résumé : le graph engineering consiste à représenter les données d'une entreprise sous forme de graphe — un réseau de « nœuds » (des entités : clients, produits, contrats) reliés par des « liens » (des relations : achète, dépend de, remplace) — afin qu'une IA puisse raisonner sur ces relations plutôt que sur du texte isolé.
Un graphe, concrètement
Une base de données classique range l'information en tableaux séparés : une table clients, une table commandes, une table produits. Pour comprendre qu'un client a un contrat qui dépend d'un produit lui-même lié à un fournisseur, il faut croiser plusieurs tables. Un graphe représente directement ces relations : chaque entité est un nœud, chaque relation est un lien explicite entre deux nœuds.
Cette structure ressemble à la façon dont un collaborateur expérimenté raisonne naturellement sur un dossier client : il ne pense pas en tables, il pense en relations.
Pourquoi c'est utile pour une IA
Les modèles de langage sont doués pour comprendre du texte, moins pour reconstituer des chaînes de relations complexes à partir de données éparpillées. Le graph engineering donne à l'IA une carte des relations déjà construite, ce qui réduit les erreurs de raisonnement et améliore la pertinence des réponses sur des questions qui impliquent plusieurs entités liées entre elles.
Cas d'usage typiques
Support client complexe
Un agent IA de support qui doit comprendre qu'un ticket concerne un contrat, lui-même lié à un équipement, lui-même sous garantie constructeur, a besoin de naviguer ces relations rapidement. Un graphe rend cette navigation directe.
Conformité et traçabilité
Dans les secteurs réglementés, retracer l'origine d'une décision ou d'un document implique souvent de suivre une chaîne de relations (qui a validé, à partir de quelle version, sous quelle règle). Un graphe rend cette traçabilité explicite.
Exemple concret
Imaginons un bureau d'études de 30 salariés qui gère des centaines de projets, chacun lié à des normes, des fournisseurs et des versions de plans. Un assistant IA classique, interrogé sur « quelles normes s'appliquent au projet X », doit recouper plusieurs documents à chaque question. En structurant ces relations dans un graphe, la même question obtient une réponse directe et vérifiable, sans reconstruction à chaque fois (exemple illustratif).
Les limites
Construire et maintenir un graphe de connaissances demande un travail de modélisation initial : identifier les entités et les relations pertinentes pour l'entreprise. Ce n'est pas une brique à ajouter partout par défaut — elle a du sens quand les relations entre données sont nombreuses et structurantes pour l'activité, pas pour un simple assistant de rédaction.
Ce qu'il faut retenir
Le graph engineering complète le context engineering : là où le second sélectionne les bonnes informations, le premier organise les relations entre elles. Il devient pertinent dès que les questions posées à l'IA impliquent plusieurs entités liées — clients, contrats, produits, normes.
Vos données métier gagneraient-elles à être structurées en graphe ? Faisons le point sur votre cas.