Les agents IA arrivent dans toutes les data platforms. Pourtant, une question revient chez nos clients : comment éviter qu’un agent invente un chiffre d’affaires ? La réponse tient en deux mots : la couche sémantique. Fin octobre 2026, Oracle, Snowflake, Microsoft et Databricks ont tous renforcé cette brique. Voici ce qui change et comment s’y préparer.
Couche sémantique : de quoi parle-t-on ?
Une couche sémantique décrit vos données dans le langage du métier. Elle définit les tables utiles, les relations entre elles et surtout les indicateurs. Par exemple, elle fixe une fois pour toutes le calcul d’une marge ou d’un taux d’attrition.
Ce concept n’est pas nouveau. En effet, les outils de BI s’appuient depuis longtemps sur des modèles sémantiques. Le problème, c’est que chaque outil avait le sien. Ainsi, un même indicateur pouvait donner trois résultats selon le tableau de bord.
Avec l’IA générative, l’enjeu change d’échelle. Un agent qui génère du SQL ne connaît pas vos règles de gestion. Sans contexte, il devine. Avec une couche sémantique, il s’appuie au contraire sur des définitions validées.
Oracle AI World : une couche métier pour les agents
Lors d’Oracle AI World, le 26 octobre 2026, Oracle a présenté une Business Semantic Layer pour Autonomous AI Lakehouse. Elle s’appuie sur les annotations SQL et les vues analytiques d’Oracle AI Database. L’objectif affiché est d’améliorer la précision de Select AI et du NL2SQL.
Oracle annonce aussi un AI Data Catalog capable de monter des catalogues externes, des bases non Oracle et des tables Iceberg. Attention toutefois : ces deux briques seront disponibles « dans les 12 prochains mois ». Il s’agit donc d’une feuille de route, pas encore d’un produit.
Le même jour, Oracle a mis en disponibilité générale l’Agent Engine d’Oracle AI Database 26ai. Ce moteur exécute des workflows d’agents directement dans la base, avec une cohérence transactionnelle. Enfin, Oracle et Snowflake ont annoncé l’arrivée de Snowflake en service natif sur OCI.
Snowflake et Microsoft misent sur un standard ouvert
Chez Snowflake, la brique s’appelle les Semantic Views. Depuis mars 2026, on peut les interroger en SQL standard. De plus, elles alimentent Cortex Agents, que Snowflake recommande désormais à la place de Cortex Analyst.
Le fait marquant reste l’interopérabilité. Snowflake a lancé l’initiative Open Semantic Interchange, devenue Apache Ossie en incubation en juillet 2026. Ce format décrit en JSON ou en YAML les jeux de données, les relations et les métriques.
Microsoft a ensuite confirmé son engagement dans Apache Ossie. Un convertisseur permet déjà de passer d’un modèle Power BI ou Fabric à un modèle Ossie, et inversement. Concrètement, une définition du revenu récurrent peut circuler entre Snowflake et Power BI. Notez cependant que la spécification reste un brouillon en version 0.2.
Databricks structure ses metric views
Databricks avance de son côté avec les metric views de Unity Catalog. Le principe est simple : on définit une mesure une fois, puis on la regroupe par n’importe quelle dimension.
Le 30 octobre 2026, Databricks a ouvert en bêta les relations entre metric views. Elles indiquent la cardinalité et la condition de jointure. Ainsi, les assistants IA et les outils de BI choisissent le bon chemin de jointure. Plus tôt dans le mois, les mesures de fenêtre étaient passées en disponibilité générale.
Pourquoi la couche sémantique concerne aussi les DBA
On pourrait croire que ce sujet ne touche que les équipes BI. En réalité, il repose sur des savoir-faire très proches de la base de données. Une couche sémantique fiable exige un modèle de données propre, des clés bien définies et des jointures maîtrisées.
Par ailleurs, la sécurité devient centrale. Un agent ne doit lire que ce que son utilisateur a le droit de voir. Oracle met d’ailleurs en avant un contrôle d’accès unique, par rôle et par objet, sur l’ensemble des sources.
Enfin, la performance compte. Un agent qui interroge une couche mal conçue peut générer des requêtes coûteuses. C’est là que l’expérience des DBA fait la différence : plans d’exécution, index, matérialisation et suivi des coûts.
Bâtir sa couche sémantique : par où commencer ?
Premièrement, inventoriez vos indicateurs clés. Souvent, une vingtaine de métriques couvre l’essentiel des usages. Pour chacune, notez la définition, la source et le propriétaire métier.
Deuxièmement, choisissez où porter les définitions. Chaque éditeur propose sa brique : Semantic Views, metric views, modèles Fabric ou vues analytiques Oracle. Le bon choix dépend de votre plateforme principale et de vos outils de restitution.
Troisièmement, gardez la portabilité en tête. Un standard comme Apache Ossie limite le risque d’enfermement, même s’il n’est pas encore mature. Il reste donc prudent de versionner vos définitions comme du code.
Ensuite, testez avec des questions réelles. Comparez les réponses de l’agent avec vos rapports de référence. Ce n’est qu’après cette étape qu’il faut ouvrir l’accès aux utilisateurs.
Ce travail prolonge d’ailleurs les chantiers déjà engagés. Si vous préparez une migration vers une data platform, c’est le bon moment pour clarifier vos définitions. De même, les ponts entre Postgres et les data platforms rendent ce socle commun encore plus utile.
Axians vous accompagne sur votre couche sémantique
En résumé, la couche sémantique devient le point de passage obligé entre vos données et vos agents IA. Les éditeurs convergent, mais leurs offres ne sont pas toutes au même niveau de maturité.
Axians accompagne ses clients sur ces sujets, de bout en bout. Nous intervenons en conseil pour choisir l’architecture et la plateforme. Ensuite, nos équipes réalisent le build sur Snowflake, Microsoft Fabric ou EDB PostgresAI. Nous assurons aussi le service managé de vos bases et de vos plateformes. Enfin, nous formons vos équipes pour qu’elles gardent la main. Vous souhaitez en parler ? Contactez nos experts.