Agents IA : le contexte métier, clé de leur fiabilité selon Google

Google a présenté le 4 novembre 2026 une série de nouveautés pour son Agentic Data Cloud, la plateforme de données qu'il destine aux agents d'IA. Le message central tient en une idée : un agent n'est fiable que s'il comprend le vocabulaire, les règles et les définitions propres à l'entreprise. Selon les tests internes de Google, cet ancrage rendrait les agents près de quatre fois plus précis. Une leçon qui vaut bien au-delà des grands comptes.

Les annonces ont été détaillées dans un billet de Google Cloud signé par Sirish Chandrasekaran et Raj Pai, deux vice-présidents de la division données, et analysées par SiliconANGLE. Lancé au printemps lors de la conférence Google Cloud Next, l'Agentic Data Cloud se présente comme un « système d'action » pour les agents, censé remplacer les chaînes de traitement de données classiques.

Au-delà des noms de produits, ces annonces illustrent un tournant. Après l'enthousiasme pour les modèles de plus en plus puissants, les éditeurs constatent que la principale cause d'échec des agents n'est pas le modèle lui-même, mais le manque de contexte. Un agent qui ne sait pas comment l'entreprise calcule son chiffre d'affaires net ou définit un client actif produira des réponses fausses, même avec le meilleur modèle du marché.

Ce que Google a annoncé

Google part d'un constat : les agents, plus que les humains, deviendront bientôt les principaux consommateurs de données de l'entreprise, rapporte SiliconANGLE. L'infrastructure doit donc être pensée pour eux, avec une faible latence, le moins de déplacements de données possible et une gouvernance automatisée. Google cite parmi ses clients PayPal, Siemens, Telus, Vodafone et Walmart.

Un catalogue qui apprend le langage de l'entreprise

La nouveauté la plus significative concerne le Knowledge Catalog, que Google décrit comme un moteur de contexte universel. Il transforme les données brutes en contexte métier partagé par tous les agents. Une fonction d'enrichissement autonome, en préversion, analyse en continu des sources non structurées comme Google Workspace, GitHub, Jira, Confluence ou SharePoint pour combler les trous de contexte. Elle tire aussi les leçons des questions posées par les utilisateurs et des interactions entre humains et agents.

Les humains gardent la main : une nouvelle interface permet aux responsables des données d'examiner, d'auditer et d'approuver les enrichissements proposés, avec un historique des versions et la possibilité de revenir en arrière. Le catalogue est par ailleurs activé par défaut dans Gemini, en préversion. Avant de générer une requête, il identifie les termes métier, repère les tables fiables et vérifie les droits d'accès de chaque utilisateur.

« Les agents ne sont précis qu'à la mesure du contexte métier sur lequel ils s'appuient », résume Google dans son billet.

Des définitions métier qui ne s'improvisent pas

Google insiste sur un point : les définitions critiques ne peuvent pas être laissées à l'appréciation d'un modèle de langage. Le catalogue s'appuie donc sur des modèles sémantiques existants, issus de BigQuery, Looker, Databricks, Snowflake, dbt ou SAP. Qu'un agent calcule le chiffre d'affaires net pour la finance ou le taux de départ des clients pour les opérations, il applique les mêmes formules que les équipes métier.

Les autres nouveautés : données sans frontières et agents à grande échelle

Google étend aussi son « lakehouse sans frontières », bâti sur le format ouvert Apache Iceberg. L'objectif est de permettre aux agents d'interroger des données stockées chez AWS ou Microsoft Azure sans les déplacer et sans frais de sortie variables, grâce à une interconnexion privée et à une mise en cache, désormais disponibles. Google cite l'exemple de talabat, filiale de Delivery Hero, qui aurait réduit d'environ 40 % ses coûts de déplacement de données.

Côté développeurs, le Data Agent Kit apporte des outils compatibles avec le protocole MCP dans des environnements comme VS Code ou Claude Code. Une version de la base AlloyDB dédiée aux agents doit encaisser jusqu'à trois millions de requêtes par seconde, pour que des milliers d'agents interrogent la même base sans la saturer, selon SiliconANGLE. Enfin, les utilisateurs métier peuvent générer des rapports dans Gemini, puis les relancer à la demande sans consommer de nouveaux jetons.

Nouveauté	Statut	Promesse annoncée
Enrichissement autonome du Knowledge Catalog	Préversion	Contexte métier mis à jour automatiquement
Knowledge Catalog activé dans Gemini	Préversion	Réponses ancrées dans les définitions de l'entreprise
Modèles sémantiques (BigQuery, Looker, SAP…)	Disponible	Mêmes formules que les équipes métier
Interconnexion et cache AWS et Azure	Disponible	Pas de frais de sortie variables
Data Agent Kit	Disponible	Outils MCP dans les environnements de développement

Pourquoi le contexte métier fait la différence

Les chiffres avancés par Google sont spectaculaires : selon ses tests internes, le Knowledge Catalog rendrait les agents près de quatre fois plus précis, avec une latence réduite jusqu'à 33 % et jusqu'à 75 % de jetons consommés en moins. Ce sont des mesures internes, à prendre avec prudence, mais la logique est solide. Un agent bien renseigné tâtonne moins, pose moins de requêtes inutiles et se trompe moins souvent.

Ce constat rejoint d'autres signaux de la semaine. La startup Traversal, qui vient de lever 120 millions de dollars, explique dans son billet de levée que les données de production n'ont pas été conçues pour des agents et que les modèles confondent corrélation et causalité. Chez Revolut, le responsable des infrastructures a relevé que les fenêtres de contexte géantes sont surtout un argument marketing : mieux vaut un contexte pertinent qu'un contexte immense.

Ce que cela implique pour une PME

Une PME n'a pas besoin de l'Agentic Data Cloud pour appliquer ces principes. La qualité d'un agent dépend d'abord de ce qu'on lui apprend sur l'entreprise, comme nous l'expliquions dans notre article sur la façon dont un agent IA apprend à travailler dans votre entreprise. Quelques chantiers simples préparent le terrain :

• Écrire ses définitions : ce qu'est un client actif, une commande validée, une marge. Un glossaire d'une page évite bien des erreurs.
• Désigner une source de vérité par donnée : un agent qui trouve trois fichiers clients contradictoires choisira au hasard.
• Documenter les procédures : les modes opératoires, les réponses types et l'historique des tickets sont la matière première du contexte.
• Limiter les accès : un agent ne doit voir que les données nécessaires à sa mission, avec les droits de l'utilisateur pour lequel il travaille.

Prenons un exemple concret. Un agent chargé de relancer les impayés doit savoir à partir de combien de jours une facture est considérée en retard, quels clients bénéficient de délais négociés et qui valide une remise. Sans ces règles écrites quelque part, il appliquera des réflexes génériques, au risque de froisser un client important. Le travail de formalisation est donc un préalable, pas une option, et il profite aussi aux salariés nouvellement arrivés.

La connexion aux outils existants est l'autre condition, détaillée dans notre guide pour connecter un agent IA aux logiciels de son entreprise.

Limites et questions ouvertes

Plusieurs réserves s'imposent. Les gains de précision et d'économie de jetons proviennent des tests internes de Google, sans méthodologie publiée en détail. Une partie des fonctions phares, dont l'enrichissement autonome du catalogue, n'est encore qu'en préversion. Il faudra des retours de clients pour juger de leur efficacité réelle.

L'enrichissement automatique pose aussi des questions de gouvernance. Laisser un outil fouiller les documents internes, les tickets et le code pour en extraire du contexte suppose de maîtriser ce qui est indexé, notamment les données personnelles ou confidentielles. Google prévoit une validation humaine, mais encore faut-il que les équipes aient le temps de l'exercer.

Enfin, la dépendance à un fournisseur reste un sujet. Même si Google mise sur des formats ouverts comme Iceberg, le contexte métier patiemment construit dans un catalogue propriétaire devient un actif difficile à migrer. Les entreprises ont intérêt à vérifier qu'il peut être exporté.

Ce qu'il faut surveiller

Trois points mériteront l'attention dans les prochains mois : le passage en disponibilité générale des fonctions en préversion, l'arrivée de standards ouverts pour décrire le contexte métier, et la réponse des concurrents comme Microsoft, AWS, Snowflake ou Databricks, qui investissent le même terrain. Les annonces de Google sur l'Agentic Data Cloud confirment que la bataille des agents IA se joue désormais autant sur le contexte métier que sur la puissance des modèles.

En bref

• Google a enrichi le 4 novembre 2026 son Agentic Data Cloud, plateforme de données pour agents d'IA.
• Son Knowledge Catalog apprend le vocabulaire et les règles de l'entreprise, et serait près de quatre fois plus précis selon des tests internes.
• Les définitions métier s'appuient sur des modèles sémantiques existants pour éviter les approximations des modèles de langage.
• Plusieurs fonctions clés restent en préversion, et les gains annoncés ne sont pas vérifiés de façon indépendante.
• Pour une PME, écrire ses définitions, fixer ses sources de vérité et documenter ses procédures prépare le terrain aux agents.

Sources

• New capabilities to power agents at scale with Google's Agentic Data Cloud, Google Cloud (blog), 4 novembre 2026
• Google fine-tunes its Agentic Data Cloud to support highly scalable autonomous AI workers, SiliconANGLE, 4 novembre 2026
• Traversal Raises $120M Series B to Close the Outer Loop, Traversal (blog), 3 novembre 2026
• British fintech Revolut slashes AI coding costs 10x by cutting out Claude and going self-hosted, The Register, 3 novembre 2026

Photo d'illustration : AS_Photography sur Pixabay.