.png)
Tout projet d'IA en entreprise se heurte au même mur. Pas le mur du modèle. Pas le mur du prompt. Le mur des données.
Les entreprises arrivent avec des ambitions fortes : un conseiller IA qui connaît chaque produit du catalogue, traite des parcours d'achat complexes en plusieurs étapes et convertit comme le meilleur commercial de l'équipe. Puis la réalité s'invite. Les données produit vivent dans trois systèmes hérités. Les prix sont ailleurs. Les documents sont des PDF que personne n'a ouverts depuis 2019. La moitié du catalogue a des attributs manquants, des descriptions contradictoires et aucune relation claire entre les articles.
La plupart des équipes abandonnent, ou passent dix-huit mois à bâtir des pipelines de données fragiles qui cassent dès que le catalogue change. Dans les deux cas, aucun chiffre d'affaires n'est généré.
Chez Kleio, nous avons décidé de régler le problème des données correctement — pas comme un chantier annexe, mais comme un produit à part entière. Le résultat, c'est notre Knowledge Engine: la couche qui transforme des données d'entreprise complexes et fragmentées en quelque chose sur quoi les agents IA peuvent réellement raisonner. En temps réel. En production.
Le problème du « il suffit d'utiliser du RAG »
Il existe un raccourci fréquent en IA d'entreprise : déverser tout dans une base vectorielle et appeler cela de la génération augmentée par récupération. Cela fonctionne bien pour des questions-réponses sur un corpus homogène. Cela s'effondre sur des catalogues produit complexes.
Le raisonnement produit dans la vente à forte implication n'est pas un problème de recherche, c'est un problème de raisonnement . Un acheteur qui cherche un circuit de sept jours en Asie du Sud-Est avec des excursions adaptées aux familles ; un client qui cherche un SUV d'occasion sous 35 000 € avec toit panoramique et moins de 50 000 km ; une famille en mutation qui a besoin d'un quatre pièces dans un secteur scolaire précis ; un acheteur industriel qui source 500 unités d'un produit répondant à une spécification technique exacte ; un artisan qui chiffre la rénovation complète d'une salle de bains dans un catalogue de matériaux éclaté — aucune de ces requêtes ne se règle par une simple recherche sémantique. Toutes exigent de parcourir simultanément attributs produit, contraintes relationnelles, grilles tarifaires et descriptions enrichies.
À chaque problème de récupération sa structure de données. La recherche sémantique demande des vecteurs. Les contraintes relationnelles — règles tarifaires, fenêtres de disponibilité, logiques de compatibilité — demandent des stores structurés. Les relations entre entités demandent un graphe. Les consultations en temps réel demandent un accès clé-valeur à faible latence. Tout faire passer par une seule technologie, c'est toujours faire le mauvais arbitrage.
Cinq stores spécialisés, une seule couche de raisonnement
Le Knowledge Engine de Kleio répartit les données entre cinq stores dédiés, chacun optimisé pour un mode d'accès précis. Ils arrivent préconfigurés avec des ontologies sectorielles — le voyage n'est pas le retail, l'automobile n'est pas le négoce, les matériaux de construction ne sont pas l'immobilier — et sont étendus au modèle de données et aux cas d'usage de chaque client à mesure que de nouvelles sources sont ingérées.
01 Product Store · clé-valeur + vecteurs
Le product store est le référentiel central de toutes les entités métier. Chaque objet combine des attributs structurés, des ressources de référence (PDF, images, vidéos, fiches techniques) et des vecteurs issus du contenu textuel. Cette combinaison permet un accès rapide par clé, par filtre d'attribut indexé ou par similarité sémantique.
L'ontologie s'adapte au modèle d'entités de chaque secteur :
- Voyage — forfaits, hébergements, segments de transport, excursions, destinations — avec des vecteurs qui permettent des requêtes comme « voyage en famille avec étapes culturelles en Asie du Sud-Est » ou « escapade romantique en ville avec expériences œnologiques »
- Automobile — véhicules (marque, modèle, année, kilométrage, finition, options), stock des concessions, offres de financement — avec des vecteurs pour des requêtes comme « SUV familial peu kilométré avec toit panoramique » ou « coupé sportif d'occasion sous 25 000 € »
- Immobilier — annonces (type, surface, localisation, prestations), quartiers, conseillers — avec des vecteurs pour des requêtes comme « appartement lumineux près des écoles avec extérieur » ou « investissement locatif à fort rendement dans un quartier étudiant »
- Négoce — références produit (code, catégorie, fournisseur, quantité minimale, délai), comptes clients, paliers tarifaires contractuels — avec des vecteurs pour des requêtes comme « éclairage LED intérieur avec livraison rapide et remise sur volume » ou « emballage alimentaire compatible avec la chaîne du froid »
- Matériaux de construction — catalogue produit (catégorie, spécifications techniques, certifications, produits compatibles), chantiers, stocks régionaux — avec des vecteurs pour des requêtes comme « panneaux isolants pour rénovation basse consommation » ou « bardage extérieur résistant au climat littoral »
02 Pricing & Availability Store · tables à plat
Prix, disponibilités, options et promotions sont stockés dans une structure dénormalisée où chaque ligne représente une combinaison unique, ce qui permet des requêtes ultra-rapides et des agrégations en temps réel. Chaque secteur a ses propres dimensions tarifaires : dates de départ et niveaux de forfait dans le voyage, options de configuration et taux de financement dans l'automobile, prix au mètre carré et type de détention dans l'immobilier, paliers contractuels et quantités minimales dans le négoce, niveaux de stock régionaux et grilles de remise chantier dans les matériaux.
La logique promotionnelle — réductions pour réservation anticipée, offres de dernière minute, tarifs groupes, saisonnalité — est gérée en colonnes de ce store, ce qui supprime les requêtes à jointures lourdes au moment de l'inférence et garantit aux agents un prix toujours réel et juste.
03 Graph Knowledge Engine · parcours de relations
Le graphe modélise les relations entre entités et permet des parcours à plusieurs niveaux, impossibles avec une base relationnelle classique. Dans le voyage, il relie destinations et circuits, circuits et excursions, excursions et thématiques. Dans l'automobile, il relie modèles, finitions, packs d'options et accessoires compatibles. Dans l'immobilier, il relie biens, quartiers, écoles, transports et annonces comparables. Dans le négoce, il relie produits, fournisseurs, substituts et conditions contractuelles propres à chaque compte. Dans les matériaux, il relie produits, systèmes compatibles, accessoires requis et certifications techniques.
Les agents IA qui parcourent le graphe peuvent répondre à des questions exigeant un raisonnement sur tout le catalogue en une seule passe, par exemple : « Montre-moi tous les circuits dans le Sud de la France qui incluent au moins une expérience œnologique et partent un week-end de septembre », ou « Quels produits d'isolation sont compatibles avec ce système de mur, disponibles en stock et éligibles à l'aide à la rénovation énergétique ? »
04 Document Store · recherche vectorielle
Ce store vectoriel contient toute la documentation contractuelle, réglementaire et informative. Les questions des clients sont vectorisées et comparées sémantiquement pour faire remonter automatiquement la section pertinente. Dans le voyage : conditions générales, politiques d'annulation et de remboursement, formalités de visa, conditions d'accessibilité. Dans l'automobile : conditions de garantie, contrats de financement, politiques de retour. Dans l'immobilier : modèles de baux et de compromis, règlements de copropriété, règles d'urbanisme locales. Dans le négoce : accords-cadres, conditions fournisseurs, politiques logistiques et de retour. Dans les matériaux : fiches techniques, guides de pose, certifications de conformité et documentation relative aux aides ou aux écolabels applicables.
05 Customer Store · clé-valeur + vecteurs
Le Customer Store fait office de mémoire vivante du système. Il combine des paires clé-valeur pour la précision structurée — identifiants, budgets, préférences, statut de fidélité — et des vecteurs qui captent l'intention sémantique, ce qui permet aux agents de proposer des offres correspondant à ce que le client veut dire, et pas seulement à ce qu'il a tapé. Par-dessus, chaque devis passé, chaque offre transformée et chaque négociation abandonnée est conservée avec l'historique de conversation qui l'entoure : les sessions où l'hésitation est apparue, les objections soulevées, les formulations qui ont révélé une sensibilité au prix. Ensemble, ces signaux donnent à l'agent un dossier commercial et conversationnel complet de chaque relation client. Plutôt que de partir d'une fiche CRM vierge, chaque nouvelle interaction s'appuie sur qui est ce client, ce qui lui a été proposé, comment il a réagi, et pourquoi il a converti ou non — ce qui garantit que chaque recommandation générée est hyperpersonnalisée et commercialement informée.
Le moteur à l'œuvre : exemples de requêtes par secteur
Ces exemples illustrent comment l'orchestrateur route une seule requête client entre plusieurs stores pour assembler une réponse précise et fiable, en temps réel et sans hallucination.
VOYAGE · requête simple · Pricing Store
« Quelle est la chambre double la moins chère disponible pour le circuit à vélo en Provence au départ du 3 août ? »
Comment le moteur raisonne :
requête directe sur le Pricing & Availability Store : filtre par circuit et par date, tri par prix croissant. Un seul store, réponse en moins de 100 ms.
VOYAGE · requête croisée · graphe + Product Store
« Quels circuits incluent une dégustation de vin et passent par au moins un site classé au patrimoine mondial de l'UNESCO ? »
Comment le moteur raisonne :
Le graphe identifie les circuits associés à une expérience œnologique → croise avec les destinations marquées comme sites UNESCO → les vecteurs affinent par similarité sémantique pour faire remonter les correspondances et les descriptions les plus pertinentes.
AUTOMOBILE · requête multi-couches · graphe + Pricing + Product Store
« Je cherche un SUV 7 places, diesel ou hybride, sous 45 000 €, avec option attelage et disponible sous 4 semaines. »
Comment le moteur raisonne :
Les vecteurs identifient les SUV 7 places correspondant à la motorisation souhaitée → le graphe vérifie quelles configurations incluent l'option attelage → le Pricing Store filtre par budget et par délai de livraison → un stock classé avec fiches techniques complètes est renvoyé.
IMMOBILIER · requête contextuelle · Document + Product Store
« Nous sommes une famille de quatre et souhaitons acheter. Quelles sont les règles de copropriété dans cet immeuble, et y a-t-il des biens d'au moins 3 chambres disponibles ? »
Comment le moteur raisonne :
Le Document Store renvoie les clauses et règles de copropriété pertinentes → les vecteurs du Product Store font remonter les annonces de 3 chambres et plus dans l'immeuble ou le secteur → le graphe croise la proximité des écoles et les scores de quartier → une réponse complète et structurée est assemblée.
AUTOMOBILE · requête comparative · Pricing + Product + graphe
« Comparez le Peugeot 5008 et le Renault Espace : différences d'équipement, motorisations, notes de sécurité et offres promotionnelles en cours. »
Comment le moteur raisonne :
Le Product Store fournit les fiches techniques complètes des deux modèles → le graphe compare finitions disponibles, packs d'options et certifications de sécurité → le Pricing Store renvoie offres et taux de financement en cours → une vue comparative structurée est générée.
NÉGOCE · requête tenant compte du compte · Pricing + graphe + Product Store
« Il me faut 800 unités de film étirable de qualité alimentaire, livrées en moins de 5 jours. Quelles sont mes options et ai-je droit à une remise sur volume ? »
Comment le moteur raisonne :
Le Pricing Store filtre selon le palier du compte et applique la grille de remise contractuelle du client → le graphe identifie des références de substitution chez des fournisseurs agréés si la référence principale est en rupture → le Product Store renvoie fiches techniques et certifications de conformité → une sélection classée, avec prix nets, est renvoyée.
MATÉRIAUX · requête technique + aides · Document + graphe + Product Store
« Je rénove une maison des années 1970 et j'ai besoin d'une isolation par l'extérieur éligible à l'aide à la rénovation énergétique. Quels produits recommandez-vous et quelles sont les exigences de pose ? »
Comment le moteur raisonne :
Le Document Store fait remonter les conditions d'éligibilité et les critères produit applicables → les vecteurs du Product Store identifient les systèmes d'isolation atteignant les seuils de performance thermique → le graphe vérifie la compatibilité avec une construction de mur typique des années 1970 et récupère les guides de pose et accessoires requis → une recommandation complète, avec la documentation de conformité, est assemblée.
La vitesse fait partie du produit
Nous livrons cela en semaines, pas en années.
C'est possible parce que les ontologies sont pré-construites par secteur et sous-secteur, que l'architecture est modulaire, et que le pipeline d'ingestion s'appuie sur l'IA pour absorber la réalité désordonnée des données d'entreprise : formats incohérents, champs manquants, doublons, descriptions non structurées. Nous ne demandons pas à nos clients de nettoyer leurs données d'abord. Nous les ingérons, les nettoyons et les enrichissons dans le même mouvement.
Le Knowledge Engine est entièrement cloisonné par client — extensible aux besoins propres de chacun sans contamination croisée — et conçu pour se capitaliser. Chaque nouvelle source de données ou chaque cas d'usage déployé enrichit le modèle. Ce qui coûte 100 % d'effort à construire seul en coûte 15 à 40 % sur Kleio.
Une infrastructure, pas une fonctionnalité
Le Knowledge Engine n'est pas un module rapporté. C'est la fondation sur laquelle tout le reste repose.
Notre couche d'orchestration déploie des milliers d'agents IA qui se composent, se routent et collaborent pour mener des conversations commerciales, ingérer des données et exécuter des parcours complexes. Ces agents ne valent que ce qu'ils peuvent récupérer. Donnez-leur un index vectoriel à plat, ils hallucinent, ignorent des contraintes et font des recommandations qui font perdre des affaires. Donnez-leur le Knowledge Engine, ils raisonnent comme un expert.
C'est pourquoi nos clients — des leaders européens comme Emil Frey, Orpi, Havas Voyages, Selectour et Showroomprivé — constatent des taux de conversion supérieurs de 20 à 50 %. Ce n'est pas le modèle. C'est la qualité de la connaissance sur laquelle il raisonne.
La plupart des entreprises traitent la couche de données comme un problème d'infrastructure à régler plus tard. Nous avons bâti Kleio sur la conviction que c'est le seul problème qui mérite d'être réglé en premier.
Parce qu'en vente complexe, la qualité de la connaissance accessible à votre IA, c'est la qualité de votre IA. Il n'y a pas de raccourci. Nous avons simplement rendu le bon chemin beaucoup plus court.
Kleio est l'infrastructure commerciale des ventes complexes — voyage, immobilier, automobile, négoce et matériaux de construction. Plus de 100 000 conversations autonomes par mois, en production. kleio.ai
