Nvidia mise sur des modèles ouverts pour donner aux agents IA le contexte qu’il leur manque
Le 21 octobre 2026, à GTC Berlin, Nvidia ajoute Agent Knowledge Foundation à son Agent Toolkit : des composants open source qui assemblent récupération, ontologie et prédiction sur données tabulaires. Les données restent sous vos contrôles d’accès, et Nvidia laisse Snowflake, Databricks et Palantir en garder la gouvernance.
21 octobre 2026. À GTC Berlin, Nvidia annonce Agent Knowledge Foundation, un ensemble de composants open source ajouté à son Agent Toolkit. +65 %. Son modèle d’embeddings Nemotron Retriever a relevé la pertinence de recherche de 65 % sur un banc de test OpenSearch. Pourquoi c’est important : connecter un agent à Snowflake ou à une base de connaissances ne lui fait pas comprendre l’entreprise — Nvidia propose de combler ce fossé avec des modèles, tout en laissant la gouvernance des données à ceux qui la détiennent déjà.
Le problème de fond : l’agent ne comprend pas vos données
Toute entreprise se demande aujourd’hui comment faire travailler ses outils d’IA avec ses propres données. Les grands éditeurs — SAP, Microsoft, Salesforce, Workday — revendiquent chacun de devenir le hub central qui gère et sécurise ces données. Reste une question que peu traitent : que font les entreprises qui veulent s’en occuper elles-mêmes ?
Nvidia y répond sans concurrencer les plateformes qui stockent déjà la donnée. Adel El Hallak, vice-président produit pour l’IA agentique chez Nvidia, le résume crûment : connecter un agent à Snowflake, à l’e-mail et à la base de connaissances ne suffit pas à ce que l’IA « comprenne » l’ensemble. « La réalité est différente », dit-il — et un grand modèle de langage est « excellent pour prédire le prochain token », mais perdu face à un simple tableur à plusieurs onglets.
Trois briques au lieu d’une
Agent Knowledge Foundation assemble trois familles de modèles ouverts, plus les bibliothèques de traitement de données CUDA-X.
Le Nemotron Retriever couvre l’embeddings et le reranking. Nvidia annonce +65 % de pertinence de recherche sur OpenSearch, avec moins d’étapes de recherche et une latence quasi inchangée. La version fine-tunée du reranker par SAP tourne « près de trois fois plus vite », et ServiceNow a obtenu une meilleure qualité de reranking avec environ 25 % de latence en moins.
La bibliothèque Auto-Ontology est la pièce la plus originale. Là où le RAG récupère des fragments de texte par similarité, une ontologie représente les concepts et leurs relations. Auto-Ontology construit ces graphes à partir des tables d’une entreprise et mappe les données brutes vers des concepts métier — client, produit, commande. Son catalogue NGC expose une API REST et un serveur Model Context Protocol que les agents interrogent directement.
Les modèles Kumo, enfin, traitent les données relationnelles. Née de la startup acquise en juin pour plus de 400 millions de dollars, la famille Kumo remplace, selon El Hallak, les pipelines maison que les équipes data construisaient « pour chaque classification, chaque churn, chaque analyse de sentiment » — des foundation models tabulaires publiés en poids ouverts, dont Kumo Tabular en septembre.
Pourquoi l’ontologie dépasse le RAG naïf
Le RAG a été « génial, mais est-ce suffisant ? », s’interroge El Hallak. La récupération par similarité rapporte des fragments de texte proches de la question, mais elle ne sait pas qu’un « palier » et un « forfait » désignent la même chose dans le catalogue d’un opérateur mobile. « Vous et moi, c’est facile à comprendre », dit-il — mais les grands modèles de langage « mélangent tout ça ».
Une ontologie corrige ce point en représentant les concepts et leurs relations, plutôt que des blocs de texte. Auto-Ontology dérive ce graphe des tables mêmes de l’entreprise et le sert aux agents via une API REST et un serveur MCP. Concrètement, un agent peut demander « quels clients ont dépassé leur forfait ce trimestre » et recevoir une réponse fondée sur des relations explicites — client, contrat, consommation — plutôt qu’une liste de fragments à recouper lui-même.
C’est le pari de fond de Nvidia : la qualité d’un agent d’entreprise se joue moins dans le modèle génératif que dans la couche de contexte qu’on lui fournit. Le Nemotron Retriever améliore la récupération, l’ontologie la structure, et Kumo en tire des prédictions.
Une stratégie de partenaire, pas de rival
Le positionnement est inhabituel pour un géant du hardware. « Je ne cherche pas à concurrencer Snowflake. Au contraire, je veux m’associer à eux », affirme El Hallak, qui renvoie explicitement les ACL et les contrôles d’accès vers ses partenaires.
Les cas d’usage sont déjà concrets. L’équipe supply chain de Nvidia utilise Agent Knowledge Foundation à travers Palantir Foundry. Databricks couple un modèle Kumo de détection d’anomalies à Genie Ontology, sa couche de contexte lancée en juin. Et les clients Snowflake peuvent exécuter les modèles Kumo dans Snowflake Notebooks.
Le montage est limpide : Nvidia construit et publie les poids — désormais distribués via Hugging Face, dont l’acquisition à 12,9 milliards de dollars a été annoncée en septembre — pendant que Snowflake, Databricks et Palantir gardent la maîtrise des données et des permissions. « On construit de petits poids et des modèles, et on les publie sur Hugging Face », résume El Hallak.
L’acquisition d’Illumex en février pour environ 75 millions de dollars avait déjà préfiguré ce virage ontologique : la startup israélienne automatisait la création de couches sémantiques et d’ontologies pour la donnée d’entreprise.
Ce qu’il faut en faire
Si vos agents peinent sur la recherche en entreprise, le couple Nemotron Retriever + Auto-Ontology mérite un test : le gain annoncé de 65 % de pertinence est mesurable sur un OpenSearch standard, sans réarchitecture. Si vos tâches sont prédictives sur des tables — churn, classification, détection d’anomalies — les modèles Kumo en poids ouverts remplacent des pipelines spécialisés par un modèle unique. Si vous êtes déjà sur Snowflake ou Databricks, l’intégration se fait dans vos outils existants, sans déplacer la donnée.
Deux réserves tempèrent le tableau. Le chiffre de 65 % est une mesure interne de Nvidia : reproduisez-la sur votre corpus avant de vous engager. Et Auto-Ontology est une brique, pas un produit fini — mapper vos tables brutes vers des concepts métier propres reste un travail de données, précisément celui que l’équipe d’Illumex, absorbée par Nvidia, est censée faciliter.
Une nuance : tout cela reste de l’infrastructure de modèle, pas une solution clé en main. La gouvernance — qui voit quoi — demeure chez vos partenaires de données, et c’est précisément la frontière que Nvidia refuse de franchir.
L’économie des poids ouverts
Le choix des poids ouverts n’est pas anodin. En distribuant Nemotron Retriever, Auto-Ontology et Kumo via Hugging Face, Nvidia rend sa couche de contexte téléchargeable, auditée et exécutable en local — un argument décisif pour les entreprises qui refusent d’envoyer leurs données à une API externe. C’est aussi une façon de verrouiller l’écosystème par le bas : un agent construit sur ces composants tourne, à terme, sur du matériel Nvidia.
Le contraste avec SAP est instructif. SAP a finalisé l’acquisition de Prior Labs — les modèles tabulaires TabPFN — en juillet, engagé plus d’un milliard d’euros sur quatre ans, et propose TabPFN-3.5 Plus dans SAP AI Core. Là où SAP intègre verticalement pour garder la donnée et le modèle dans son giron, Nvidia externalise la gouvernance à ses partenaires et ne vend que la couche de modèle.
Verdict
Nvidia ne vend pas un produit, il prend une position. En publiant des modèles ouverts et en laissant la gouvernance aux plateformes de données, il se rend indispensable sans menacer ses partenaires — et transforme Hugging Face en canal de distribution de fait. Si vous construisez des agents d’entreprise, l’angle « ontologie plutôt que RAG » est le point à retenir : un graphe de concepts répond souvent mieux qu’une pile de fragments similaires, et Agent Knowledge Foundation rend cette approche accessible en composants ouverts. Le pari n’est pas sans risque — SAP a choisi la voie inverse en intégrant verticalement TabPFN — mais c’est un pari lisible, et mesurable.