En bref

En décembre 2025, le fonds d’investissement Foundation Capital a publié une thèse : les context graphs constitueront la prochaine infrastructure à un trillion de dollars pour l’entreprise, en capturant les “decision traces” que les systèmes actuels ne conservent pas. Cette proposition a déclenché un débat technique immédiat. Todd Blaschka identifie un “Logic Gap” structurel — ces graphes enregistrent le quoi, pas le pourquoi. Gartner juge le terme redondant, Verdantix le concept immature. Entre opportunité réelle et hype prématuré, l’état des discussions en 2026.

En clair : un système comme Salesforce note qu’on a accordé une remise de 12 % sur un deal. Il ne note ni pourquoi, ni quelles règles ont été pesées, ni qui a tranché à 23 h sur Slack. Le context graph, c’est l’archive du raisonnement — pas seulement le résultat. La thèse Foundation Capital dit : qui capture cette mémoire des “pourquoi” capture la prochaine valeur entreprise. Les critiques répondent : capturer les “quoi” sans modèle ontologique solide ne donne pas du sens, juste un journal géant.

La thèse Foundation Capital

Le 22 décembre 2025, Jaya Gupta et Ashu Garg (Foundation Capital) publient “AI’s trillion-dollar opportunity: Context graphs”. La thèse centrale : les prochaines plateformes à un trillion de dollars ne seront pas construites en ajoutant de l’IA aux systèmes d’enregistrement existants — Salesforce, Workday, SAP — mais en capturant ce que ces systèmes ne voient jamais.

Ce que la thèse appelle les decision traces : les traces montrant comment une règle a été appliquée, où une exception a été accordée, pourquoi une action a été autorisée. Ce contexte de décision est actuellement dissous — il vit dans des threads Slack, des conversations de deal desk, des appels d’escalade, et dans la tête des opérateurs.

La définition proposée du context graph : “a living record of decision traces stitched across entities and time, where precedent becomes searchable”. Il ne documente pas seulement ce qui s’est passé, mais pourquoi c’était autorisé. Chaque nouvelle décision automatisée ajoute une trace au graphe, les précédents deviennent interrogeables, et l’avantage s’accumule.

La thèse articule un shift de valeur : des systems of record (enregistrement d’état) vers des systems of agents (enregistrement de décision). La génération précédente de logiciels d’entreprise a créé un écosystème à un trillion de dollars en devenant des systèmes d’enregistrement. Foundation Capital projette que les context graphs ouvrent une opportunité équivalente pour la génération suivante.

Aaron Levie (CEO, Box) a réagi à la thèse en déclarant “l’ère du contexte” : dans un monde où les modèles IA deviennent des commodités, le différenciateur devient la connaissance organisationnelle qu’on leur fournit — et les traces critiques de décision dont les agents auraient besoin ne se trouvent dans aucun logiciel existant aujourd’hui. La thèse aurait atteint les CIOs de Fortune 500 et les fondateurs de startups licornes IA selon Foundation Capital, devenant l’une des idées les plus discutées de l’année en IA dans les semaines suivant sa publication.

L’avantage structurel des startups

L’argument de Foundation Capital repose sur une distinction architecturale : le execution path versus le read path.

Quand un agent IA traite une escalade client, répond à un incident ou décide d’une remise, il est dans le execution path — il extrait du contexte de multiples systèmes, évalue des règles, et parce qu’il exécute le workflow, il peut capturer ce contexte au moment exact de la décision. La structure d’une decision trace est précise : quelles entrées ont été collectées, quelles politiques ont été évaluées, quelles exceptions ont été accordées, qui a approuvé, quel état a été écrit.

Les data warehouses — Snowflake, Databricks — sont dans le read path. Ils reçoivent les données via ETL après que les décisions ont été prises. Au moment où les données arrivent via ETL, le contexte de décision est perdu. Ces systèmes peuvent dire ce qui s’est passé, pas pourquoi. Les SaaS incumbents peuvent ajouter de l’IA à leurs données, mais ils ne peuvent pas capturer ce qu’ils ne voient jamais : les décisions cross-système qui se produisent en dehors de leur périmètre applicatif.

Les startups d’agents verticaux, elles, sont nativement dans le execution path. La startup d’agents de vente capture le context graph des renouvellements. La startup d’agents de support capture celui des escalades. Foundation Capital projette que ces startups deviendront les propriétaires du context graph pour leur domaine — un avantage structurel que les incumbents ne peuvent pas facilement répliquer. Ces derniers répondront probablement par des acquisitions et en verrouillant leurs APIs avec des frais d’egress pour rendre l’extraction de données coûteuse.

En clair : la métaphore est celle d’un greffier au tribunal versus un comptable. Le greffier (execution path) entend la plaidoirie en direct, voit les pièces déposées, note l’argument retenu — il est dans la salle. Le comptable (read path) reçoit le verdict final par courrier, sans le contexte. Snowflake, c’est le comptable. Les startups d’agents qui orchestrent le workflow, c’est le greffier. Et un comptable, aussi compétent soit-il, ne peut pas reconstituer ce qui s’est dit oralement entre deux pauses.

Le Logic Gap

Todd Blaschka a publié une critique directe de ce narratif sous le titre “Context Graph Hype: Why the Holy Grail is Leaking”. Son argument central est le Logic Gap : l’écart entre l’enregistrement d’une décision et la compréhension de sa signification. Les context graphs tels que présentés captent le quoi mais pas le pourquoi.

Sans fondation knowledge graph formelle, Blaschka identifie une triade de défaillances :

  1. Identity crisis — l’entité ne peut pas être identifiée de manière stable d’un système à l’autre, d’une décision à l’autre.
  2. Hallucinated judgment — le système génère des inférences sans base sémantique solide, en l’absence de modèle ontologique structuré.
  3. Context rot — le contexte se dégrade dans le temps sans mécanisme de maintenance explicite.

La critique rejoint une position plus large dans la communauté des praticiens. Gartner (Afraz Jaffri) argue que le terme “context graph” est redondant : un graphe implique implicitement du contexte. L’usage de “context” comme adjectif modificateur serait un phénomène marketing, pas une innovation conceptuelle. Subramanya N soulève une tension architecturale différente : la plupart des décisions d’entreprise extraient du contexte de 6 à 10 systèmes simultanément — les context graphs pourraient être fondamentalement un problème de plateforme plutôt qu’un problème d’application verticale.

Context graph vs knowledge graph

Le débat terminologique est structurant. Les positions sont claires et divisées.

Andreas Blumauer (Graphwise) défend le consensus communautaire : “a Context Graph is an operationalized Knowledge Graph”. Un context graph est une sorte de knowledge graph enrichi d’une méta-couche, utilisant des standards comme RDF-Star ou Named Graphs pour attacher des timestamps, de la provenance et des scores de confiance aux liens entre nœuds. Ce n’est pas un remplacement — c’est une évolution qui ajoute la dimension temporelle et la decision lineage.

Kurt Cagle affine cette position : l’idée centrale des context graphs est de pouvoir déterminer exactement quand une décision a été prise et pourquoi — ce qu’un knowledge graph seul ne peut fournir qu’indirectement, même avec des annotations RDF-Star. La distinction porte sur la temporalité opérationnelle, pas sur l’architecture de fond.

Jessica Talisman est plus critique. Elle signale de nombreuses similarités entre le langage de son travail “Process Knowledge Management” (novembre 2025) et l’article de Gupta & Garg (décembre 2025), et considère “context graph” comme un rebranding. Sa question reste ouverte : “Are we discussing context relative to tokens or context designed for AI reliability?” — deux acceptions du terme qui ne se recoupent pas nécessairement.

HackerNoon résume la tension de fond : l’absence de standard accepté, de modèle d’implémentation cohérent et de définition stable du terme “context graph” crée les conditions d’un bruit maximal de la part des vendeurs sans progrès commensurate. La communauté identifie les vrais problèmes non résolus : validité temporelle des facts, résolution de faits contradictoires et decision traces — des gaps que les ontologies existantes (Schema.org, CDM, WAND) ne comblent pas.

Un point de convergence a émergé début 2026 : le W3C Context Graphs Community Group a été proposé le 23 février 2026 par Ron Itelman (avec Kurt Cagle parmi ses supporters). Sa mission déclarée — développer des spécifications, vocabulaires et bonnes pratiques pour résoudre le “contextual misalignment” entre représentations globales de la connaissance et contextes locaux d’interprétation dans les systèmes de décision — signale que le débat a atteint une maturité suffisante pour justifier une tentative de standardisation.

Limites et maturité

Verdantix, cabinet d’analyse indépendant, évalue les context graphs en 2026 comme “immature in enterprise, with most usage confined to pilots and research projects.” La distinction entre knowledge graph et context graph y est qualifiée d’incrémentale plutôt que transformationnelle. Les défis d’intégration de données, d’alignement ontologique et de gouvernance demeurent entiers.

Le contexte du marché des knowledge graphs est éclairant : seuls 27% des knowledge graphs enterprise seraient actuellement en production, la plupart restant statiques et dépourvus de contexte opérationnel (lineage, politiques, patterns d’usage). Les context graphs seraient censés combler cet écart — mais combler un écart dans une technologie elle-même sous-déployée est une dépendance en cascade.

Glean constitue l’un des rares cas d’implémentation documentée à l’échelle : son Enterprise Graph s’appuie sur un knowledge graph de 6 ans (mappant personnes et connaissance d’entreprise) et y ajoute une couche pour les projets, processus et données. Son Agentic Engine 2 revendique 94% de complétude de tâches avec ce contexte. C’est une architecture qui correspond à la vision Foundation Capital — mais construite sur 6 ans d’investissement en knowledge graph, pas sur un context graph déployé en standalone.

Les statistiques sur l’adoption enterprise de l’IA générative sont sobres : 95% des organisations ayant investi dans l’IA générative enterprise n’auraient pas observé de ROI mesurable, et seulement 5% des solutions IA custom auraient atteint la production avec une valeur soutenue. 40% des Chief Data Officers citent des problèmes récurrents de qualité et d’intégration de données comme obstacle principal. Ces chiffres contextualisent la thèse : l’opportunité est réelle, mais les blocages sont en amont du context graph lui-même.

En clair : l’écart entre vision et terrain est massif. Foundation Capital projette mille milliards de dollars de marché. Verdantix répond “immature, pilots only”. 95 % des entreprises qui ont investi dans la GenAI enterprise n’ont pas vu de ROI mesurable. Glean, l’un des rares cas qui ressemble à la promesse, a mis 6 ans à construire son knowledge graph avant d’y bâtir son context layer. La thèse pointe une cible réelle ; le chemin pour l’atteindre passe par une décennie d’intégration de données, pas par un produit en self-service.

Ce qu’il faut retenir

  • La thèse a une base technique solide : les systèmes d’enregistrement actuels perdent effectivement le contexte de décision. Les agents IA dans le execution path ont structurellement accès à ce contexte que les data warehouses ne capturent pas. Ce n’est pas du hype — c’est un gap d’architecture réel.

  • Le Logic Gap est une critique sérieuse : enregistrer une decision trace et en comprendre la signification sont deux problèmes distincts. Sans fondation ontologique et mécanisme de maintenance, un context graph produit des identités instables et des inférences non fondées. La triade de Blaschka — identity crisis, hallucinated judgment, context rot — pointe des lacunes d’ingénierie concrètes.

  • Le débat terminologique masque un accord de fond : Blumauer, Cagle et la majorité des praticiens convergent vers “context graph = knowledge graph opérationnalisé avec dimension temporelle et decision lineage.” Ce n’est pas une rupture architecturale, c’est une extension. La nouveauté est dans l’application aux workflows d’agents, pas dans la structure du graphe.

  • La maturité est basse, les préconditions exigeantes : Verdantix dit “immature.” Glean a mis 6 ans pour poser les fondations. 27% des knowledge graphs enterprise sont en production. Construire des context graphs sur des données enterprise fragmentées, de qualité inégale, sans standard stable, est un problème d’intégration autant qu’un problème d’architecture.

  • L’enjeu de capture de valeur est ouvert : Subramanya N pose la bonne question — qui capture réellement la valeur ? Si les décisions enterprise croisent 6 à 10 systèmes, le context graph est peut-être un problème de plateforme, pas d’application verticale. La réponse déterminera si les startups verticales, les plateformes d’orchestration ou les incumbents (qui ripostent) captent l’essentiel de la valeur.