Moteur de graphes cognitifs à partir de documents

IDEA-012 · Lot 2 · CogniGraph

En une phrase : un moteur générique qui extrait concepts, dépendances, causalités et prérequis de documents et de vidéos, les assemble en graphe et permet de l'interroger en langage naturel.

Émergent (graphes de connaissances et extraction par IA en plein essor)Investissement : Élevé

Secteur: Deep tech — infrastructure de connaissance (transversal)
Source: Document de concept CogniGraph
Cible: Éditeurs de logiciels, plateformes éducatives, administrations, entreprises
Maturité: Émergent (graphes de connaissances et extraction par IA en plein essor)
Investissement: Élevé
Profil de startup: Équipe R&D IA solide, à l'aise avec la vente B2B technique

Problème

source : la connaissance reste enfermée dans des formats statiques et linéaires. Les outils permettent de stocker, rechercher, consulter, mais rarement de comprendre les dépendances, d'explorer les relations ou de simuler.

Solution

source : des « documents cognitifs exécutables » : chaque document devient un graphe navigable et conversationnel (« quels projets contribuent à cet objectif ? », « quels prérequis bloquent cette compréhension ? »). Applications citées : éducation, gouvernance, entreprise, décision, agriculture. À terme, jumeaux cognitifs et simulation.

Ce qui est innovant

analyse : un moteur unique réutilisable par plusieurs produits verticaux. Le document le présente d'ailleurs comme le moteur transversal d'un portefeuille (COGNIVA) ; plusieurs fiches de ce lot (IDEA-009, 011, 013, 019) pourraient s'appuyer dessus.

Marché

analyse : vente en API ou SDK à des intégrateurs, ou usage interne comme socle de produits verticaux. Une startup seule a intérêt à choisir un vertical d'entrée plutôt que de vendre une « infrastructure universelle ».

Modèle économique

analyse : API facturée à l'usage (documents traités, requêtes) ; licences pour déploiement sur site ; produits verticaux bâtis sur le moteur.

Faisabilité

analyse : extraction relationnelle par modèles de langage, base de graphe, RAG sur graphe. Défis cités par la source : extraction relationnelle, cohérence sémantique, détection des causalités, hallucinations, passage à l'échelle.

Risques

concurrence d'outils génériques et des grands fournisseurs d'IA qui intègrent ces capacités analyse ; positionnement trop large qui dilue la proposition de valeur analyse.

Démarrage analyse

MVP : un vertical unique, par exemple un programme scolaire converti en graphe de prérequis interrogeable.
Hypothèse à tester : les réponses fondées sur le graphe sont plus justes que celles d'un RAG classique sur les mêmes documents.
Acteurs à approcher : un éditeur de plateforme éducative ou une direction de la planification.

Mots-clés

graphe de connaissances, extraction relationnelle, GraphRAG, documents exécutables, jumeau cognitif.