Créer un glossaire métier pour vos agents IA : méthode et modèle

Un glossaire métier est le référentiel partagé des définitions de l’entreprise : pour chaque terme, il précise la formule, le périmètre, la source et le propriétaire. Il permet aux équipes, et aux agents IA, d’utiliser la même définition.

Votre agent IA vient de donner le mauvais chiffre d’affaires. Il a trouvé plusieurs colonnes de revenu dans les systèmes, en a choisi une et n’a pas précisé laquelle. Le problème existe aussi côté humains : la finance, les ventes et les opérations ont chacune leur propre définition du chiffre d’affaires, et l’agent ne sait pas laquelle fait foi. Cette ambiguïté silencieuse se propage dans les rapports, les tableaux de bord et désormais dans les réponses générées par l’IA. Un glossaire métier existe précisément pour trancher cette ambiguïté avant qu’elle ne coûte cher. Voici comment créer un glossaire métier pour vos agents IA en 5 étapes, en commençant par cet indicateur.

Qu’est-ce qu’un glossaire métier et pourquoi l’IA en a-t-elle besoin ?

Un glossaire métier regroupe les définitions validées par les métiers : la formule de calcul, le périmètre, la source et le propriétaire de chaque terme. On parle aussi de glossaire de données. Le catalogue de données recense les actifs techniques (tables, rapports, pipelines) ; le glossaire métier, souvent intégré au catalogue, en donne le sens métier. Un glossaire métier pour les agents IA apporte cette couche de définitions certifiées, le contexte dont l’agent a besoin pour répondre avec la bonne donnée plutôt qu’avec une approximation plausible.

Pourquoi commencer par un seul indicateur ?

Un glossaire de 500 termes publié d’un coup risque de ne trouver aucun lecteur : personne n’a le temps de le parcourir, et aucune équipe ne se sent responsable de sa mise à jour. Partir d’un seul indicateur disputé, visible et coûteux en cas d’erreur, donne un premier résultat concret. Les avantages du glossaire métier se mesurent ensuite indicateur après indicateur, plutôt que sur un chantier théorique qui s’enlise avant sa première publication.

Créer un glossaire métier en 5 étapes

En bref

Pour créer un glossaire métier : 1. choisissez l’indicateur le plus disputé ; 2. réunissez finance, ventes et opérations lors d’une séance de travail dédiée ; 3. comparez les définitions et leurs sources ; 4. rédigez une définition complète ; 5. publiez-la, certifiez-la et rendez-la accessible aux agents IA.

Étape 1 : choisir l’indicateur le plus disputé

Un indicateur prioritaire disputé révèle un désalignement coûteux entre les équipes, et c’est aussi le premier endroit où un agent IA se trompe sans le signaler. Les responsables gouvernance des données identifient ces métriques conflictuelles pour ancrer la démarche dans un problème concret.

Le chiffre d’affaires est souvent le premier candidat : par exemple, la finance le calcule après remises, les ventes avant remises, et chaque service défend sa propre logique. S’accorder sur sa définition est un bon test pour toute l’organisation. Cet article suit cet exemple de bout en bout.

Comment sélectionner l’indicateur le plus disputé ?

1. Repérer l’indicateur le plus demandé à l’assistant IA. Identifiez le terme que vos équipes interrogent le plus souvent, ou dont les réponses de l’agent sont régulièrement contestées.
2. Auditer les tableaux de bord existants. Repérez ceux où un même terme produit des valeurs différentes.
3. Mesurer l’impact de l’écart. Chiffrez les conséquences d’un désaccord sur la marge ou le chiffre d’affaires pour justifier l’effort.

Étape 2 : réunir les bonnes personnes

Une fois l’indicateur choisi, une séance de travail dédiée réunissant les bons participants permet de trancher, sans créer de comité permanent.

Qui convoquer et pour dire quoi ?

• Finance : présente sa formule de calcul et le périmètre qu’elle retient.
• Ventes : explique sa propre lecture du chiffre d’affaires et les raisons de l’écart.
• Opérations / IT : indique où vit la donnée source et comment elle est consolidée.

Déroulé de la réunion

1. Poser la question à l’assistant IA en séance, pour montrer la réponse qu’il donne aujourd’hui et la colonne qu’il a choisie.
2. Afficher les chiffres en désaccord et demander à chaque partie de justifier sa formule.
3. Faire trancher par un propriétaire désigné de l’indicateur, et acter la décision par écrit.

Cette démarche légère produit un livrable concret : une définition tranchée, prête à être documentée.

Étape 3 : mettre les définitions côte à côte

Avant de choisir une définition unique, il est utile de visualiser les variantes existantes. Le tableau suivant compare quatre notions de chiffre d’affaires couramment confondues, et la colonne technique que verrait un agent IA interrogeant la donnée brute.

Pour dresser cette liste, commencez par retrouver tous les actifs qui portent un chiffre d’affaires. Dans le Data Catalog & Dictionary de DataGalaxy, une recherche sur « chiffre d’affaires » fait remonter les tables, les KPI et les tableaux de bord concernés, chacun avec ses métadonnées : contexte métier, propriétaire et certification. Vous voyez ainsi ce que chaque actif signifie avant de comparer les définitions, et c’est ce même contexte que l’agent IA lira.

Exemple illustratif :

Cette mise en regard révèle que chaque équipe a raison dans son périmètre, mais qu’aucune définition n’est transposable telle quelle à une autre. Le glossaire métier donne à chaque variante un nom distinct et désigne celle qui fait référence quand on parle du « chiffre d’affaires », y compris pour l’agent IA qui doit choisir entre ces colonnes.

Retrouver la source de chaque chiffre

Le lignage des données relie chaque définition à la table et au champ qui l’alimentent réellement. Grâce à cette traçabilité, un agent IA peut indiquer de quelle table et de quel champ provient le chiffre qu’il donne, et un humain peut ainsi vérifier sa réponse plutôt que de la prendre pour acquise.

Étape 4 : que mettre dans un glossaire pour chaque indicateur ?

Une définition de glossaire métier ne se limite pas à une phrase. Elle doit documenter suffisamment d’éléments pour qu’un collaborateur, ou un agent IA, puisse l’appliquer sans ambiguïté.

Les champs obligatoires d’une définition

1. Nom du terme et synonymes : l’agent reconnaît « CA », « revenu » ou « chiffre d’affaires » comme un seul et même terme.
2. Définition métier, rédigée sans jargon technique.
3. Formule de calcul précise.
4. Périmètre : quelles entités, quelles périodes, quelles exclusions.
5. Source / actif technique lié : l’agent interroge le bon champ dans le bon système plutôt qu’une table approximative.
6. Propriétaire (Data Owner) et data steward : l’agent sait qui contacter en cas de doute sur la définition.
7. Statut : brouillon, en revue, certifié ; l’agent privilégie la définition certifiée quand plusieurs versions coexistent.

Voici un exemple fictif illustrant ces champs pour le terme « CA comptabilisé » :

Cet exemple reste fictif, mais la structure, elle, s’applique à n’importe quel indicateur disputé : marge, taux d’attrition, effectif ou coût d’acquisition.

Votre modèle de glossaire métier

Une fois la méthode validée sur un premier indicateur, elle se généralise à l’ensemble des termes métier grâce à un modèle structuré. La question de savoir comment modéliser son glossaire se pose dès qu’il faut couvrir plusieurs domaines. Le tableau suivant résume les colonnes à prévoir dans un glossaire métier pour couvrir à la fois la gouvernance de données et le lien avec les systèmes techniques, via le data lineage.

Ce modèle transforme le glossaire métier en référentiel de gouvernance de données exploitable, et pas seulement en liste de définitions. Voici une version vierge à copier pour démarrer vos deux prochains indicateurs :

Étape 5 : publier, certifier et rendre la définition accessible aux agents IA

Comment alimenter des agents IA avec des données fiables ? En leur donnant accès à des définitions certifiées au moment où ils répondent. Un agent IA n’utilise une définition que s’il peut la consulter au moment de répondre. Avec le MCP Serveur (Model Context Protocol) de DataGalaxy, Claude, Mistral ou Copilot interrogent le glossaire métier et répondent avec la définition certifiée, sa source et son propriétaire.

Concrètement, une réponse d’agent pourrait ressembler à ceci, à titre illustratif : « CA du T3 : chiffre d’affaires comptabilisé, définition certifiée, source ERP, propriétaire : Finance. » L’agent cite la définition, sa source et son propriétaire plutôt que de produire un chiffre sans contexte.

Le besoin d’un vocabulaire commun n’est pas théorique. CANAL+, qui compte 25 millions d’abonnés dans plus de 50 pays, a rendu son premier cas d’usage opérationnel en moins de trois mois. Le glossaire métier a compté parmi les raisons du choix de DataGalaxy, comme le résume Bruno Dahyot, Data Analyst chez CANAL+ : « garantir un vocabulaire commun autour de la donnée de l’entreprise ».

Dans le Business Glossary de DataGalaxy, la définition certifiée est publiée une seule fois et partagée par toutes les équipes, entités et pays, reliée aux tables et tableaux de bord du catalogue. Quand la finance la met à jour, chacun lit la même version, agents IA compris, et chaque réponse générée peut être tracée jusqu’à sa source.

Ces métadonnées (définition, source, propriétaire, statut) forment le contexte pour les agents IA : la couche qui leur permet de répondre avec le bon chiffre.

Comment certifier une définition avant publication ?

1. Faire valider la définition par le propriétaire désigné.
2. Vérifier la cohérence avec le dictionnaire de données technique existant.
3. Passer le terme au statut « certifié » et dater la validation, par exemple via une campagne de certification.
4. Planifier une revue périodique pour détecter les définitions obsolètes.

Aller plus loin : The Context Hangover Series (en anglais)

Avec Malcolm Hawker (CDO, Profisee) et Nicolas Averseng (CPO, DataGalaxy), la série The Context Hangover Series explore comment les agents IA consomment le contexte métier.

• Webinar 1 : The context hangover. What AI agents actually need from your catalog (3 novembre 2026), disponible en replay.
• Webinar 2 : Avoiding the context swamp. Build context from value and intent, en direct le 2 décembre 2026 à 16h CET.

Voir le replay et s’inscrire au webinar 2 (en anglais)

Et après le chiffre d’affaires ?

La méthode appliquée au chiffre d’affaires se répète pour chaque indicateur disputé suivant : marge, taux d’attrition (churn), effectif, coût d’acquisition. Chaque cycle suit la même séquence : choisir l’indicateur, réunir les bonnes personnes lors d’une séance de travail dédiée, comparer les définitions, rédiger la définition complète, puis la publier et la certifier pour les équipes et les agents IA.

Ce contexte doit rester à jour, possédé et certifié. Une définition non tenue à jour n’est pas seulement un oubli administratif : un agent IA la répète telle quelle, sans hésiter, et peut diffuser une définition obsolète plus vite qu’un humain ne l’aurait fait.

Pour passer à l’échelle avec un langage commun, chaque nouveau domaine suit la même discipline : un indicateur, une séance de travail dédiée, une définition certifiée.

Avec le temps, le glossaire métier cesse d’être un chantier ponctuel pour devenir un référentiel vivant de gouvernance de données, qui couvre progressivement l’ensemble des domaines métier de l’organisation.

Dans quel outil créer son glossaire métier ?

Le choix de l’outil conditionne la pérennité du glossaire métier. Le tableau suivant compare trois approches courantes.

Un tableur ou un wiki peuvent suffire pour démarrer sur un seul indicateur, mais ils ne tiennent pas la charge dès que le glossaire métier doit couvrir plusieurs domaines et rester exploitable par des agents IA.

Pourquoi un wiki ne suffit pas à votre agent IA

Une page wiki donne du texte à l’agent, pas une définition structurée. Il peut lire la phrase, mais il ne peut pas savoir laquelle des versions s’applique si plusieurs pages se contredisent, si la définition est certifiée ou encore obsolète, ni qui en est le propriétaire en cas de doute. Un glossaire métier sert ces informations sous forme de métadonnées structurées : terme, formule, source, statut et propriétaire, dans des champs que l’agent peut interroger directement plutôt que d’en déduire le sens depuis un paragraphe.

Comment DataGalaxy aide à créer un glossaire métier ?

DataGalaxy accompagne chaque étape de la méthode. Le Data Catalog & Dictionary retrouve les actifs qui portent un indicateur, avec leur contexte métier, leur propriétaire et leur certification. Le Business Glossary centralise la définition validée et facilite sa mise en contexte grâce à la génération automatique de descriptions et à la création de liens entre les objets métier et les sources du catalogue. Les Campagnes organisent la validation par les propriétaires et la certification. Enfin, le MCP Serveur permet à des assistants comme Claude, Mistral ou Copilot de consulter cette définition certifiée avant de répondre.

Glossaire métier, dictionnaire de données : quelle différence ?

La confusion entre ces deux outils bloque de nombreux projets. Le glossaire métier fournit une définition validée et traçable, accessible à tous les collaborateurs ; il parle le langage des métiers. Le dictionnaire de données représente la vue technique : il décrit la structure des données dans le système d’information, les formats utilisés et les règles de consommation technique.

Le glossaire porte le sens métier et la règle de calcul ; le dictionnaire documente la structure technique : où la donnée est stockée et sous quel format. Pour le chiffre d’affaires, le glossaire porte la définition « CA net : chiffre d’affaires après remises, rabais et retours », tandis que le dictionnaire de données documente le champ technique CA_NET_HT, son type, sa table et ses contraintes. Un responsable gouvernance doit relier ces deux couches : sans ce lien, les analystes et les développeurs continuent de parler deux langues différentes sur le même indicateur. Les deux reposent sur des métadonnées : métier pour le glossaire, techniques pour le dictionnaire de données.

Pour aller plus loin, consultez notre article sur la différence avec le dictionnaire de données.

FAQ

Qu’est-ce qu’un glossaire métier ?

Un glossaire métier est le référentiel partagé des définitions de l’entreprise : pour chaque terme, il précise la formule de calcul, le périmètre, la source et le propriétaire. Il remplace les définitions dispersées entre tableurs, wikis et habitudes orales par une référence commune, validée et datée, que les équipes et les agents IA peuvent consulter avant de produire un rapport ou une réponse.

Comment créer un glossaire métier ?

La création d’un glossaire métier suit une méthode progressive : choisir un indicateur disputé, réunir finance, ventes et opérations lors d’une séance de travail dédiée, comparer les définitions existantes et leurs sources, rédiger une définition complète avec formule, périmètre, source et propriétaire, puis la publier, la certifier et la rendre accessible aux agents IA. Cette séquence se répète ensuite pour chaque nouvel indicateur.

Quelle différence entre glossaire métier et dictionnaire de données ?

Le glossaire métier porte la définition validée par les métiers, par exemple « CA net : chiffre d’affaires après remises, rabais et retours ». Le dictionnaire de données décrit la mise en œuvre technique : la table, la colonne, le type et les contraintes qui portent cette donnée dans le système d’information. Le glossaire porte le sens et la règle de calcul, le dictionnaire la structure technique ; les deux doivent rester reliés.

Que doit contenir la définition d’un indicateur ?

Une définition complète documente le nom du terme et ses synonymes, une définition métier sans jargon, la formule de calcul précise, le périmètre couvert (entités, périodes, exclusions), la source technique de la donnée, un propriétaire et un steward désignés, ainsi qu’un statut : brouillon, en revue ou certifié. Sans ces champs, la définition reste une phrase isolée, impossible à appliquer sans ambiguïté.

Comment un agent IA utilise-t-il le glossaire métier ?

Un glossaire métier pour les agents IA n’est utile que si l’agent peut le consulter au moment de répondre. Via le MCP Serveur (Model Context Protocol), un assistant comme Claude, ChatGPT ou Copilot interroge le glossaire métier et reçoit la définition certifiée, sa source et son propriétaire plutôt que d’en générer une approximation. Les réponses deviennent cohérentes entre les équipes et les outils.

Conclusion

L’exemple du chiffre d’affaires illustre une méthode reproductible pour construire un glossaire métier pour les agents IA comme pour les équipes : choisir un indicateur disputé, réunir les bonnes personnes lors d’une séance de travail dédiée, comparer les définitions, rédiger une définition complète, puis la publier et la certifier. Chaque cycle réduit un peu plus les malentendus et prépare l’organisation à une gouvernance de données plus fiable.

Ce contexte pour les agents IA n’a de valeur que s’il reste à jour, possédé et certifié : une définition laissée à l’abandon n’attend pas un humain pour se propager, un agent IA la répète dès qu’on l’interroge, obsolète ou non. La prochaine étape consiste à reproduire cette démarche sur un nouvel indicateur disputé, jusqu’à couvrir l’ensemble des domaines métier de l’organisation.

Aller plus loin : The Context Hangover Series (en anglais)

Avec Malcolm Hawker (CDO, Profisee) et Nicolas Averseng (CPO, DataGalaxy) :

• Webinar 1 : The context hangover. What AI agents actually need from your catalog (3 novembre 2026), disponible en replay.
• Webinar 2 : Avoiding the context swamp. Build context from value and intent, en direct le 2 décembre 2026 à 16h CET.

Voir le replay et s’inscrire au webinar 2 (en anglais)

À propos de l'auteur: Ellen Du

Digital Marketing Manager