Articles
51 articles sur les ontologies métier exécutables, la gouvernance du runtime et les applications opérées par les agents.
Recommandés
Recommandés
Commencez ici : ce que signifie « L’ontologie est le logiciel », à qui doit appartenir la couche de définition du métier, et pourquoi les apps écrites par l’AI restent gouvernables en métadonnées, pas en code.
-
Que signifie « L’ontologie est le logiciel » ? Une ontologie métier exécutable, définie
La phrase est le positionnement d’ObjectStack ; voici sa définition : un noyau de six sortes, quatre projections, trois choses qu’elle n’est pas, et un test pour distinguer le noyau de la projection.
Développement applicatif Développeurs OntologieOntologie métier exécutable -
Ontologie d'entreprise ouverte : qui doit posséder la couche de définition du métier ?
Nov. 2025 – août 2026 : cinq plateformes ont livré une couche de définition du métier — deux comme ontologie, trois comme couche sémantique — et la plupart ont ouvert une voie de lecture MCP. Protocole ouvert, définition fermée.
Sécurité et gouvernance Dirigeants métier OntologieCouche sémantiqueMCPFabric IQUnity CatalogSnowflakePalantirLooker -
Applications natives IA : pourquoi générer des métadonnées plutôt que du code
La génération de code accélère les prototypes, mais les applications d’entreprise ont besoin d’un runtime de métadonnées où objets, permissions, workflows, actions et outils d’agent sont gouvernés ensemble.
Développement applicatif Dirigeants métier -
Dette technique du vibe coding : pourquoi les apps IA deviennent difficiles à changer
Un système de notes de frais généré par IA a tourné des mois. Quand une règle fiscale a changé, l'équipe n'osait plus toucher au code non relu. Les systèmes durables ont besoin de définitions vérifiables.
Développement applicatif IT / CIO
Articles Récents
Articles Récents
Les dernières publications du blog ObjectOS.
-
Comment laisser des visiteurs anonymes soumettre un formulaire dans une application métier gouvernée ? Une porte publique, large de cinq champs
Depuis la v17, l’accès anonyme aux données est toujours refusé. Seule porte ouverte : une vue de formulaire publique. Le droit vient du formulaire — cinq champs entrent, une ligne est créée, seul son id revient. Mesuré sur 18.3.0.
Développement applicatif Dirigeants métier Formulaires publicsWeb-to-leadAccès anonyme -
Pouvez-vous prouver qui a ouvert une fiche client, y compris un agent AI ? L’audit des consultations d’enregistrements et les quatre choses qu’une ligne de lecture n’enregistre jamais
Sur 18.3.0, la lecture REST d’une personne et le get_record MCP d’un agent laissent chacun une ligne read dans sys_audit_log ; liste, objet non déclaré et lecture refusée, aucune. Ce que la ligne contient, et jamais.
Sécurité et gouvernance IT / CIO Piste d’auditAudit des consultationsAgents AIConformité -
Les vues, les tableaux de bord et les apps sont des projections de l’ontologie : ce que cela change pour la revue
Ajoutez un champ à une app ObjectStack : la table, l’API REST, l’appel describe de MCP et le formulaire de la Console suivent seuls ; les vues, le dataset et la traduction épinglés non. Le test du nom dit lequel est lequel.
Développement applicatif Développeurs OntologieOntologie métier exécutableDiff relisibleRevue des métadonnées -
Comment importer un tableur d’un ancien système dans une application construite par l’AI ? Mappings d’import, essais à blanc et les trois façons dont une ligne peut ne pas correspondre
Mesuré sur ObjectStack 18.3.0 : un mapping d’import projette en-têtes et codes étrangers sur un objet, un essai à blanc renvoie le rapport par ligne sans rien écrire, une ligne sans correspondance est créée, ignorée ou rejetée.
Intégration et données Dirigeants métier CRM Import de donnéesMapping d’importEssai à blanc -
Que manque-t-il aux modèles d’AI en entreprise ? Un monde, des mains et une clôture
Pas l’intelligence. En entreprise, un modèle manque d’un monde pour raisonner, de mains pour agir et d’une clôture autour de l’action. Une ontologie métier exécutable fournit les trois ; un tableau sourcé donne chaque mécanisme.
AI et agents IT / CIO Agents AIOntologie métier exécutableMCPPermissions des agents -
Règle de validation, hook ou flow ? Où une règle métier doit vivre dans une app écrite par l’AI : un CRM, sept règles, trois maisons
Sept règles métier sur un CRM, trois maisons pour chacune. Le choix est une table : un prédicat est une règle de validation, réécrire avant sauvegarde est un hook, tout le reste est un flow, qui se relit comme des données.
Développement applicatif Développeurs CRM Agents AIRègles métier -
Comment attraper un changement de permission silencieux fait par une AI avant qu'il ne parte en production ? La porte de snapshot de la matrice d'accès, mesurée sur un CRM à 7 entrées
Sur @objectstack/cli 18.2.0, os validate laisse passer allowDelete false→true sans un mot. Dans une app qui a opté, os compile fait échouer le build avec une ligne : qui gagne quoi, tant qu'un humain n'a pas régénéré le snapshot.
Sécurité et gouvernance Développeurs Agents AIPermissions des agentsDiff relisible -
Quand ne pas utiliser une ontologie métier exécutable ?
Cinq charges de travail pour lesquelles une ontologie métier exécutable est aujourd’hui le mauvais outil, quoi utiliser à la place, le coût d’un mauvais choix, et une table de décision avec une source par ligne.
Développement applicatif IT / CIO OntologieOntologie métier exécutableQuand l’utiliser -
Apps opérables par les agents : quand chaque objet et chaque action est un outil MCP sous les permissions de l’utilisateur
Opérable par les agents : l’app est déjà un serveur MCP, l’agent s’y connecte comme utilisateur. Une exécution, deux utilisateurs, une action : les mêmes douze outils, et la permission décidée à chaque appel, pas sur la liste.
AI et agents Développeurs Agents AIMCPOpérable par les agents -
Qu’est-ce qui rend une app métier rédigeable par l’AI ? Typed, Validated, Reviewed, Governed
Rédigeable par l’AI est une propriété de la cible, pas du modèle. Quatre portes, une exécution réelle : trois erreurs délibérées, 49 règles, trois erreurs localisées, puis un passage propre.
AI et agents Développeurs Agents IARédigeable par l’AI -
Ontologie exécutable vs ontologie de connaissances : pourquoi « sans héritage, sans axiomes, sans raisonneur » est tout l’enjeu
Une ontologie de connaissances est faite pour être raisonnée ; une ontologie métier exécutable, pour être validée et exécutée. La preuve : une clé, abstract, qui promettait l’héritage, ne faisait rien et a été retirée, pas gardée.
Développement applicatif Développeurs OntologieOntologie métier exécutableGraphe de connaissances -
L’ontologie est le logiciel
Le logiciel d’entreprise a changé trois fois d’interface, jamais d’utilisateur. Premiers venus en 40 ans, les agents veulent une ontologie, pas une API : l’AI l’écrit, le runtime l’exécute, les agents l’opèrent, vous la possédez.
AI et agents Général OntologieAgents AIOntologie métier exécutable -
Quels outils utilisent les forward-deployed engineers ? Un stack ouvert, ontologie d’abord
Ce qu’un forward-deployed engineer construit réellement sur un déploiement de 60–180 jours, les cinq douleurs qui définissent le métier, et pourquoi la vague d’imitateurs de 2026 a copié le rôle mais pas le substrat.
AI et agents Développeurs OntologieMCPForward deployed engineerPalantir -
Combien de tokens fait une application métier ? Un CRM complet sous 150k
Un CRM complet tient sous 150k tokens de métadonnées typées : logique métier sous 100k, UI autour de 50k. Le CRM de référence fourni reste à environ 16k.
AI et agents Développeurs CRM Agents IA -
Quand votre agent IA supprime la base de production : le cas des garde-fous à l'exécution
L'incident Replit rappelle une leçon structurelle : le rayon d'impact d'un agent ne doit pas dépendre d'un prompt. Permissions, approbations et audit doivent être imposés par le runtime.
AI et agents IT / CIO Agents IAReplit -
Retool RBAC et journaux d'audit : évaluer Retool pour des applis IA gouvernées
RBAC, journaux d'audit et politiques d'accès de Retool, vérifiés dans sa documentation : ce qu'ils gouvernent dans les applis générées par IA, Retool face à Lovable pour les applis d'entreprise, et la faille d'autorité qui reste.
Développement applicatif Développeurs RetoolRBACJournal d'auditLovable -
Lock-in Power Platform : comment évaluer Dataverse, Azure et l'auto-hébergement
Power Platform est forte quand identité, Teams, Dynamics et facturation vivent dans le même tenant. Si souveraineté, coût à l'échelle ou changements IA vérifiables comptent, examinez les limites de Dataverse et du runtime Azure.
Sécurité et gouvernance IT / CIO DataversePower AppsPower Platform -
Lovable est-il sûr pour la production ? Le problème du contrôle d'accès invisible
Lovable est puissant pour prototyper vite. En production, le vrai sujet est de pouvoir relire le contrôle d'accès : RLS, filtres frontend et scanners de sécurité ne sont pas équivalents.
Sécurité et gouvernance Développeurs Lovable -
Airtable Omni : peut-on modifier ce qu'il construit, et qui approuve le changement ?
Airtable Omni crée une app en production en une phrase. Oui, on peut modifier ce qu'il génère, jusqu'au code source des éléments. Mais la plupart des changements s'appliquent pendant qu'Omni construit : la revue vient après.
Développement applicatif Dirigeants métier AirtableAirtable Omni -
Après que l'IA écrit l'application : pouvez-vous relire le diff et merger ?
L'IA peut générer vite une app qui fonctionne et passer la CI. La vraie question est de savoir qui peut assumer une grosse PR que personne ne comprend entièrement.
Développement applicatif Développeurs -
Comment écrire des règles d'agent pour que l'IA génère des apps gouvernables
AGENTS.md, .cursor/rules et CLAUDE.md ne devraient pas couvrir seulement le style de code. Décrivez permissions, approbations, audit et format cible pour obtenir des apps générées qui restent vérifiables.
AI et agents Développeurs MCPAgents IA -
Audit EU AI Act : votre runtime d'IA peut-il produire les preuves ?
Quand un auditeur demande le déroulé complet d'une décision IA, la qualité du modèle ne suffit pas. Le runtime doit montrer permissions, preuves, supervision et journal d'audit.
Sécurité et gouvernance IT / CIO -
Sécurité MCP : pourquoi le protocole seul ne suffit pas
MCP et A2A facilitent la connexion des agents aux outils. Mais connexion n'est pas autorisation : l'entreprise a besoin d'une couche qui impose identité, permissions et audit à chaque appel.
AI et agents IT / CIO MCPOutils gouvernésAgents IAA2A -
Pourquoi les pilotes d'agents IA échouent avant la production : quatre couches manquantes
Un agent peut impressionner en démo puis se bloquer sur une question juridique. Le problème est rarement le modèle : il manque souvent sémantique, permissions, validation et audit.
AI et agents Dirigeants métier Agents IA -
Coût des agents IA : comparer prix par action et runtime auto-hébergé
La facturation par action ou par token semble flexible, mais plus un agent devient autonome, plus il appelle d'outils. Le coût doit être lu avec usage, sortie de données, lock-in et exploitation propre.
Sécurité et gouvernance Dirigeants métier Agents IAAgentforce -
Au-delà d'Agentforce et Copilot Studio : quand choisir un runtime ouvert auto-hébergé
Une entreprise a failli signer Agentforce — avant de voir qu'il n'atteignait pas la moitié de ses données hors les murs. Quand choisir une suite fermée, quand l'ouvert auto-hébergé, et pourquoi « les deux » l'emporte souvent.
AI et agents IT / CIO AgentforceCopilot StudioServiceNow -
Les ontologies deviendront-elles un standard de la stack IA ? Pourquoi le runtime doit être ouvert
Les ontologies deviendront-elles un composant standard de la stack IA ? L’interface agent l’est déjà : Ontology MCP est passé en GA en juin 2026. La définition suit. Le runtime est resté fermé — or la portabilité y habite.
Sécurité et gouvernance Dirigeants métier OntologieMCPPalantirCouche sémantique -
D’une phrase aux objets, vues, permissions et Agents : la chaîne de génération d’AI Builder
L’important dans AI Builder n’est pas de transformer une phrase en pages, mais de décomposer une demande métier en objets, champs, vues, workflows, permissions, automatisations et outils d’Agent.
Développement applicatif Dirigeants métier Agents IA -
Construire comme Airtable, modifier comme dans une conversation
L’image produit la plus claire d’AI Builder combine construction d’application par tables et interaction en langage naturel : objets, champs, vues, permissions et automatisations se génèrent et se modifient par dialogue.
Développement applicatif Dirigeants métier Airtable -
Modifier les applications métier par conversation : champs, workflows, vues et automatisation
La vraie valeur d'un builder IA est l'itération conversationnelle continue : champs, workflows, vues, permissions et automatisations évoluent en sécurité dans les métadonnées.
Développement applicatif Dirigeants métier -
Quand le support comprend le client : construire un hub de tickets AI
Regroupez demandes, historique client, SLA et connaissances dans un hub de tickets. L'IA propose la prochaine action, avec permissions, approbations et audit.
Développement applicatif Dirigeants métier Gestion des dossiersPortails clients -
Les commerciaux ne devraient plus remplir le CRM à la main : un assistant commercial AI
L'IA organise notes commerciales, opportunités et relances. L'enjeu n'est pas seulement d'écrire moins, mais d'utiliser les données clients avec les bons droits.
Développement applicatif Dirigeants métier CRM Agents IA -
Les risques projet se cachent dans les statuts : un assistant projet AI
Lisez statuts, incidents et signaux de retard pour détecter le risque projet plus tôt. L'IA propose, mais changements d'état et alertes passent par validation.
Développement applicatif Dirigeants métier -
Voir le risque fournisseur plus tôt : une application AI pour les décisions d’achat
Connectez fournisseurs, prix, délais et conformité pour voir le risque achats plus tôt. Les propositions de l'IA passent par approbation et audit.
Développement applicatif Dirigeants métier Supply chain et achats Industrie manufacturière -
La revue des notes de frais dépasse l’OCR : une app finance AI qui comprend les règles
La revue des frais ne s'arrête pas à l'OCR. L'IA lit reçus, politiques et exceptions, puis présente les risques sous une forme vérifiable.
Développement applicatif Dirigeants métier Services financiers -
Du ticket à la conversation : construire un centre de services d’entreprise AI
Transformez les demandes internes en conversations. L'IA suggère réponses et prochaines étapes, tandis que le runtime protège données employé et validations.
Développement applicatif Dirigeants métier RH et apps internesGestion des dossiers -
L’AI peut-elle relire le contrat en premier ? Une application de risque contractuel
L'IA peut lire risques contractuels, clauses absentes et circuits d'approbation. Elle ne remplace pas le juridique : elle laisse un diff vérifiable et une preuve d'audit.
Développement applicatif Dirigeants métier Services financiers -
Le poste de travail AI des équipes contenu : des idées à la rétrospective
Planification, rédaction, revue, publication et rétrospective dans un workbench IA. Les équipes contenu ont aussi besoin de permissions, validations et historique.
Développement applicatif Dirigeants métier Télécoms et médias -
Le contrôle conformité sans relire les politiques à la main : une app de contrôle interne AI
Reliez politiques, preuves, exceptions et tâches correctives pour suivre les contrôles internes en continu. L'IA aide, l'approbation et l'audit restent visibles.
Développement applicatif IT / CIO Services financiers -
Donner un Agent aux systèmes métier : une workbench AI qui exécute des tâches
Un agent dans un système métier a besoin de plus qu'un chat. Actions exécutables, permissions, approbations et audit doivent vivre dans le même workbench.
Développement applicatif IT / CIO Outils gouvernésAgents IAPermissions des agents -
Pourquoi les plateformes AI d’entreprise devraient d’abord être auto-hébergées
Quand l’AI lit les données métier, déclenche des workflows, génère des applications et appelle des outils, l’entreprise doit contrôler le runtime qui gouverne objets, permissions, outils, validations et audit.
Sécurité et gouvernance IT / CIO -
D’une exigence à une app opérationnelle avec ObjectStack
Un scénario de réparation d’équipement montre comment AI Builder transforme une demande en objets, champs, relations, vues, permissions, actions, workflows, API et outils d’agent.
Développement applicatif Développeurs -
Comment les agents AI travaillent dans les permissions d’entreprise
Les entreprises n’ont pas besoin d’agents AI super-administrateurs. Elles ont besoin d’agents contrôlés, qui héritent des permissions, demandent validation pour les actions risquées et restent auditables.
Sécurité et gouvernance IT / CIO Agents IAPermissions des agents -
Comment connecter l'AI aux systèmes legacy en industrie
Les systèmes industriels sont souvent anciens, lourds et difficiles à remplacer. Un chemin AI pragmatique connecte l'existant et commence par rapports, ordres de travail et analyse d'exceptions.
Intégration et données IT / CIO Gestion des dossiersSupply chain et achats Industrie manufacturière -
Pourquoi le low-code atteint ses limites
Le low-code accélère pages et workflows, mais les systèmes métier complexes dépendent d'objets, permissions, intégrations, changement et maintenabilité.
Développement applicatif IT / CIO RH et apps internesGestion des dossiers -
Commencer par le CRM : comment l'AI comprend clients, opportunités et historique de suivi
La plupart des CRM contiennent déjà clients, opportunités, contacts et activités. Le bon départ est de laisser l'AI comprendre ces objets sous vos permissions.
Intégration et données Dirigeants métier CRM Agents IAPermissions des agents -
Rendre votre système métier existant AI-native sans migration
Sur ObjectOS autogéré (Enterprise), connectez votre base existante en lecture seule, laissez un agent de code modéliser les tables en objets et mettez l'AI sur des données réelles, sous vos permissions, système d'origine intact.
Intégration et données Général