Les agents d'intelligence artificielle déployés en entreprise souffrent fréquemment du phénomène de hallucination, c'est-à-dire la production d'informations plausibles mais erronées. Cette faiblesse, souvent aggravée par la fragmentation des données corporatives, freine l'adoption massive de l'IA générative. Pour y remédier, des chercheurs de l'Université KAIST, en collaboration avec la startup GraphAI, ont mis au point AkasicDB, une base de données nouvelle génération conçue spécifiquement pour les agents IA. Contrairement aux architectures actuelles qui utilisent plusieurs systèmes de stockage distincts, AkasicDB fusionne en un seul système de gestion de base de données les bases vectorielles, relationnelles et graphiques. Les bases vectorielles traduisent le sens des documents en données numériques pour la recherche de similarité, les bases relationnelles organisent les informations dans des tableaux structurés, tandis que les bases graphiques cartographient les liens entre les entités. AkasicDB utilise un planificateur de requêtes unifié qui intègre la recherche vectorielle, la traversée de graphes et le filtrage relationnel dans un seul plan d'exécution. Sur cette infrastructure, l'équipe a développé la méthode Omni RAG, connue sous le nom de génération améliorée par récupération. Cette approche permet aux modèles de langage de s'appuyer simultanément sur des informations sémantiques, des relations contextuelles et des conditions structurées. Là où une requête classique nécessitait de croiser manuellement les résultats de plusieurs bases, créant latence et complexité, Omni RAG formule une seule requête optimisée par le moteur. Cette consolidation réduit considérablement le nombre de jetons utilisés par l'IA et élimine les intermédiaires inutiles, limitant ainsi les dérives factuelles. Les benchmarks réalisés par les chercheurs démontrent l'efficacité de cette architecture. Les requêtes complexes, qui nécessitaient jusqu'à vingt-deux secondes sur les systèmes traditionnels, sont traitées en moins d'une seconde, soit un gain de vitesse d'un facteur vingt. Parallèlement, la précision des réponses générées progresse de jusqu'à soixante-dix-huit pour cent par rapport au RAG conventionnel. Ces performances valident la réduction significative des hallucinations, identifiées comme un obstacle majeur à la fiabilité de l'IA en environnement professionnel. Les résultats de cette recherche ont été publiés dans les actes de la conférence académique International Conference on Management of Data et présentés en démonstration le deux juin deux mille vingt-six lors d'ACM SIGMOD. Selon le professeur Min-Soo Kim, responsable de l'étude, cette convergence technologique constitue une étape indispensable pour doter les entreprises d'une infrastructure capable de traiter la diversité des données en temps réel. AkasicDB devrait rapidement s'imposer comme un socle critique pour les secteurs exigeant une haute fiabilité, tels que la défense, l'industrie manufacturière, la finance ou encore le juridique, où la précision des décisions automatisées est primordiale.