L'IA neurosymbolique est un domaine de recherche en pleine expansion qui vise à combiner les capacités d'apprentissage des réseaux de neurones avec les aptitudes de raisonnement des systèmes symboliques. Cette hybridation peut prendre de nombreuses formes. Dans cet article, nous proposons un nouveau formalisme pour la classification supervisée multi-labels avec des connaissances propositionnelles a priori. Nous définissons une nouvelle technique neurosymbolique appelée conditionnement sémantique à l'inférence, qui ne contraint le système que pendant l'inférence, sans affecter l'apprentissage. Nous discutons de ses avantages théoriques et pratiques par rapport à deux autres techniques neurosymboliques: le conditionnement sémantique et la régularisation sémantique. Nous développons une nouvelle méthodologie multi-échelle pour évaluer comment les avantages d'une technique neurosymbolique évoluent avec la taille du réseau. Nous évaluons ensuite expérimentalement et comparons les avantages des trois techniques sur différentes tailles de réseaux et plusieurs ensembles de données. Nos résultats démontrent que le conditionnement sémantique à l'inférence peut être utilisé pour construire des systèmes basé sur les réseaux de neurones plus précis, avec moins de ressources, tout en garantissant la cohérence sémantique des résultats.