Toute organisation qui cherche à accélérer Adoption de l'IA se heurte au même obstacle : les connaissances qui déterminent réellement les résultats de l'entreprise se trouvent dans l'esprit des personnes. Elles ne résident pas dans les systèmes, mais dans le jugement de votre collaborateur le plus expérimenté et dans les raccourcis mentaux non documentés auxquels votre chef d'équipe a recours pour conclure des contrats complexes.
Aucune de ces ressources, à l'état brut, n'est utilisable par les agents IA.
Le problème des trois niveaux dans l'infrastructure du savoir
Lorsque le secteur aborde la mise en œuvre du principe « artificial intelligence » dans le cadre des entreprises, la discussion porte immédiatement sur l’infrastructure technique : le vecteur databases, les pipelines RAG et la sélection des modèles de langage de grande envergure (LLM). Cependant, la véritable avancée se situe au tout premier niveau :
- Extraction: Extraire les connaissances de l'esprit des gens.
- Structuration: Convertir ces informations en un format lisible par machine (c'est là qu'intervient l'ingénierie des invites).
- Connexion: Intégrer ce data au réseau de connaissances plus large de l'entreprise.
La plupart des entreprises concentrent leurs investissements sur le niveau trois. Elles organisent leurs répertoires dans SharePoint et Notion, et mettent en place des fonctionnalités de recherche avancée. Quelques-unes commencent à tester le niveau deux. Mais presque aucune n'a encore réussi à percer le niveau un, et c'est là que réside aujourd'hui le véritable frein à la mise à l'échelle de cette technologie.
L'invisibilité des connaissances tacites
Les connaissances pratiques du quotidien sont rarement reprises dans la documentation, et ce pour une raison simple : elle est invisible pour la personne qui la tient. L'expert ne se rend compte de ce qu'il sait que lorsqu'il est mis sous pression lors d'une réunion avec un client, d'une gestion de crise ou d'une négociation à enjeux élevés.
Ces informations dépendant entièrement du contexte, il est vain d’exiger de professionnels hautement qualifiés qu’ils s’arrêtent simplement pour “ documenter leurs routines ”. Cela engendre un travail manuel fastidieux et inefficace, totalement déconnecté de la réalité de l’entreprise.
C'est précisément pour cette raison que les projets d“”’esprit second’’ en entreprise s’enlisent si souvent. Ces initiatives échouent car elles partent du principe que les collaborateurs savent ce qu’il faut documenter et comment le mettre en forme pour qu’il soit exploitable par des machines.
La culture en tant que fondement technologique
Gestion d'entreprise Les dirigeants ont souvent du mal à accepter une vérité dérangeante : on ne peut pas résoudre un problème de culture d'entreprise en écrivant du code.
Une plateforme de connaissances qui ne bénéficie pas de contributions actives se transforme tout simplement en un coût de stockage cloud extrêmement onéreux. Pire encore, les modèles entraînés à partir de fichiers obsolètes fourniront des réponses erronées. Cela sape la confiance au sein de l'équipe et freine l'adoption en interne.
Le cercle vicieux s'autoalimente.
Une véritable culture d'entreprise data-driven repose sur trois piliers qu'aucun éditeur de logiciels ne peut vous vendre :
- Sécurité psychologique pour partager des connaissances imparfaites et en constante évolution, sans craindre d'être jugé.
- Copropriété de la base de données, en la considérant comme un atout pour l'équipe plutôt que comme un domaine réservé à un individu.
- Une incitation évidente pour une collaboration directement liée à un impact financier tangible ou à une amélioration de la qualité de vie professionnelle du contributeur lui-même.
Les entreprises qui ont mené à bien l'intégration d'agents ont déjà compris que la documentation est un acte culturel, et non une simple tâche technique.
Comment générer un contexte structuré et exploitable
Une fois la barrière culturelle surmontée, le défi tactique consiste à transformer le récit humain en un format que la machine puisse traiter et relier entre eux. Le texte brut ou les transcriptions directes ne présentent pas la précision dont l'algorithme a besoin.
La plupart des connaissances, même lorsqu’elles sont consignées, se présentent sous la forme d’un récit non structuré. Il leur manque :
- Des limites claires (À quel domaine précis ces connaissances s'appliquent-elles ?).
- Dépendances explicites (Quels autres processus ou informations cela implique-t-il ?).
- Signaux de confiance (Dans quelle mesure cette recommandation est-elle fiable, et dans quelles conditions ?).
- Déclencheurs de mise à jour (Quand ce contexte expire-t-il ou doit-il faire l'objet d'un réexamen ?).
Un agent qui traite des récits bruts se comporte comme un lecteur novice analysant un compte-rendu de réunion : il en retire des impressions fragmentaires, ce qui entraîne une lenteur opérationnelle et un manque de cohérence.
La solution nécessite un Architecture data qui organise ces informations sous des formats structurés. Cela permet de préserver la richesse de l'intelligence humaine tout en traduisant sa logique, afin que le système puisse réellement “ raisonner ” à partir de ces informations.
Les arguments en faveur du retour sur investissement des pôles de connaissances destinés aux dirigeants
L'argument en faveur de la mise en place de pôles de connaissances au niveau de la direction est simple : chaque heure que vos meilleurs professionnels passent à réexpliquer ce qu'ils savent déjà est une heure perdue pour la création de nouvelle valeur.
Ces systèmes ne visent pas à remplacer les experts, mais à multiplier leur nombre. Lorsque le jugement d’un associé senior est transposé dans un contexte structuré, un jeune professionnel doté de artificial intelligence fonctionne à un niveau de prestation nettement supérieur.
Les décisions qui nécessitaient auparavant d’être transmises à un niveau hiérarchique supérieur peuvent désormais être prises au niveau opérationnel. Cela permet de réduire le délai de mise en route de plusieurs mois à quelques semaines et de relever le niveau d’exigence en matière de Prise de décision data-driven.
Concrètement, cela se traduit comme suit
Les organisations les plus matures dans les domaines de la technologie et de l'innovation mènent à bien cette transition en adoptant trois approches différentes :
- Ils facilitent considérablement la saisie: la capitalisation des connaissances se fait en marge du travail quotidien, et non comme une tâche supplémentaire (à l'aide de comptes-rendus de réunions, de notes vocales et de fils de discussion sur Slack).
- Ils investissent dans des postes dédiés à la gestion des connaissances: elles désignent une personne dont la mission consiste à transformer les données brutes issues de la collecte en un contexte structuré et cohérent. Il s'agit d'une nouvelle fonction qui n'a pas encore trouvé sa place précise dans l'organigramme.
- Ils considèrent le graphe de connaissances comme un produit. Elle comporte des responsables, un système de gestion des versions et des indicateurs de qualité. La question n’est plus “ disposons-nous d’une documentation ? ”, mais plutôt “ dans quelle mesure notre contexte est-il à jour, et où se situent les lacunes ? ”
La conclusion honnête
Un “ deuxième cerveau ” est une transformation organisationnelle à laquelle s’ajoute une dimension technologique.
Les entreprises qui s'imposeront à l'ère des agents sont celles qui auront résolu en premier le problème le plus difficile : extraire les connaissances précises auprès des bonnes personnes, les organiser selon la structure appropriée et les relier au reste de l'entreprise.
Et tout commence par une culture qui rend le partage sûr, visible et gratifiant.
