Entreprises : vos connaissances métier peuvent devenir votre avantage dans l’IA

Dans une entreprise industrielle, un technicien expérimenté sait reconnaître les signes d’une panne avant qu’elle ne survienne. Dans une banque, des spécialistes savent interpréter des situations inhabituelles. Dans une entreprise de distribution, les équipes commerciales connaissent les habitudes des clients, les contraintes du terrain et les exceptions aux procédures.

Ces connaissances représentent une partie du capital de l’entreprise. Elles sont présentes dans les documents, les systèmes d’information, les échanges entre collaborateurs et les pratiques professionnelles. Pourtant, lorsqu’une entreprise souhaite développer un assistant d’intelligence artificielle, elle commence souvent par se demander quel modèle choisir, quelle plateforme utiliser ou quel prestataire recruter.

Une autre question mérite d’être posée dès le départ : quelles connaissances propres à notre activité pourraient rendre cette application réellement utile et pertinente ?

Les modèles d’intelligence artificielle généralistes disposent de capacités importantes. Ils peuvent rédiger, expliquer, synthétiser et raisonner sur de nombreux sujets. Mais ils ne connaissent pas nécessairement les procédures internes à jour, les conventions de gestion, les spécificités des produits, les pratiques des équipes ou les décisions qui font autorité dans une organisation.

Un assistant destiné au service client doit connaître les offres réellement commercialisées, les conditions applicables et les règles de traitement des demandes. Un assistant de maintenance doit pouvoir accéder aux manuels, historiques d’incidents et procédures de sécurité pertinents. Un outil d’aide aux achats doit distinguer les politiques internes des informations générales disponibles sur Internet.

Il ne s’agit pas de réentraîner systématiquement un modèle sur toutes les données de l’entreprise. Selon les besoins, il peut être préférable de lui donner accès à des sources qualifiées, à des référentiels structurés ou à des outils métier, avec les contrôles appropriés.

Une entreprise peut posséder d’importants volumes de données sans disposer d’un patrimoine de connaissances directement exploitable. Les données enregistrent des faits, des opérations ou des mesures. Les documents décrivent des procédures, des produits et des décisions. Les savoir-faire professionnels permettent de comprendre comment agir dans une situation particulière.

Ces trois ressources sont complémentaires. Une base de transactions peut révéler des tendances. Une procédure explique ce qui doit être fait. Un expert métier sait parfois pourquoi une exception est justifiée ou pourquoi une recommandation ne convient pas à un cas précis.

Transformer cet ensemble en ressources pour l’IA exige d’identifier les sources, d’en préserver le contexte, de clarifier les règles et de documenter les conditions d’application. C’est le domaine de l’ingénierie des connaissances et des disciplines qui lui sont associées.

Imaginons une entreprise qui souhaite équiper ses techniciens d’un assistant capable de les aider à diagnostiquer certaines pannes. L’application peut consulter des notices, des procédures de maintenance, des historiques d’intervention et des descriptions de symptômes.

Mais une notice ne suffit pas toujours. Les techniciens expérimentés connaissent des cas particuliers, des conditions de fonctionnement et des indices qui ne figurent pas dans les manuels. Il faut recueillir ces éléments, les confronter aux recommandations des fabricants et préciser ce qui relève d’une observation, d’une hypothèse ou d’une procédure validée.

Pour les interventions présentant des risques, l’assistant ne doit pas se substituer aux consignes de sécurité, aux habilitations ni aux décisions des professionnels compétents. Sa valeur dépend notamment de sa capacité à retrouver la bonne information, à reconnaître ses limites et à orienter l’utilisateur vers les procédures autorisées.

Le projet mobilise donc des ingénieurs IA, mais aussi des techniciens, des spécialistes documentaires, des responsables qualité, des experts sécurité et des professionnels capables d’évaluer les réponses.

Une partie du savoir-faire d’une entreprise repose sur des personnes. Lorsqu’un collaborateur expérimenté part à la retraite ou change de poste, certaines connaissances peuvent devenir difficiles à retrouver.

Les démarches de capitalisation existent depuis longtemps : entretiens, retours d’expérience, communautés de pratique, guides et bases de connaissances. L’IA générative peut faciliter certains traitements, mais elle ne supprime pas la difficulté de l’explicitation.

Un expert peut décrire une pratique qui fonctionne dans son contexte sans que celle-ci soit applicable partout. La formalisation doit donc préserver les conditions, les exceptions, les désaccords et les limites. Une proposition produite par un modèle ne devient pas une règle métier validée par le seul fait qu’elle est bien rédigée.

Le manuscrit « Les compétences invisibles de l’intelligence artificielle » propose huit familles fonctionnelles : ingénierie documentaire ; ingénierie des connaissances ; ingénierie ontologique et sémantique ; ingénierie des données ; ingénierie cognitive ; ingénierie pédagogique et sectorielle ; curation et gouvernance des connaissances ; évaluation des systèmes d’IA métier.

Dans l’entreprise, ces compétences se traduisent par des activités concrètes : qualifier des documents, expliciter des procédures, relier des notions, structurer des données, comprendre les tâches des utilisateurs, valider les règles métier, gérer les versions et tester les réponses.

Il ne s’agit pas de créer huit postes pour chaque projet. Une équipe réduite peut réunir plusieurs fonctions, mobiliser des experts internes et faire appel à des prestataires spécialisés. L’essentiel est de savoir qui produit, qui contrôle et qui autorise l’utilisation des connaissances.

Déposer des centaines de fichiers dans une plateforme peut constituer un premier pas. Mais l’accumulation documentaire ne garantit ni la pertinence des réponses ni la qualité du service.

Une démarche structurée commence par les usages. Quelles questions l’assistant doit-il traiter ? Quelles décisions peut-il éclairer ? Quelles sources font autorité ? Quelles réponses exigent une vérification humaine ?

Elle se poursuit par la qualification des ressources : provenance, versions, droits, périmètre et qualité. Certaines informations seront rendues accessibles par recherche documentaire ; d’autres devront être représentées sous forme de fiches, de données structurées ou de règles contrôlables.

Le choix entre modèle généraliste, recherche augmentée (RAG), graphe de connaissances ou outils spécialisés doit dépendre des besoins. Une architecture sophistiquée ne constitue pas, en soi, une preuve de valeur.

Une entreprise modifie régulièrement ses offres, ses prix, ses procédures, ses règles de conformité et ses référentiels techniques. Un assistant peut devenir trompeur s’il utilise une ancienne version ou présente une synthèse interne comme une règle officiellement approuvée.

Chaque ressource critique devrait pouvoir être reliée à une source, à une période de validité, à un responsable et à un statut de validation. Les corrections doivent être propagées aux index et aux applications qui utilisent ces contenus.

Les droits d’accès constituent une autre exigence. Une application destinée à tous les salariés ne doit pas nécessairement pouvoir consulter les dossiers de ressources humaines, les contrats confidentiels ou les données personnelles des clients. Les permissions doivent être appliquées dans les services d’accès aux connaissances, pas seulement dans l’interface.

Le succès d’un assistant IA ne devrait pas être apprécié uniquement à partir de la qualité de sa démonstration. Il faut examiner la justesse des réponses, la pertinence des sources, la réduction des erreurs, le temps réellement économisé et les effets sur les activités professionnelles.

Les coûts doivent également être pris en compte : acquisition et préparation des ressources, validation métier, licences, infrastructure, exploitation et maintenance. Un projet qui paraît peu coûteux au stade du prototype peut nécessiter des efforts importants pour rester fiable à grande échelle.

Les indicateurs doivent être adaptés au cas d’usage. Dans la maintenance, on pourra examiner la qualité du diagnostic et le respect des procédures. Dans le service client, la résolution des demandes et les erreurs de réponse. Dans les fonctions support, la qualité des documents et le temps de vérification.

Il convient de distinguer les bénéfices mesurés des gains seulement attendus. L’IA peut améliorer la productivité, mais ces effets doivent être démontrés dans les conditions réelles d’utilisation.

Une entreprise peut commencer par un périmètre limité, avec des connaissances déjà disponibles et un besoin clairement identifié. Elle sélectionne un cas d’usage, recense les sources, désigne les experts métier et fixe les critères de réussite avant de construire le prototype.

Le pilote devrait produire au minimum un registre de sources, un corpus ou référentiel qualifié, une description des comportements attendus, des scénarios de test et un dispositif simple de maintenance.

Les résultats permettront de décider s’il faut enrichir les connaissances, modifier l’architecture, renforcer les contrôles ou élargir le périmètre. Cette progression limite les investissements prématurés et facilite l’apprentissage collectif.

Une fois organisées, certaines connaissances peuvent servir à plusieurs applications internes : assistance aux collaborateurs, formation, maintenance, conformité, recherche documentaire ou appui à la décision. Leur réutilisation peut réduire des travaux redondants, sous réserve de leur pertinence et de leurs conditions d’accès.

Dans certains cas, des produits ou services de connaissances peuvent aussi être proposés à des partenaires. Mais cette perspective dépend des droits de propriété intellectuelle, des obligations de confidentialité, de la concurrence et de la capacité à maintenir les ressources.

Elle peut faire émerger une demande pour des cabinets d’ingénierie documentaire, des spécialistes de formalisation métier, des évaluateurs IA et des prestataires de gouvernance. Il s’agit d’opportunités à étudier, non de marchés dont la taille serait déjà établie.

Les entreprises n’ont pas besoin de reconstruire les connaissances générales déjà accessibles aux modèles d’IA. Elles doivent en revanche déterminer quelles connaissances propres à leurs activités rendent un service plus exact, plus pertinent et plus utile.

Cet avantage potentiel ne tient pas seulement au volume de documents possédés. Il dépend de leur qualité, de leur organisation, de leurs droits d’utilisation, de leur actualisation et des compétences capables de les transformer en ressources exploitables.

Dans de nombreux projets, la question décisive n’est donc pas uniquement : « Quel modèle allons-nous utiliser ? » Elle devient : « Comment allons-nous mobiliser durablement ce que notre entreprise sait ? »