Les cabinets d’ingénierie des connaissances : une opportunité entrepreneuriale

Une entreprise souhaite développer un assistant capable de répondre aux questions de ses techniciens. Elle dispose de manuels, de procédures, de comptes rendus d’intervention et de collaborateurs expérimentés. Elle a identifié un modèle d’intelligence artificielle et un prestataire pour construire l’application. Mais une difficulté demeure : qui va organiser les connaissances dont le service dépend ?

Il faut identifier les sources fiables, comprendre les procédures, recueillir les savoirs des experts, formaliser les règles, structurer les ressources et définir les contrôles de qualité. Ces opérations ne relèvent pas toutes du développement logiciel.

Cette situation suggère une opportunité entrepreneuriale : des entreprises spécialisées pourraient proposer aux organisations les compétences et les méthodes nécessaires pour transformer leurs connaissances en ressources exploitables par l’IA. Nous les désignerons ici, à titre de catégorie prospective, comme des cabinets d’ingénierie des connaissances pour l’IA.

De nombreuses organisations possèdent des données, des documents et des savoir-faire, sans disposer des équipes nécessaires pour les rendre utilisables dans un assistant spécialisé. Elles peuvent acheter un accès à un modèle ou confier le développement d’une interface à un prestataire. Elles ont parfois davantage de difficultés à organiser le patrimoine de connaissances métier.

Un cabinet spécialisé pourrait intervenir précisément sur cette partie du projet. Sa prestation ne consisterait pas simplement à télécharger des documents ou à connecter une base vectorielle. Elle viserait à produire des ressources qualifiées, documentées, validables et maintenables, adaptées à des fonctions clairement définies.

Ce besoin potentiel doit cependant être distingué de l’existence démontrée d’un marché. Sa taille, la capacité de paiement des clients et la rentabilité des prestations restent à étudier. L’objet de cet article est d’explorer une possibilité économique et les conditions qui pourraient la rendre viable.

Une première offre concernerait l’audit des connaissances disponibles : inventaire des sources, identification des détenteurs de savoirs, analyse des droits, appréciation de la qualité et cartographie des lacunes.

Une deuxième offre porterait sur la préparation des corpus : extraction fidèle, structuration des documents, métadonnées, gestion des versions et préparation des ressources pour des systèmes de recherche augmentée, ou RAG.

Une troisième offre viserait la formalisation des connaissances métier : entretiens avec les experts, identification des concepts, description des règles, des méthodes, des exceptions et des conditions d’application.

Des prestations plus spécialisées pourraient porter sur les taxonomies, les ontologies, les graphes de connaissances, les référentiels de règles, les mécanismes de provenance ou l’interopérabilité sémantique.

Enfin, un cabinet pourrait proposer l’évaluation des applications IA métier, la gouvernance des connaissances et leur maintenance. Ces activités pourraient être commercialisées séparément ou réunies dans un accompagnement couvrant tout le cycle de vie.

Imaginons une jeune entreprise ivoirienne qui se spécialise dans la préparation de patrimoines pédagogiques pour les applications d’IA. Elle ne développe pas nécessairement un assistant destiné aux élèves. Elle fournit aux startups éducatives les ressources et services nécessaires pour construire leurs propres applications.

Elle pourrait commencer par un périmètre limité : un niveau scolaire, une discipline et un ensemble de notions. Avec les autorisations nécessaires, elle recueillerait des programmes et des supports, organiserait des exercices et des corrigés, puis travaillerait avec des enseignants pour formaliser les prérequis et les méthodes pédagogiques.

Elle pourrait livrer un corpus qualifié, des fiches structurées, un référentiel de notions, des critères de validation et des interfaces d’accès. Plusieurs applications pourraient éventuellement réutiliser certaines ressources, dans le respect des droits et des accords contractuels.

Cette organisation pourrait réduire les duplications et faciliter la spécialisation des startups clientes. Mais sa pertinence économique dépendrait du nombre de clients, de leur volonté de payer, des coûts de validation et des conditions de maintenance.

Les besoins d’une administration ne sont pas ceux d’un établissement scolaire, d’un industriel ou d’une entreprise agricole. Les connaissances, les règles de validation, les risques et les responsabilités diffèrent.

Un cabinet peut donc choisir une spécialisation sectorielle. Dans l’administration, il travaillerait sur les procédures, les textes et les référentiels institutionnels. Dans l’industrie, sur les manuels techniques, les diagnostics et les retours d’expérience. Dans l’agriculture, sur des connaissances agronomiques contextualisées.

Cette spécialisation peut faciliter l’acquisition d’une expertise métier et de méthodes reproductibles. Elle comporte aussi un risque de dépendance à un nombre restreint de clients. Le positionnement doit être choisi en fonction de la demande et des capacités réellement disponibles.

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

Un cabinet naissant n’a pas besoin de recruter huit spécialistes à temps plein. Il peut constituer un noyau capable de cadrer les besoins, préparer les ressources, formaliser les connaissances et organiser les validations, puis s’appuyer sur des partenaires techniques et sectoriels.

Le point essentiel est de distinguer la production d’un contenu, sa vérification et l’autorisation de son utilisation. Une entreprise qui formalise une procédure administrative ne détient pas automatiquement l’autorité pour la déclarer officielle. Un cabinet qui prépare des connaissances médicales ne se substitue pas aux professionnels habilités à les valider.

Une première modalité commerciale serait la mission de conseil : audit, cadrage, conception d’un référentiel ou préparation d’un corpus. Elle permet de répondre à un besoin défini et de produire des livrables clairement identifiables.

Une deuxième modalité serait la réalisation au forfait ou en régie d’un patrimoine de connaissances, avec des critères de recette convenus. Elle exige de maîtriser les risques de périmètre, de qualité et de disponibilité des experts.

Une troisième modalité serait la maintenance récurrente : actualisation des sources, gestion des versions, vérification des changements et tests de non-régression. Cette activité peut contribuer à stabiliser les revenus, mais elle crée des obligations de service et des coûts permanents.

Enfin, certains prestataires pourraient développer des services ou produits de connaissances réutilisables, accessibles par abonnement ou API. Ce modèle nécessite des droits suffisamment clairs, une demande répétée et un dispositif de gouvernance adapté.

Les coûts d’un cabinet ne se limitent pas à l’accès aux modèles d’IA ou à l’hébergement. Ils comprennent le temps des experts, l’acquisition et la préparation des ressources, la validation, les licences, les outils, l’assurance qualité et la maintenance.

Certaines tâches peuvent être accélérées par l’IA générative : extraction de concepts, classification, comparaison de versions ou préparation de fiches. Mais les résultats doivent être contrôlés. Une automatisation qui augmente le volume d’erreurs peut réduire la rentabilité au lieu de l’améliorer.

Avant de fixer ses prix, le cabinet doit estimer les unités de travail pertinentes, la complexité des sources, les niveaux de contrôle exigés et les responsabilités contractuelles. Le nombre de pages traitées ou de documents indexés ne suffit pas toujours à mesurer la valeur produite.

Un intégrateur peut construire une application complète, et certaines entreprises de développement disposent déjà de compétences en données, RAG ou représentation des connaissances. La frontière entre métiers n’est donc pas absolue.

Un cabinet spécialisé doit démontrer une valeur propre : qualité documentaire, maîtrise des méthodes d’explicitation, compétence sectorielle, traçabilité, capacité de validation, interopérabilité et maintenance.

Sa différenciation ne devrait pas reposer sur un vocabulaire technique impressionnant. Elle devrait être observable dans ses livrables, ses procédures, ses tests et sa capacité à expliquer les limites de ses résultats.

Des partenariats avec des développeurs, des laboratoires ou des experts métier peuvent être plus pertinents qu’une volonté de tout réaliser seul.

Un cabinet peut travailler sur des documents publics, des ressources sous licence, des procédures confidentielles ou des connaissances issues d’entretiens avec les salariés d’un client. Ces situations n’autorisent pas les mêmes usages.

Les contrats doivent préciser les droits d’accès, les transformations autorisées, la propriété des livrables, les conditions de réutilisation, les obligations de confidentialité et les responsabilités de maintenance.

Un prestataire ne peut pas présumer qu’il est libre de commercialiser à d’autres clients un corpus constitué pour une organisation. À l’inverse, un produit mutualisé peut nécessiter des accords explicites avec plusieurs détenteurs de ressources.

La confiance juridique et organisationnelle peut devenir un facteur de différenciation aussi important que la performance technique.

Un cabinet émergent pourrait commencer par un démonstrateur sur un domaine limité, en utilisant des sources ouvertes ou dûment autorisées. Il produirait un registre de sources, un petit référentiel structuré, un protocole de validation et un rapport de tests.

Il pourrait ensuite réaliser une première mission pilote avec un client, en documentant les coûts, les délais, les corrections et les bénéfices observés. Les résultats permettraient de stabiliser une méthode et d’identifier les prestations réellement demandées.

Enfin, il pourrait standardiser certaines opérations, développer des outils réutilisables et proposer des services de maintenance. Le passage à l’échelle devrait être fondé sur la répétabilité des besoins et la soutenabilité économique, non sur la seule ambition technologique.

Si une demande suffisante se développe, des entreprises spécialisées pourraient contribuer à diffuser les compétences d’ingénierie des connaissances dans plusieurs secteurs. Elles offriraient aux startups, administrations et entreprises des capacités qu’il serait coûteux de constituer isolément.

Les universités et centres de recherche pourraient participer à la formation des spécialistes et à l’évaluation des méthodes. Les organisations professionnelles pourraient contribuer à la qualification des besoins et à la mise en relation avec les experts métier.

Cette perspective ouvre une réflexion sur l’émergence d’une activité économique de production de connaissances pour l’IA. Elle ne constitue pas une annonce de dispositif public, de financement ou de programme d’accompagnement déjà décidé.

L’essor de l’IA générative facilite l’accès aux modèles et aux outils de développement. Mais il ne supprime pas le besoin de connaissances sectorielles fiables, structurées et maintenues.

Ce besoin peut ouvrir un espace à des cabinets spécialisés, capables d’organiser la coopération entre documentalistes, ingénieurs des connaissances, experts métier, développeurs et évaluateurs.

Pour transformer cette possibilité en activité économique durable, il faudra démontrer l’existence d’une demande, la valeur des prestations, la maîtrise des droits et la capacité à produire à des coûts soutenables.