Vers une industrie nationale de l’ingénierie des connaissances

Une startup développe un assistant pédagogique. Une administration expérimente un outil d’aide à la recherche dans ses procédures. Une entreprise industrielle cherche à mettre les connaissances de ses techniciens à la disposition de ses équipes. Ces initiatives semblent différentes, mais elles rencontrent une même difficulté : transformer des savoirs existants en ressources que des systèmes d’intelligence artificielle peuvent mobiliser de manière fiable.

Le modèle d’IA, l’infrastructure et l’application sont indispensables. Pourtant, dans de nombreux usages sectoriels, ils ne suffisent pas. Il faut également qualifier les sources, formaliser les connaissances, organiser leurs relations, contrôler leur validité et assurer leur maintenance.

Au fil de cette collection, nous avons appelé « compétences invisibles » les savoir-faire professionnels qui rendent possible ce travail, sans être toujours identifiés dans les représentations courantes des métiers de l’IA. La question finale est désormais économique et stratégique : ces compétences peuvent-elles constituer, à l’échelle d’un pays, une activité productive organisée ?

Parler d’une industrie nationale de l’ingénierie des connaissances ne signifie pas imaginer une usine unique ni vouloir centraliser tous les savoirs d’un pays. Il s’agit d’envisager un ensemble d’acteurs capables de produire, de qualifier, de distribuer et de maintenir des produits de connaissances répondant à des besoins identifiés.

Ces produits peuvent prendre la forme de corpus documentaires qualifiés, de référentiels de notions, de bases de règles, de graphes de connaissances, de services d’accès ou de dispositifs de vérification. Leur forme dépend de l’usage. Une application simple peut n’exiger qu’un petit corpus bien organisé ; un système soumis à des règles complexes peut nécessiter une représentation plus formelle.

Le terme « industrie » est ici une perspective de structuration économique et professionnelle. Il ne constitue pas le constat qu’un secteur industriel autonome et mesuré existe déjà en Côte d’Ivoire.

Une chaîne de production de connaissances commence par le cadrage des usages. Elle se poursuit avec l’inventaire et la qualification des sources, l’acquisition des savoirs, leur explicitation, leur structuration et leur validation. Viennent ensuite le conditionnement, la publication, l’évaluation dans les applications et la maintenance.

Chaque étape produit des résultats qui peuvent être documentés : registre des sources, fiches de connaissances, modèles sémantiques, décisions de validation, interfaces, jeux de tests ou dossiers de versionnement.

Cette chaîne ne remplace pas l’ingénierie logicielle ou l’ingénierie des modèles. Elle les complète. Elle permet surtout de comprendre pourquoi une application peut être techniquement fonctionnelle sans être suffisamment fiable, pertinente ou durable dans son domaine.

Le référentiel conceptuel à l’origine de cette collection 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.

Ces familles ne correspondent pas à huit nouveaux métiers à créer obligatoirement. Elles regroupent des capacités déjà présentes, à des degrés divers, chez les documentalistes, statisticiens, informaticiens, enseignants, juristes, agronomes, chercheurs et spécialistes de nombreux autres domaines.

Le défi consiste à développer les spécialisations nécessaires et à organiser la coopération. Un pays peut posséder des professionnels qualifiés sans disposer encore d’équipes capables de produire ensemble des patrimoines de connaissances utilisables par plusieurs applications.

Les établissements d’enseignement supérieur ont un rôle qui dépasse la formation à l’utilisation des outils d’IA. Ils peuvent étudier l’acquisition des savoirs experts, la représentation des concepts, l’évaluation des systèmes, les interactions humain–IA et la gouvernance des connaissances.

Les grands modèles de langage offrent de nouveaux moyens d’extraction, de formalisation et de recherche. Ils posent aussi des questions scientifiques : comment mesurer la fidélité d’une connaissance extraite ? Quand un graphe apporte-t-il un bénéfice réel ? Comment détecter les erreurs ? Comment comparer les coûts et la qualité de différentes architectures ?

Des projets interdisciplinaires associant laboratoires, experts métier et porteurs d’applications peuvent produire des méthodes, des outils et des résultats vérifiables. Leur intérêt doit être évalué par des expérimentations, et non présumé à partir de démonstrations séduisantes.

Le développement des compétences peut emprunter plusieurs voies. Les spécialistes techniques peuvent approfondir l’architecture des connaissances, les pipelines de données et l’évaluation. Les professionnels des secteurs peuvent apprendre à formaliser leurs savoirs et à participer à la validation des applications. D’autres profils peuvent se spécialiser dans la gouvernance, la qualité et la coordination.

Ces parcours gagnent à reposer sur des réalisations observables : un corpus qualifié, un référentiel structuré, un protocole de test, un registre de provenance ou un projet mené avec des experts métier.

Il ne s’agit pas d’annoncer de nouveaux diplômes ou certifications sans étude préalable. La première étape consiste à cartographier les formations existantes, les compétences démontrées et les besoins réels des organisations.

Une opportunité entrepreneuriale pourrait apparaître pour des entreprises qui préparent des corpus, formalisent des connaissances métier, conçoivent des référentiels sémantiques, organisent les validations ou maintiennent des patrimoines destinés à l’IA.

Un cabinet spécialisé dans l’éducation pourrait travailler avec des enseignants pour constituer des ressources pédagogiques utilisables par plusieurs applications. Un autre pourrait accompagner une entreprise industrielle dans la structuration de ses procédures et de ses retours d’expérience.

Ces prestations nécessitent un modèle économique rigoureux. Les coûts ne se limitent pas aux logiciels : il faut rémunérer les experts, traiter les droits, contrôler la qualité et financer les mises à jour. L’existence d’une opportunité ne démontre pas encore la présence d’un marché solvable. Les premiers projets doivent donc servir à mesurer la demande et la valeur créée.

Les entreprises disposent de connaissances métier susceptibles d’améliorer leurs outils de maintenance, de formation, de conformité ou de service client. Les administrations détiennent des procédures et référentiels qui peuvent soutenir des services d’information plus accessibles.

Mais toutes les ressources ne doivent pas être transformées en produits d’IA. Certaines sont confidentielles, d’autres trop instables, insuffisamment fiables ou peu utiles pour les fonctions envisagées.

Une demande mature commence par des usages précis, des exigences de qualité, une estimation des coûts et une répartition claire des responsabilités. La commande de prestations doit porter sur des livrables vérifiables plutôt que sur la promesse vague de « rendre tous les documents intelligents ».

Une démonstration technologique réussie ne garantit pas la solidité d’une entreprise d’IA. Les investisseurs doivent aussi examiner la provenance des ressources, les droits d’exploitation, la qualité des référentiels, la capacité d’évaluation et les coûts de maintenance.

Un patrimoine de connaissances peut être un actif différenciant lorsqu’il est utile, juridiquement exploitable, difficile à reproduire et régulièrement amélioré. Il peut également devenir une charge si ses coûts sont élevés ou si sa valeur pour les utilisateurs reste faible.

Cette analyse complète les critères habituels de marché, de revenus, de distribution, de concurrence et de capacité d’exécution. Elle évite de confondre sophistication de l’architecture et viabilité économique.

Lorsque plusieurs acteurs ont besoin de références comparables, certaines ressources ou méthodes peuvent être mutualisées. Il peut s’agir de référentiels, d’outils de qualification, de compétences spécialisées ou de services d’accès aux connaissances.

Dans l’éducation, plusieurs startups pourraient exploiter certaines ressources pédagogiques communes, sous réserve des droits et validations nécessaires. Dans l’administration, des référentiels partagés pourraient favoriser la cohérence de plusieurs services.

Mais la mutualisation n’est pas toujours souhaitable. Elle peut créer des dépendances, accroître les risques de propagation d’erreurs ou compliquer la gouvernance. Il faut comparer les coûts et bénéfices d’une solution partagée à ceux d’organisations indépendantes.

Certains services pourraient, dans des conditions précises, compléter les infrastructures publiques numériques. Cela ne signifie pas que toute base documentaire, tout graphe ou tout RAG constitue automatiquement une Digital Public Infrastructure.

Les connaissances ne sont pas des ressources neutres. Elles ont des producteurs, des détenteurs, des droits, des versions, des conditions d’application et parfois des autorités de validation.

Une organisation productive doit distinguer celui qui collecte ou formalise une connaissance, celui qui en vérifie le contenu et celui qui autorise sa publication. Elle doit prévoir les corrections, les suspensions et les retraits lorsque des erreurs sont découvertes.

Dans les secteurs sensibles, les exigences de protection des données et de contrôle humain sont particulièrement importantes. Une infrastructure partagée sans gouvernance claire peut amplifier les risques plutôt que les réduire.

Un projet peut réussir sa première démonstration puis perdre sa valeur faute de moyens pour actualiser les ressources, traiter les incidents et vérifier les nouvelles versions.

Les coûts récurrents comprennent notamment les experts métier, les licences, la gestion des versions, les contrôles qualité, les interfaces et l’exploitation technique. La valeur d’un patrimoine doit donc être appréciée sur son cycle de vie complet.

Pour les pouvoirs publics comme pour les entreprises, cette perspective appelle des modèles de financement durables. La production initiale ne constitue qu’une partie de l’investissement nécessaire.

Une démarche progressive pourrait commencer par sélectionner quelques cas d’usage où les besoins de connaissances sont précis, les sources accessibles et les responsables métier identifiables.

Chaque pilote devrait produire des ressources qualifiées, des procédures documentées, des tests et un bilan de coûts. Les projets pourraient être conduits dans des secteurs différents afin de distinguer les méthodes réutilisables des exigences spécifiques.

Les enseignements permettraient ensuite d’identifier les compétences rares, les besoins de formation, les outils mutualisables et les opportunités de prestations spécialisées. Il serait prématuré de choisir une architecture nationale unique avant ces vérifications.

L’objectif initial ne serait pas de construire une grande plateforme, mais de démontrer une capacité reproductible à produire des connaissances fiables pour des applications réelles.

Une stratégie crédible doit s’appuyer sur des preuves : compétences démontrées, équipes opérationnelles, patrimoines qualifiés, ressources effectivement réutilisées, délais de correction, coûts complets et résultats des applications.

Le nombre de documents collectés ou de personnes formées ne suffit pas à établir une capacité productive. Il faut également vérifier la qualité, la maintenance et l’utilité.

Les indicateurs doivent être définis avec leurs unités, périmètres et limites. Une enquête partielle ne doit pas être présentée comme une mesure exhaustive de la situation nationale.

La Côte d’Ivoire peut examiner cette problématique en mobilisant ses institutions d’enseignement, ses administrations, ses entreprises, ses laboratoires et ses professionnels sectoriels. Les connaissances nécessaires aux applications locales ne sont pas toutes contenues dans les modèles généralistes.

Le développement de capacités d’ingénierie des connaissances pourrait contribuer à la qualité des services numériques, à la spécialisation des professionnels et à l’émergence de nouvelles prestations économiques.

Cette perspective constitue une proposition d’analyse et de prospective. Elle ne doit pas être confondue avec l’annonce d’une politique publique, d’un programme de financement ou d’une nouvelle infrastructure nationale déjà décidés.

Cette collection est partie d’une question simple : qui prépare les connaissances dont un assistant intelligent a besoin pour fonctionner correctement dans un domaine précis ?

Elle a montré que les applications d’IA peuvent mobiliser bien davantage que des développeurs et des spécialistes des modèles. Documentalistes, experts métier, ingénieurs des connaissances, spécialistes sémantiques, responsables de gouvernance et évaluateurs participent, chacun à leur manière, à la construction de services fiables.

Elle a également montré que ces compétences peuvent être organisées en équipes, en parcours de formation, en laboratoires, en entreprises spécialisées et, lorsque les conditions le justifient, en services de connaissances partagés.

L’enjeu stratégique n’est donc pas seulement d’accéder à l’intelligence artificielle. Il est de construire les capacités humaines et organisationnelles qui permettent de mobiliser durablement les savoirs d’un pays au service d’applications utiles.

Une industrie nationale de l’ingénierie des connaissances n’est pas une réalité à décréter. C’est une possibilité à explorer, à éprouver par des projets concrets et à construire sur des compétences, des preuves de qualité, une demande réelle et des responsabilités clairement établies.