Votre assistant IA retrouve des documents. Comprend-il votre organisation ?

Une entreprise ivoirienne souhaite mettre en place un assistant pour répondre aux questions de ses collaborateurs. Elle rassemble ses procédures, ses fiches produits et ses documents commerciaux, puis les rend consultables par un modèle d’intelligence artificielle.

Les premiers essais sont encourageants. L’assistant retrouve une procédure, résume un document et explique les caractéristiques d’un produit. Puis un collaborateur pose une question : « Cette remise s’applique-t-elle à ce client, pour cette commande ? »

L’assistant trouve plusieurs passages pertinents. Pourtant, sa réponse est incorrecte. Il a utilisé une ancienne grille tarifaire, confondu deux catégories de clients et ignoré une condition d’approbation.

Cet exemple est fictif. Il illustre une difficulté concrète : retrouver des informations ne garantit pas que le système les applique dans le bon contexte.

Les connaissances d’une organisation sont réparties entre des documents, des bases de données, des outils de travail et l’expérience de ses collaborateurs. Leur sens n’est pas toujours explicite.

Un commercial sait qu’un « client actif » ne désigne pas nécessairement toute personne ayant acheté un produit. Un responsable financier distingue un montant engagé d’un montant payé. Dans une administration, une activité prévue, une action financée et une réalisation achevée correspondent à des situations différentes.

Un assistant peut retrouver ces expressions sans disposer des éléments nécessaires pour les distinguer. Il risque alors de produire une phrase convaincante qui rapproche des informations incompatibles.

Le travail consiste donc à rendre explicites les définitions, les conditions et les relations que les professionnels mobilisent dans leur activité.

Le RAG, ou génération augmentée par la recherche, permet de rechercher des informations dans un corpus et de les fournir au modèle pour préparer sa réponse.

Pour un assistant spécialisé, cette approche peut être très utile. Elle lui donne accès à des contenus propres à l’organisation, qui peuvent évoluer sans nécessiter l’entraînement d’un nouveau modèle.

Sa qualité dépend toutefois de plusieurs choix : les sources retenues, la manière de découper les documents, les informations associées à chaque passage et la pertinence des résultats retrouvés.

Si une procédure ancienne est présentée sans sa date ni son statut, le modèle peut l’utiliser comme si elle était toujours applicable. Si deux formations portent des noms proches, il peut attribuer à l’une les frais ou les conditions de l’autre.

Le rapport Connecting AI agents to enterprise knowledge, publié en octobre 2026 par MIT Technology Review Insights en partenariat avec Neo4j, met en avant l’importance d’une couche de connaissances reliant les données d’une organisation à ses agents IA.

Cette expression désigne un ensemble de moyens permettant de préserver le sens et le contexte des informations. Selon les besoins, cet ensemble peut comprendre un vocabulaire métier, des identifiants communs, des relations entre les objets, des règles d’usage et des informations sur les sources.

Reprenons notre exemple commercial. Pour répondre correctement à la question sur une remise, le système doit pouvoir relier :

• le client à sa catégorie ;
• la commande au produit concerné ;
• le produit à la grille tarifaire applicable ;
• la remise à ses conditions et à son éventuelle approbation.

Il doit également savoir quelle version de la grille fait référence à la date de la commande.

Cette organisation ne supprime pas toute possibilité d’erreur. Elle fournit au système des repères plus précis et facilite la vérification de sa réponse.

Le rapport distingue trois éléments utiles pour comprendre les besoins d’un système IA.

Les connaissances sémantiques portent sur les faits, les concepts, les règles et leurs relations. Elles permettent de comprendre ce qu’un terme signifie dans une organisation. Par exemple : qu’est-ce qu’un dossier complet ? Quelle différence existe entre une cible et une valeur observée ?

La mémoire des interactions conserve des éléments issus des échanges et des actions précédentes. Dans un dialogue d’orientation, elle permet de retenir qu’une personne est en première année, souhaite étudier à distance et a changé de projet. Cette mémoire doit pouvoir tenir compte d’une correction : une information ancienne ne doit pas continuer à guider la réponse lorsqu’elle a été rectifiée.

Les connaissances procédurales décrivent comment une tâche ou une démarche se déroule. Elles peuvent préciser les pièces à réunir, les vérifications à effectuer, les étapes d’approbation et les situations qui nécessitent l’intervention d’un responsable.

Ces éléments se complètent. Connaître la définition d’une procédure ne suffit pas pour l’exécuter ; connaître ses étapes ne dispense pas de vérifier qu’elle s’applique à la situation.

Un graphe de connaissances représente des objets et leurs relations : un établissement propose une formation ; une formation prépare à certains métiers ; une procédure s’applique à une catégorie de demandes.

Cette représentation peut aider lorsque les questions nécessitent de parcourir plusieurs relations. Elle est particulièrement intéressante si les mêmes objets apparaissent dans de nombreuses sources ou si leurs liens doivent être examinés et entretenus.

Toute organisation n’a cependant pas besoin de commencer par une base de graphes. Un dictionnaire contextuel, des fiches structurées et des identifiants cohérents peuvent déjà résoudre une partie des difficultés.

Le choix technique doit partir des questions à traiter. Une recherche dans des documents peut suffire pour retrouver une consigne. Une comparaison entre plusieurs offres demandera davantage de structuration. Une action engageant l’organisation exigera en plus des règles d’autorisation et de contrôle.

Les informations utiles à un assistant ne sont pas nécessairement accessibles à tous ses utilisateurs.

Une procédure générale peut être publique, tandis qu’un dossier individuel ou un tarif négocié est réservé à certaines personnes. Rassembler ou indexer les sources ne doit pas effacer ces distinctions.

Les droits d’accès doivent donc être pris en compte dans la recherche elle-même. L’assistant doit recevoir les informations que l’utilisateur est autorisé à consulter, avec le contexte nécessaire pour les interpréter.

Cette exigence devient encore plus importante lorsqu’un agent peut agir : modifier un dossier, envoyer un message ou déclencher une opération. Les connaissances disponibles et l’autorisation d’agir sont deux questions distinctes.

Un assistant peut répondre correctement à quelques questions préparées et rencontrer des difficultés dès que le vocabulaire, le profil de l’utilisateur ou la formulation change.

L’évaluation doit couvrir des situations variées : une question précise, une comparaison, une correction dans le dialogue, une information absente, une source ancienne ou deux fiches qui semblent se contredire.

Il faut examiner la réponse et les éléments qui la soutiennent. Le système a-t-il retrouvé la bonne source ? A-t-il respecté sa période et sa portée ? A-t-il attribué chaque information au bon objet ? Reconnait-il ce qui reste à vérifier ?

Pour un agent capable d’agir, l’évaluation doit aussi porter sur les permissions, les demandes d’approbation et les possibilités de récupération après une erreur.

La performance se mesure ainsi dans l’usage : pertinence, exactitude, traçabilité, accomplissement de la tâche et corrections nécessaires.

Une organisation peut avancer progressivement en choisissant un petit ensemble de questions utiles. Elle identifie ensuite les sources de référence, clarifie les termes ambigus, rapproche les informations sur les mêmes objets et décrit les règles indispensables.

Les essais révèlent ce qui manque. Certaines erreurs appellent une meilleure recherche ; d’autres, une définition plus claire, une relation explicite ou une règle de vérification.

Ce travail mobilise les experts métier, les documentalistes, les spécialistes des données, les concepteurs et les responsables de l’évaluation. Il doit aussi être entretenu lorsque les documents et les pratiques évoluent.

Cette lecture pédagogique Agora s’appuie sur Connecting AI agents to enterprise knowledge, MIT Technology Review Insights et Neo4j, octobre 2026, notamment les pages 8 et 10 à 16.

Le rapport est sponsorisé par Neo4j et déclare une indépendance éditoriale. Son enquête porte sur 300 dirigeants de grandes entreprises réalisant au moins 500 millions de dollars de chiffre d’affaires annuel. Ses résultats ne décrivent pas les entreprises ivoiriennes et les associations observées ne démontrent pas une causalité. Les exemples locaux de cet article sont fictifs et servent à expliquer les concepts. Cet article constitue une analyse pédagogique Agora, sans valeur de politique officielle ni de recommandation d’un fournisseur.