Accueil
Accueil
Envoyer à un ami
Version imprimable
Partager
Une entreprise industrielle interroge son assistant IA pour comprendre l’échec du déploiement d’un outil de maintenance. Celui-ci conclut à une résistance des techniciens, sans connaître les formations tardives, les problèmes de connexion et les données manquantes. Sa réponse est cohérente, mais incomplète, et risque de conduire l’entreprise,à reproduire les mêmes erreurs.
Derrière une réponse convaincante, une connaissance parfois incomplète
L’IA générative change la manière d’accéder aux connaissances de l’organisation. Plutôt que de parcourir plusieurs procédures, rapports ou retours d’expérience, le collaborateur pose une question et obtient directement une synthèse.
Cette facilité d’accès impose toutefois de nouvelles exigences. Il ne suffit plus de conserver les documents : l’organisation doit identifier les contenus de référence, les actualiser et préciser leur contexte d’utilisation. Sans ce travail, l’IA rend l’information plus accessible, mais pas nécessairement plus pertinente.
Un retour d’expérience utile doit ainsi présenter les faits, leurs causes, les conditions dans lesquelles ils se sont produits et les enseignements à retenir. L’IA pourra alors restituer non seulement une conclusion, mais également les éléments nécessaires pour l’interpréter et l’appliquer correctement.
Cette facilité d’accès impose toutefois de nouvelles exigences. Il ne suffit plus de conserver les documents : l’organisation doit identifier les contenus de référence, les actualiser et préciser leur contexte d’utilisation. Sans ce travail, l’IA rend l’information plus accessible, mais pas nécessairement plus pertinente.
Un retour d’expérience utile doit ainsi présenter les faits, leurs causes, les conditions dans lesquelles ils se sont produits et les enseignements à retenir. L’IA pourra alors restituer non seulement une conclusion, mais également les éléments nécessaires pour l’interpréter et l’appliquer correctement.
Vers un accès plus intelligent aux connaissances
Dans le podcast Semantic Search in the AI Era, Lulit Tesfaye d’Enterprise Knowledge reçoit Ole Olesen-Bagneux, spécialiste de la gestion des métadonnées, pour explorer la transformation de la recherche d’information par l’IA. L’enjeu n’est plus seulement de retrouver un document, mais d’identifier la connaissance pertinente, même lorsqu’elle est formulée ou classée différemment.
Concrètement, une recherche classique sur un « retard fournisseur » repérera surtout les documents contenant ces mots. Une recherche sémantique pourra également faire remonter une analyse portant sur le « risque d’approvisionnement », une évaluation fournisseur ou une procédure de continuité d’activité. Elle crée ainsi des passerelles entre des contenus qui traitent du même sujet sans utiliser le même vocabulaire.
Les taxonomies, les métadonnées et les graphes de connaissances structurent ces relations pour les rendre exploitables par l’IA. Ils ne remplacent ni la qualité des contenus ni leur validation, mais permettent aux collaborateurs de retrouver plus rapidement une connaissance organisée, contextualisée et directement mobilisable dans leur travail.
Concrètement, une recherche classique sur un « retard fournisseur » repérera surtout les documents contenant ces mots. Une recherche sémantique pourra également faire remonter une analyse portant sur le « risque d’approvisionnement », une évaluation fournisseur ou une procédure de continuité d’activité. Elle crée ainsi des passerelles entre des contenus qui traitent du même sujet sans utiliser le même vocabulaire.
Les taxonomies, les métadonnées et les graphes de connaissances structurent ces relations pour les rendre exploitables par l’IA. Ils ne remplacent ni la qualité des contenus ni leur validation, mais permettent aux collaborateurs de retrouver plus rapidement une connaissance organisée, contextualisée et directement mobilisable dans leur travail.
L’IA facilite la capitalisation, l’humain en garde la maîtrise
Après avoir résolu une panne inhabituelle, un technicien ouvre, depuis son téléphone ou son ordinateur, un assistant IA accessible dans Teams, sur l’intranet ou via un simple formulaire interne. Il décrit oralement ou par écrit le problème, sa cause et la solution appliquée. En quelques instants, l’assistant transforme son explication en un retour d’expérience structuré.
Le technicien relit la synthèse, la complète et décide de la soumettre à validation. Un expert métier vérifie alors que la solution est fiable, reproductible et conforme avant son intégration à la base de connaissances. L’IA simplifie ainsi la capitalisation, tandis que les professionnels gardent la maîtrise des contenus conservés et partagés.
Le technicien relit la synthèse, la complète et décide de la soumettre à validation. Un expert métier vérifie alors que la solution est fiable, reproductible et conforme avant son intégration à la base de connaissances. L’IA simplifie ainsi la capitalisation, tandis que les professionnels gardent la maîtrise des contenus conservés et partagés.
La confiance, condition d’une capitalisation responsable
Imaginons qu’une équipe projet échange dans Teams après le retard d’un déploiement informatique. Au fil de la discussion, elle identifie la cause : les droits d’accès des utilisateurs n’avaient pas été configurés à temps. Elle définit ensuite une solution et convient de vérifier ces accès avant chaque nouveau déploiement.
Une fois le problème résolu, le chef de projet sélectionne uniquement les messages qui expliquent la cause, la solution et la mesure préventive, puis active l’option « Créer un retour d’expérience ». L’assistant IA prépare une synthèse, signale les données sensibles et propose un niveau de diffusion. Les membres concernés peuvent la corriger, la compléter ou refuser sa publication.
L’organisation doit parallèlement préciser quels espaces peuvent être utilisés, dans quel objectif et pendant combien de temps les données sont conservées. La capitalisation devient ainsi une démarche volontaire et encadrée, plutôt qu’une analyse permanente des conversations.
Une fois le problème résolu, le chef de projet sélectionne uniquement les messages qui expliquent la cause, la solution et la mesure préventive, puis active l’option « Créer un retour d’expérience ». L’assistant IA prépare une synthèse, signale les données sensibles et propose un niveau de diffusion. Les membres concernés peuvent la corriger, la compléter ou refuser sa publication.
L’organisation doit parallèlement préciser quels espaces peuvent être utilisés, dans quel objectif et pendant combien de temps les données sont conservées. La capitalisation devient ainsi une démarche volontaire et encadrée, plutôt qu’une analyse permanente des conversations.
Une réponse fiable commence par une source vérifiable
Un responsable de site demande à l’assistant IA quelle procédure appliquer avant une intervention sur un équipement. Celui-ci retrouve deux documents : une procédure datant de 2024 et une version révisée en 2026, dont certaines consignes diffèrent. Plutôt que de produire une réponse définitive, l’assistant signale la contradiction, affiche les sources, leur date et leur version, puis oriente le responsable vers l’expert chargé de valider le contenu.
Une connaissance n’est en effet utilisable que si son origine et sa validité peuvent être vérifiées. Le Knowledge Management doit donc permettre d’identifier les documents de référence, d’organiser leur mise à jour et de retirer les versions obsolètes. Cette exigence rejoint les recommandations du National Institute of Standards and Technology (NIST), organisme public américain qui propose un cadre pour identifier et maîtriser les risques propres à l’IA générative.
Elle fait également écho aux témoignages réunis par l’APQC, organisation spécialisée dans le Knowledge Management et l’amélioration des processus. Ces témoignages soulignent que l’IA apporte davantage de valeur lorsqu’elle s’appuie sur des données fiables et des processus structurés. L’assistant IA peut ainsi retrouver, relier et synthétiser les connaissances. Les collaborateurs restent toutefois responsables de leur contextualisation, de leur validation et de leur mise à jour. C’est cette complémentarité qui permet de construire une mémoire organisationnelle fiable.
L’IA n’est fiable que si elle s’appuie sur des connaissances à jour, contextualisées et validées
Une connaissance n’est en effet utilisable que si son origine et sa validité peuvent être vérifiées. Le Knowledge Management doit donc permettre d’identifier les documents de référence, d’organiser leur mise à jour et de retirer les versions obsolètes. Cette exigence rejoint les recommandations du National Institute of Standards and Technology (NIST), organisme public américain qui propose un cadre pour identifier et maîtriser les risques propres à l’IA générative.
Elle fait également écho aux témoignages réunis par l’APQC, organisation spécialisée dans le Knowledge Management et l’amélioration des processus. Ces témoignages soulignent que l’IA apporte davantage de valeur lorsqu’elle s’appuie sur des données fiables et des processus structurés. L’assistant IA peut ainsi retrouver, relier et synthétiser les connaissances. Les collaborateurs restent toutefois responsables de leur contextualisation, de leur validation et de leur mise à jour. C’est cette complémentarité qui permet de construire une mémoire organisationnelle fiable.
L’IA n’est fiable que si elle s’appuie sur des connaissances à jour, contextualisées et validées
Références
Lulit Tesfaye, Knowledge Cast – SLS 2026 – Ole Olesen-Bagneux: Semantic Search in the AI Era, Enterprise Knowledge, 2026.
Guillermo Galdamez et Elliott Risch, How KM Leverages Semantics for AI Success,
Enterprise Knowledge, 2025.
NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence, Profile, NIST AI 600-1, 2024.
APQC, AI in Knowledge and Process Management Is Game Changer but Not Miracle Cure, All, 2026.
A propos de l'auteur
Fatima Zahra Bassir est Program Officer – Advisory & Knowledge Management à l'Université Mohammed VI Polytechnique (UM6P). Spécialiste en Intelligence Compétitive et Stratégique, avec une expérience en conseil, elle intervient sur des enjeux de veille, d'analyse stratégique et de Knowledge Management au service d'une prise de décision plus éclairée.
Ses travaux de recherche explorent en parallèle l'intégration de l'intelligence artificielle dans les processus d'intelligence stratégique et les nouvelles perspectives qu'elle ouvre pour la décision au sein des organisations.
GARDEZ le contact
Keywords
#KnowledgeManagement #GenerativeAI #OrganizationalMemory #KnowledgeCapture #SemanticSearch #DataGovernance #KnowledgeManagementSystems #MetadataManagement #DigitalTransformation #TrustedInformation