L'ingénierie de la connaissance à l'ère des LLM

La connaissance qui fait fonctionner votre organisation n'est pas dans vos systèmes. Elle est dans la tête de vos gens, dans leurs réflexes, leurs raccourcis, leurs façons de décider que personne n'a jamais eu la discipline de mettre par écrit. Pendant des décennies, ça suffisait.

L'IA vient de changer les règles.

Pas parce qu'elle remplace ces gens. Parce qu'elle ne peut travailler qu'avec ce qui est explicite, structuré, documenté. Et pour la première fois, l'écart entre ce que votre organisation sait et ce qu'elle est capable de rendre utilisable devient un problème stratégique mesurable.

La pression a devancé la réflexion

La séquence est devenue un réflexe dans presque toutes les organisations : identifier un outil, trouver un cas d'usage, lancer un pilote. On agit parce qu'on ressent la pression d'agir. 88 % des organisations utilisent maintenant l'IA dans au moins une fonction d'affaires. Pourtant, selon McKinsey, seulement 39 % rapportent un impact réel sur leurs résultats à l'échelle de l'entreprise.

L'écart n'est pas technologique, il est stratégique.

Ce qu'on oublie systématiquement, c'est de se demander si l'organisation est en mesure de nourrir ce qu'on s'apprête à déployer. Quand on pose cette question directement aux équipes, qu'on leur demande de décrire avec précision ce qui est censé se passer dans leurs opérations clés, leurs critères de décision, les responsabilités réelles de chaque rôle, la réponse est toujours floue. On sait qu'on est insatisfait. On ne sait pas articuler l'idéal à la virgule.

Ce n'est pas un aveu d'incompétence. C'est le symptôme d'une réalité organisationnelle que personne n'a eu la discipline de rendre explicite. Et tant qu'elle reste dans la tête des gens plutôt que dans un système partagé, aucun outil ne peut l'accélérer et aucune équipe ne peut se former et travailler sur une base commune.

Ce que votre organisation sait vraiment

Demandez à n'importe quelle équipe comment une décision importante se prend dans son organisation. Vous obtiendrez autant de versions que d'interlocuteurs. Pas parce que les gens ne savent pas, mais parce que personne n'a jamais eu à le formuler clairement.

La connaissance existe, dispersée, tacite, détenue par des individus qui l'ont accumulée avec les années. Elle fonctionne tant que ces personnes sont là. Le jour où elles partent, une partie de l'organisation part avec elles.

Selon McKinsey, les employés consacrent près de 20 % de leur semaine de travail à chercher de l'information, et 14 % à recréer de l'information qui existait déjà quelque part dans l'organisation. Ce n'est pas un problème de technologie de recherche. C'est un problème de connaissance qui n'a jamais été structurée pour être trouvée, partagée et utilisée.

Le résultat est une organisation qui fonctionne sur des réflexes collectifs non documentés. Les processus opérationnels vivent dans des habitudes et non dans des systèmes. Les critères de décision sont implicites, connus de quelques-uns, interprétés différemment par tous. Les rôles sont définis en théorie et exercés en pratique de façons qui ne se ressemblent pas d'une personne à l'autre.

Ce n'est pas une critique, c'est une réalité organisationnelle profondément ancrée. Et pendant longtemps, elle n'avait pas de conséquences mesurables. L'IA vient d'en faire un enjeu stratégique de premier plan.

Rendre l'organisation lisible

Les organisations qui tirent de la valeur réelle de l'IA ne sont pas celles qui ont trouvé le meilleur outil. Ce sont celles qui ont fait un travail que la plupart évitent : rendre leur réalité opérationnelle explicite.

Leurs processus sont décrits avec précision. Leurs critères de décision sont documentés. Les rôles et les responsabilités ne sont pas seulement définis en théorie, ils sont connus, compris et exercés de façon cohérente à travers l'organisation.

C'est ce qu'on appelle l'ingénierie de la connaissance. Non pas la gestion de documents ou l'archivage de procédures, mais la discipline de capturer ce qui est censé se passer dans une organisation, de le structurer, et de le centraliser de façon à ce qu'il soit utilisable pour performer. Par les équipes d'abord. Par les machines ensuite.

Le point de départ de cette discipline, c'est l'extraction de connaissance. Un exercice rigoureux qui consiste à aller chercher dans la tête des gens ce qu'ils savent faire, comment ils prennent leurs décisions, pourquoi ils font les choses d'une certaine façon.

Ce savoir, souvent porté par des individus depuis des années sans jamais avoir été formalisé, devient alors la matière première d'un système partagé. Il prend la forme de processus documentés, de playbooks opérationnels, de méthodes de travail, de critères de décision écrits. Ce qui était tacite devient explicite. Ce qui était individuel devient organisationnel.

Ce travail crée ce qu'on pourrait appeler une organisation lisible. Une organisation dont la réalité opérationnelle n'est pas prisonnière de la mémoire de ses membres, mais inscrite dans un système de connaissance accessible.

Quand un nouvel employé arrive, il n'apprend pas en devinant. Quand une décision doit être prise, les critères ne sont pas réinventés à chaque fois. Et quand un agent IA est déployé, il travaille sur une base qu'il peut comprendre, interpréter et utiliser pour accélérer.

L'ingénierie de la connaissance est donc à la fois la condition d'une adoption IA sérieuse et la fondation sur laquelle une organisation peut évoluer au rythme de sa stratégie. Quand la connaissance opérationnelle est structurée et centralisée, un changement de direction stratégique n'exige plus de repartir de zéro sur le terrain.

L'organisation se met à jour plutôt que de se réinventer. L'écart chronique entre ce que la direction décide et ce que les équipes exécutent se réduit parce que la base commune existe.

Les silos ne disparaissent pas par bonne volonté, ils disparaissent quand tout le monde opère sur la même réalité documentée. La stratégie et l'opération parlent enfin le même langage, au même rythme, avec la même compréhension de ce qui est censé arriver.

L'IA comme révélateur, pas comme sauveur

Si l'ingénierie de la connaissance est si fondamentale, pourquoi si peu d'organisations l'ont faite sérieusement ? La réponse est simple et inconfortable : c'est un travail ingrat.

Documenter un processus à la virgule, formaliser des critères de décision implicites, décrire un rôle avec suffisamment de précision pour qu'il soit compris de la même façon par tout le monde, ce sont des exercices que les organisations remettent depuis toujours.

On se dit que c'est évident, que tout le monde comprend, que ce n'est pas là que se gagne la performance.

Alors quand l'IA est arrivée avec ses promesses d'accélération, beaucoup d'organisations y ont vu autre chose : une façon de contourner ce travail. L'idée implicite était séduisante. On allait déployer un outil suffisamment intelligent pour comprendre l'organisation tel qu'elle est, avec toute sa complexité non documentée, et en tirer de la valeur quand même.

Selon Gartner, 85 % des projets IA échouent en raison d'une mauvaise qualité des données ou d'un manque de données pertinentes. Ce chiffre est souvent lu comme un problème technique.

C'est en réalité un problème organisationnel. Les données sont de mauvaise qualité parce que les processus qui les génèrent n'ont jamais été clarifiés. L'information est manquante parce que personne n'a défini ce qui devait être capturé et pourquoi.

L'IA ne souffre pas d'un manque de technologie, elle souffre d'un manque de matière structurée sur laquelle travailler; car on ne peut pas accélérer ce qu'on n'a pas eu la discipline de comprendre.

Le retournement : l'IA force enfin le vrai travail

Il y a un paradoxe au cœur de l'adoption IA que peu d'organisations ont anticipé. En voulant contourner le travail de fond, elles se retrouvent obligées de le faire. Pas parce qu'un consultant le leur recommande. Parce que l'IA elle-même l'exige.

Un agent ne peut pas travailler sur des processus flous. Un système de formation automatisé ne peut pas enseigner ce qui n'a jamais été écrit. Un outil d'analyse de performance ne peut pas mesurer les écarts si la performance attendue n'a jamais été définie.

L'IA ne contourne pas le travail de fond. Elle le rend impossible à éviter.

C'est ici que le regard sur l'adoption IA doit changer. Les organisations qui déploient l'IA sérieusement ne découvrent pas seulement comment accélérer leurs opérations. Elles découvrent ce qu'elles ne savaient pas qu'elles ne savaient pas sur elles-mêmes.

Le processus de structuration de la connaissance qu'exige l'IA révèle les angles morts, les incohérences, les décisions jamais formalisées. C'est inconfortable. C'est aussi exactement ce dont une organisation en croissance a besoin.

Selon McKinsey, les organisations qui performent le mieux avec l'IA sont 2,8 fois plus susceptibles d'avoir fondamentalement repensé leurs processus avant de déployer la technologie. Ce n'est pas une coïncidence, c'est une séquence. Elles ont fait le travail de fond en premier. L'IA a ensuite pu faire le sien.

Ce retournement change la question stratégique. Elle ne devrait plus être : quelle initiative IA devrions-nous lancer ? Elle devrait être : est-ce que notre organisation est suffisamment lisible pour tirer parti de ce qu'on s'apprête à déployer ? Les organisations qui posent cette question en premier ne ralentissent pas leur adoption IA. Elles s'assurent qu'elle atterrit sur une fondation qui peut la soutenir.

Il y a un bénéfice stratégique supplémentaire que peu anticipent: dans un contexte où les outils IA évoluent à une vitesse que personne ne contrôle, où les règles du jeu changent d'une année à l'autre, une organisation dont la connaissance est structurée et centralisée n'est pas otage de la technologie qu'elle a choisie.

Elle peut migrer vers un meilleur outil, adopter une nouvelle approche, intégrer la prochaine génération de capacités sans repartir de zéro. Sa valeur est dans sa connaissance, pas dans son logiciel. C'est ça, la vraie agilité technologique.

Trois questions pour mesurer votre capacité d’adoption IA

Avant de sélectionner un outil, avant d'approuver un budget IA, trois questions de diagnostic méritent une réponse honnête :

1. Si trois de vos personnes clés quittaient demain, quelle portion de votre connaissance opérationnelle partirait avec elles ?

   Les organisations qui répondent franchement à cette question découvrent rapidement que leur fonctionnement repose sur un patrimoine de connaissance non documenté, concentré dans un petit nombre d'individus.

   Ce n'est pas un risque RH. C'est un risque stratégique direct. Une organisation dont la connaissance critique est prisonnière de quelques cerveaux ne peut pas scaler, ne peut pas former efficacement et ne peut certainement pas déployer une IA qui comprend ce qu'elle fait. La dépendance aux individus est inversement proportionnelle à la maturité stratégique de l'organisation.

2. Pouvez-vous décrire à la virgule ce qui est censé se passer dans vos opérations clés ? 

   Pas dans les grandes lignes. À la virgule. Les étapes d'un processus, les critères qui guident une décision, les responsabilités précises de chaque rôle à chaque moment.

   Si la réponse varie selon l'interlocuteur, si elle change selon le département ou le niveau hiérarchique, vous n'avez pas encore la fondation nécessaire. Ce flou a un coût réel, des décisions incohérentes, des équipes qui s'alignent sur des versions différentes de la même réalité, des écarts de performance qu'on attribue aux individus alors qu'ils viennent de la structure.

   Aucun outil ne compensera ce flou, il l'amplifiera.

3. Votre connaissance organisationnelle est-elle structurée pour être trouvée, ou seulement pour exister ? 

   Il y a une différence fondamentale entre une organisation qui a produit des documents et une organisation dont la connaissance est accessible, à jour et utilisable au moment où quelqu'un en a besoin.

   Des procédures enfouies dans des dossiers non indexés, des directives dispersées dans des fils de courriels, des façons de faire connues de quelques-uns seulement, ce n'est pas de la connaissance disponible.

   C'est de la connaissance perdue qui se fait passer pour de la connaissance existante. Et une IA nourrie de connaissance perdue ne produit pas de l'accélération, elle produit de la confusion à grande vitesse.

Ces trois questions ont un dénominateur commun. Elles mesurent toutes la capacité de l'organisation à se gouverner sur une base explicite plutôt que sur des réflexes collectifs non documentés. C'est ça la maturité stratégique dans un contexte IA.

Pas le nombre d'outils déployés, pas la sophistication des modèles utilisés, mais la capacité à rendre sa propre réalité opérationnelle suffisamment claire pour qu'elle puisse être apprise, transmise, améliorée et accélérée.

Les organisations qui atteignent ce niveau de maturité ne se demandent plus si elles sont prêtes pour l'IA. Elles se demandent jusqu'où elles peuvent aller avec elle.

L'organisation humain+machine : bâtir sur une fondation qui dure

Les organisations qui vont dominer leur industrie dans les dix prochaines années ne seront pas nécessairement celles qui auront eu accès aux meilleurs outils IA.

Elles seront celles qui auront compris quelque chose de fondamental : la performance future se joue dans la qualité de la relation entre les humains et les machines. Cette relation ne peut être productive que si les deux parties parlent le même langage.

Ce langage, c'est la connaissance organisationnelle structurée.

Une organisation qui a fait le travail d'ingénierie de la connaissance dispose de deux actifs complémentaires qui s'alimentent mutuellement. La connaissance qualitative, ce qui devrait arriver, les processus, les standards, les décisions, les rôles, nourrit la formation des humains et guide les machines dans leur compréhension de l'organisation.

La connaissance quantitative, ce qui est arrivé, les données, les résultats, les écarts mesurables, permet d'analyser, d'ajuster et d'anticiper. Ensemble, ces deux fondations créent une organisation qui n'apprend pas seulement de ses erreurs, elle apprend en continu, à l'échelle, avec une précision qu'aucune organisation purement humaine ne peut atteindre seule.

McKinsey estime qu'à l'horizon 2030, près de 2 900 milliards de dollars de valeur économique pourraient être libérés si les organisations repensent leurs flux de travail autour d'une collaboration humains et IA. Ce chiffre ne se matérialisera pas pour ceux qui ont simplement acheté des licences. Il se matérialisera pour ceux qui ont bâti la fondation qui permet à cette collaboration de fonctionner réellement.

C'est ça la vraie promesse de l'ère des LLM (Large Language Model). Pas des outils qui pensent à notre place. Une capacité nouvelle de rendre explicite ce qu'une organisation sait, de le diffuser à une vitesse et une échelle impossibles jusqu'ici, et de créer une boucle d'amélioration continue entre l'intelligence humaine et l'intelligence machine.

Les organisations qui entrent dans cette logique ne gèrent plus le changement, elles évoluent avec lui. Pas parce qu'elles réagissent plus vite aux crises, mais parce qu'elles ont bâti une fondation qui se met à jour, qui s'adapte, qui apprend.

Le point de départ n'est pas un outil. C'est une décision : celle de rendre votre organisation lisible.

Envie de disposer votre organisation à l'IA et de la rendre lisible? Parlons-en.