ENTREPRENEURIA | ARTICLE DE FOND

Ford, le retour du savoir tacite et la transformation silencieuse de l’entreprise

Par Pascale Caron |  12 juillet 2026 |  EntrepreneurIA

En recrutant plusieurs centaines d’ingénieurs vétérans pour renforcer ses revues de conception et améliorer ses outils d’intelligence artificielle, Ford n’a pas tourné le dos à l’automatisation. Le constructeur a mis au jour une réalité que de nombreuses entreprises découvrent à leur tour : la valeur d’un agent IA dépend de la qualité de l’organisation, des connaissances et des responsabilités qui l’entourent.

Ford fait un choix à contre-courant

Pendant que les entreprises technologiques annoncent chaque semaine de nouveaux agents capables d’exécuter une part croissante du travail humain, Ford a pris une décision moins spectaculaire, mais peut-être plus instructive. Au cours des trois dernières années, le constructeur a recruté ou réintégré environ 300 à 350 ingénieurs expérimentés, surnommés les « gray beards ». Certains avaient déjà travaillé pour Ford. D’autres venaient de ses fournisseurs. Leur mission consistait à renforcer les revues de conception, à former les équipes plus jeunes et à transmettre une expérience accumulée au fil de plusieurs générations de véhicules. [1][2][3]

Le récit médiatique a parfois résumé cette décision en une formule efficace : Ford aurait réembauché ses seniors pour sauver une intelligence artificielle défaillante. La réalité est plus nuancée. Les sources disponibles ne démontrent pas que ces ingénieurs avaient tous été licenciés au profit de l’IA, ni que Ford aurait abandonné ses systèmes automatisés. Elles montrent plutôt une entreprise qui a compris que la technologie ne pouvait pas, à elle seule, reconnaître toutes les conséquences d’un choix de conception. Elle ne pouvait pas davantage anticiper un défaut rarement documenté ni reconstituer les enseignements de problèmes survenus vingt ans auparavant.

Cette réintégration de l’expérience humaine s’inscrit dans une transformation plus large. Ford a rapproché des fonctions auparavant cloisonnées, impliqué plus tôt ses fournisseurs, automatisé davantage de tests logiciels et déployé des systèmes de vision assistés par IA dans ses usines. En juin 2026, la marque est arrivée en tête des constructeurs généralistes dans l’étude américaine de qualité initiale de J.D. Power, avec 152 problèmes déclarés pour 100 véhicules, contre 193 l’année précédente. [3][4][5] Il serait imprudent d’attribuer cette progression aux seuls ingénieurs vétérans. L’indicateur porte sur les quatre-vingt-dix premiers jours d’utilisation et ne mesure pas la fiabilité à long terme. Le cas Ford révèle néanmoins un basculement essentiel : la performance n’est pas venue du remplacement de l’humain par la machine, mais de la recomposition du système de travail autour d’un même objectif.

L’automatisation rencontre la mémoire de l’entreprise

L’histoire de Ford intéresse bien au-delà de l’industrie automobile. Elle montre ce qui se produit lorsque l’automatisation rencontre la mémoire réelle d’une organisation. Pendant des années, les entreprises ont investi dans la standardisation, la documentation des procédures et la centralisation des données. Elles ont cherché à transformer l’expérience en règles explicites, afin de rendre le travail reproductible et moins dépendant de quelques individus. Cette démarche a permis d’améliorer la qualité et de déployer des opérations à grande échelle. Elle a aussi entretenu l’idée que toute connaissance utile pouvait finir par être enregistrée dans un manuel, une base documentaire ou un logiciel.

Les agents IA rendent cette hypothèse beaucoup plus fragile. Ils peuvent retrouver une procédure, rapprocher des documents, interroger plusieurs systèmes et déclencher une suite d’actions. Ils deviennent moins fiables lorsque la décision dépend d’une exception rarement consignée, d’un compromis entre plusieurs contraintes ou d’un signal faible que seul un professionnel expérimenté sait reconnaître. Le problème ne vient pas nécessairement du modèle. Il vient du fait que l’organisation ne sait pas toujours ce qu’elle sait.

Cette distinction est décisive. Une entreprise peut posséder des millions de documents sans disposer d’une mémoire exploitable. Les raisons d’une décision ont parfois disparu. Les alternatives écartées n’ont pas été conservées. Les incidents ont été corrigés sans que leurs enseignements soient transmis. Une partie de l’intelligence demeure dispersée dans les courriels, les présentations, les conversations informelles et l’expérience de collaborateurs qui partiront un jour. L’agent IA ne crée pas cette faiblesse. Il la rend visible.

Le retour du savoir tacite

Cette situation remet au premier plan une notion ancienne : le savoir tacite. Dans The Tacit Dimension, publié en 1966, Michael Polanyi résumait cette réalité par une formule devenue célèbre : « nous savons plus que nous ne pouvons dire ». Une compétence ne se réduit pas à un ensemble d’instructions. Elle se construit dans l’observation, l’erreur, la répétition, la comparaison de situations et l’apprentissage progressif de ce qui mérite l’attention. [6]

Un ingénieur expérimenté peut pressentir qu’un assemblage posera problème sans être immédiatement capable de transformer son intuition en équation. Un médecin combine des données cliniques avec une perception du contexte qui ne figure pas entièrement dans le dossier. Un commercial chevronné détecte une hésitation avant que le client ne la formule. Un artisan ajuste son geste parce que la matière ne réagit pas exactement comme prévu. Dans chaque cas, la connaissance est réelle, mais elle n’est pas totalement explicite.

L’intelligence artificielle générative a renforcé l’idée que toute connaissance pouvait être extraite, indexée puis rendue accessible par une interface conversationnelle. Cette vision confond information et compréhension du métier. Un agent peut résumer un retour d’expérience. Il ne possède pas nécessairement la sensibilité construite par vingt années de confrontation aux exceptions. Il peut appliquer une règle avec régularité. Il ne sait pas toujours reconnaître le moment où cette règle cesse d’être pertinente.

Le risque est alors double. L’entreprise peut surestimer ce que son système sait réellement. Elle peut aussi découvrir trop tard que le départ d’un collaborateur a emporté une partie de sa capacité à décider. L’automatisation ne fait donc pas disparaître le savoir tacite. Elle oblige à le considérer enfin comme un actif stratégique.

De la connaissance individuelle à l’intelligence collective

Les travaux d’Ikujiro Nonaka offrent une seconde grille de lecture. Dans son article de 1994 sur la création de connaissances organisationnelles, puis dans ses recherches avec Hirotaka Takeuchi, il décrit la connaissance comme un mouvement continu entre ce qui reste tacite et ce qui peut être explicité. Une organisation apprend lorsque l’expérience est partagée, formulée, combinée à d’autres informations, puis réintégrée dans de nouvelles pratiques. Ce processus, souvent résumé par le modèle SECI, rappelle qu’une base documentaire n’est jamais une fin en soi. [7]

Le cas Ford illustre cette circulation. Les ingénieurs vétérans ne se contentent pas de transmettre des réponses. Ils observent les conceptions, interrogent les hypothèses, racontent les défaillances passées et rendent visibles les raisonnements qui permettent d’éviter leur répétition. L’IA peut ensuite surveiller davantage de points, rechercher des configurations proches et répéter certains contrôles avec une régularité difficile à atteindre manuellement. Mais la machine n’étend cette connaissance que lorsque l’organisation a créé les conditions de sa transmission.

Cette perspective modifie profondément la gestion des connaissances. Il ne suffit plus d’archiver les réunions ou de verser des documents dans un moteur de recherche interne. Il faut conserver les raisons des décisions, les options abandonnées, les seuils d’alerte, les exceptions et les signes précurseurs. Il faut également préserver des espaces où les résultats produits par la machine peuvent être contestés. La mémoire d’une entreprise ne réside pas seulement dans ce qu’elle stocke. Elle dépend de sa capacité à faire circuler l’expérience entre les générations, les métiers et les systèmes.

Les agents IA révèlent l’entreprise telle qu’elle fonctionne réellement

C’est ici que l’analyse de Weiwei Hu prend toute sa force. Dans « Redesign Work Before You Add More AI Agents », publié le 8 juillet 2026 dans Towards Data Science, elle décrit des équipes enthousiastes face à l’IA, mais toujours dépendantes de workflows anciens. Les informations proviennent de plusieurs sources, sont recopiées dans Excel, traversent des validations successives et finissent parfois par rejoindre un système seulement après de nombreux échanges manuels. L’essentiel du raisonnement reste dans la tête des collaborateurs ou dans des conversations que personne ne sait exploiter durablement. [8]

Ajouter un chatbot ou un agent au-dessus de cette organisation ne supprime pas sa fragmentation. Il peut rendre l’interface plus moderne et accélérer quelques tâches, sans modifier le chemin suivi par la décision. Un agent qui prépare une réponse commerciale ne réduit pas nécessairement les délais si le dossier doit toujours passer par quatre validations. Un agent qui consolide des données ne crée pas une source fiable lorsque trois départements utilisent des définitions différentes. Un agent qui automatise une décision ne clarifie pas la personne qui devra en répondre en cas d’erreur.

Les agents IA deviennent ainsi un puissant révélateur organisationnel du XXIe siècle. Ils mettent en évidence la distance entre l’organigramme officiel et la manière dont le travail se réalise vraiment. Ils révèlent les silos, les dépendances cachées, les responsabilités ambiguës et les multiples opérations de compensation que les collaborateurs effectuent chaque jour pour maintenir le système en fonctionnement. Tant que ces ajustements restaient humains, l’entreprise pouvait ne pas les voir. Dès qu’elle cherche à les automatiser, elle doit les nommer, les expliquer et les gouverner.

Cette fonction de révélateur distingue l’IA agentique des vagues précédentes de numérisation. Un copilote peut assister un utilisateur dans une tâche. Un agent peut consulter des données, appeler des outils et intervenir dans plusieurs étapes d’un processus. Plus son autonomie augmente, plus l’incohérence de l’organisation devient coûteuse. Une règle contradictoire ne produit plus seulement une réponse imprécise. Elle peut déclencher une action erronée, la répéter et la diffuser à une échelle nouvelle.

La course aux cas d’usage masque la concentration de la valeur

De nombreuses entreprises ont pourtant commencé leur stratégie d’IA par un inventaire de cas d’usage. Chaque métier a proposé ses idées, les directions de l’innovation ont lancé des pilotes et les fournisseurs ont multiplié les démonstrations. Cette phase a permis d’apprendre. Elle a aussi créé des portefeuilles dispersés, où les projets les plus faciles à présenter ont parfois obtenu davantage d’attention que les processus dont la transformation aurait exigé un véritable changement organisationnel.

McKinsey cite le cas de Johnson & Johnson, qui avait recensé près de 900 usages potentiels de l’IA générative. Selon cette analyse, 10 à 15 % des initiatives concentraient environ 80 % de la valeur estimée. L’entreprise a donc réorienté ses ressources vers les domaines les plus prometteurs. [9] La donnée, initialement rapportée par le Wall Street Journal, n’est pas un résultat financier audité. Elle traduit néanmoins une réalité connue des transformations technologiques : l’expérimentation est diffuse, mais la valeur se concentre.

Une stratégie plus mature commence donc par une cartographie de la valeur. Où l’entreprise perd-elle du temps, de la marge ou de la qualité ? Quels délais détériorent la relation avec le client ? Quelles décisions sont ralenties par la recherche d’informations ? Dans quels processus la dépendance à quelques experts crée-t-elle un risque majeur ? Où l’IA peut-elle ouvrir un service, un produit ou un modèle économique qui n’était pas possible auparavant ? Ces questions sont moins séduisantes qu’une démonstration d’agent. Elles sont pourtant les seules qui permettent de décider où investir.

Le BCG AI Radar 2026 montre l’intensité des attentes. Les entreprises interrogées prévoyaient de presque doubler la part de leur chiffre d’affaires consacrée à l’IA. Près de 72 % des CEO se considéraient comme les principaux décideurs en la matière et neuf sur dix estimaient que les agents contribueraient à un retour mesurable. [10] Cette confiance ne constitue pas une preuve de résultat. Elle rend au contraire la sélection des processus et la discipline de mesure encore plus nécessaires.

Le poste de travail cède la place au workflow

L’organisation traditionnelle décrit le travail à travers des fonctions et des fiches de poste. L’IA agentique impose une unité d’analyse plus précise : le workflow. Une activité commerciale, industrielle ou administrative se compose d’étapes de recherche, de vérification, de décision, d’exécution, de coordination et de contrôle. Certaines peuvent être automatisées. D’autres peuvent être augmentées. D’autres encore doivent rester sous responsabilité humaine, non parce que la technologie serait incapable d’intervenir, mais parce que la décision engage un jugement, une relation ou une responsabilité que l’entreprise ne peut pas déléguer.

Cette décomposition conduit à une question plus féconde que celle du remplacement des métiers. Qui doit faire quoi dans le système qui produit le résultat ? Un agent peut préparer les données et repérer des anomalies. Un expert peut interpréter les cas ambigus. Un manager peut arbitrer les exceptions et modifier les règles lorsque le contexte évolue. L’enjeu n’est pas de choisir entre l’humain et la machine, mais de concevoir une coopération dans laquelle chacun intervient à l’endroit où il crée le plus de valeur.

Le Microsoft Work Trend Index 2026 décrit les utilisateurs les plus avancés, appelés Frontier Professionals. Ils représentent 16 % des personnes interrogées. Ils se distinguent moins par la quantité de prompts produits que par leur capacité à utiliser des agents dans des processus à plusieurs étapes, à remettre en question les workflows et à établir des standards partagés. [11] L’étude repose sur 20 000 utilisateurs dans dix pays et sur des signaux anonymisés de Microsoft 365. Elle ne démontre pas que ces pratiques provoquent mécaniquement une meilleure performance. Elle montre cependant que la maturité se déplace de la maîtrise individuelle de l’outil vers la conception collective du travail.

Le rôle du manager change en conséquence. Il ne distribue plus seulement les tâches entre des collaborateurs. Il orchestre un système hybride, définit les seuils d’escalade, vérifie la qualité des décisions et organise l’apprentissage à partir des erreurs. McKinsey décrit cette évolution comme le passage à des partenariats de compétences entre personnes, agents logiciels et robots. [12] La fonction managériale devient progressivement une fonction d’architecture.

Ce que les entretiens EntrepreneurIA montrent déjà

Depuis le lancement d’EntrepreneurIA, les entretiens menés auprès de plus d’une centaine d’entrepreneurs, d’experts et de dirigeants font apparaître une constante. Aucun projet sérieux ne crée de valeur durable par la seule qualité du modèle utilisé. Les gains initiaux sont souvent visibles : du temps économisé, une recherche accélérée, une meilleure qualité documentaire ou une automatisation ciblée. Le passage à l’échelle dépend ensuite d’éléments beaucoup moins spectaculaires : la qualité des données, l’intégration au système d’information, l’appropriation par les équipes, la gouvernance et la volonté du management de modifier les processus.

Arnaud Pinte, fondateur d’iPepper, insistait sur la nécessité de partir d’un problème concret, de tester rapidement avec les métiers et de mesurer le résultat avant d’industrialiser. Christophe Gaultier, chez OpenText, soulignait les risques du Shadow AI et la nécessité de gouverner les données non structurées. Dans les métiers du patrimoine, l’IA ouvrait une autre perspective : documenter les gestes, indexer les retours de chantier et transmettre une expertise qui réside encore largement dans l’expérience des artisans. Ces exemples n’appartiennent pas au même secteur, mais ils décrivent la même transformation. L’IA devient utile lorsque l’entreprise sait relier la technologie au travail réel.

Les propos de Luc Julia apportent également une prudence nécessaire. La capacité d’un système à générer une réponse ou à exécuter une action ne doit pas être confondue avec une compréhension générale du contexte. Cette distinction devient plus importante à mesure que les agents gagnent en autonomie. Une machine peut agir sans comprendre comme un humain comprend. L’organisation doit donc conserver la responsabilité de déterminer les limites, d’interpréter les exceptions et de répondre des conséquences.

EntrepreneurIA révèle ainsi un paradoxe. Plus les outils deviennent accessibles, plus la différenciation se déplace vers ce qui ne s’achète pas facilement : la connaissance métier, la confiance entre les équipes, la qualité des arbitrages et la capacité de l’organisation à apprendre. L’agent IA n’efface pas ces actifs. Il augmente leur importance.

Le dirigeant devient architecte de l’organisation augmentée

Le déploiement des agents IA ne peut donc plus rester un portefeuille de projets piloté à la périphérie de l’entreprise. Il touche à la répartition des responsabilités, au contrôle interne, aux compétences, à la relation client et parfois au modèle économique. Il devient un sujet de direction générale.

Une équipe dirigeante doit d’abord être capable de formuler le résultat recherché. Elle doit ensuite identifier le processus complet qui le produit, les connaissances tacites dont il dépend et les décisions qu’elle accepte de confier à un agent. Elle doit déterminer les situations qui imposent une validation humaine, le propriétaire du résultat économique et la personne responsable en cas d’incident. Tant que ces réponses restent imprécises, l’ajout d’agents augmente surtout la complexité.

Le dirigeant ne choisit donc pas seulement une technologie. Il conçoit une organisation augmentée. Il décide quelles étapes doivent disparaître, quelles informations doivent devenir communes, quels experts doivent être mobilisés et comment les apprentissages seront transmis. Il doit aussi accepter qu’un projet d’IA puisse conduire à supprimer une procédure, fusionner deux responsabilités ou remettre en cause un indicateur historique. La transformation commence précisément à l’endroit où l’entreprise cesse d’adapter l’IA à son fonctionnement ancien et accepte de redessiner ce fonctionnement.

Gouverner l’autonomie avant de la généraliser

Cette transformation ne peut pas être séparée de la gouvernance. Un agent qui prépare une note présente un niveau de risque limité. Un agent qui modifie un dossier, contacte un client, déclenche une commande ou recommande une décision engage directement l’organisation. Les droits d’accès, les limites d’action, les mécanismes de journalisation, les validations humaines et les seuils d’escalade deviennent alors des choix d’architecture.

L’étude 2026 de Deloitte, fondée sur plus de 3 000 dirigeants impliqués dans des programmes d’IA, indique que seuls 21 % des répondants déclarent disposer d’un modèle mature pour gouverner les agents autonomes. [13] Les inquiétudes portent notamment sur la confidentialité, la sécurité, la conformité, la propriété intellectuelle et l’explicabilité. Ce retard n’est pas surprenant. Beaucoup d’entreprises expérimentent encore les agents comme des outils individuels, alors que leur intégration à des workflows complets exige des mécanismes comparables à ceux qui encadrent déjà les acteurs opérationnels.

La gouvernance ne doit donc pas intervenir à la fin, sous la forme d’une autorisation juridique. Elle doit être intégrée à la conception du processus. L’entreprise doit pouvoir reconstruire ce que l’agent a consulté, les règles qu’il a appliquées, l’action qu’il a déclenchée et la raison pour laquelle un humain n’est pas intervenu. Plus l’autonomie progresse, plus cette traçabilité devient indispensable.

Mesurer le système, non la démonstration

La mesure constitue enfin le test de vérité. Une entreprise peut afficher de nombreux agents, licences et utilisateurs actifs sans créer de valeur démontrable. Un agent peut réduire le temps de rédaction d’un document, tout en augmentant celui de la vérification. Il peut accélérer une réponse, mais multiplier les exceptions transférées aux équipes. Il peut diminuer le coût d’une tâche et dégrader le résultat du processus complet.

L’évaluation doit donc porter sur trois niveaux. Le premier concerne l’agent : précision, fiabilité, rapidité, coût et qualité de l’escalade. Le deuxième concerne le système humain-agent : capacité de jugement, répartition des responsabilités, qualité de la coopération et apprentissage à partir des erreurs. Le troisième concerne l’entreprise : temps de cycle, coût de service, qualité, satisfaction du client, revenus ou réduction des risques. La performance naît de la combinaison de ces dimensions, non de la seule puissance du modèle.

Le cas Ford retrouve ici tout son intérêt. Le constructeur n’a pas simplement ajouté des caméras ou des algorithmes. Il a modifié les revues de conception, rapproché les équipes, impliqué plus tôt les fournisseurs et replacé l’expérience au cœur du contrôle. L’IA a participé à cette évolution. Elle n’en a pas été l’unique cause. Cette prudence analytique devrait s’appliquer à tous les projets : ce n’est pas parce qu’un agent est présent dans un workflow qu’il explique à lui seul la valeur obtenue.

Le véritable avantage compétitif sera organisationnel

Les agents IA ne constituent pas une nouvelle main-d’œuvre qu’il suffirait de brancher sur l’entreprise existante. Ils obligent à regarder sans détour la manière dont les décisions sont prises, dont la connaissance circule et dont la responsabilité est exercée. Ils rendent visible le coût des silos, des procédures héritées et des informations conservées dans la mémoire de quelques individus.

Le cas Ford ne signe pas l’échec de l’intelligence artificielle. Il rappelle une vérité plus exigeante : la machine ne peut exploiter que la connaissance que l’organisation sait lui transmettre et le contexte qu’elle sait préserver. L’expérience humaine n’est pas un résidu appelé à disparaître à mesure que les modèles progressent. Elle constitue la matière à partir de laquelle les systèmes sont entraînés, corrigés et maintenus au contact de la réalité.

Pendant plus d’un siècle, les entreprises ont cherché à optimiser le travail humain en découpant les fonctions, en standardisant les procédures et en mesurant la productivité. Elles doivent maintenant apprendre à concevoir des organisations où les personnes et les systèmes d’IA contribuent ensemble à produire et transmettre la connaissance, sans diluer la responsabilité. Les dirigeants qui considèrent l’IA comme un outil supplémentaire gagneront peut-être quelques points de productivité. Ceux qui l’utiliseront pour remettre en question les processus, préserver l’expertise et reconstruire les mécanismes de décision créeront un avantage plus difficile à reproduire.

Les entreprises les plus performantes ne seront probablement pas celles qui auront déployé le plus grand nombre d’agents. Elles seront celles qui auront transformé une expertise dispersée en intelligence collective, supprimé le travail inutile et organisé une coopération dans laquelle l’humain et la machine se corrigent mutuellement. Les agents IA sont peut-être le premier révélateur organisationnel du XXIe siècle. Ils montrent déjà que la prochaine bataille de l’intelligence artificielle ne se jouera pas seulement dans les modèles ou la puissance de calcul. Elle se jouera dans la qualité de l’organisation qui leur donnera un sens.

[1] ZDNet France, « Mirage de l’automatisation : quand Ford réembauche ses seniors pour sauver son IA », 3 juillet 2026. Source en ligne

[2] Sasha Rogelberg, « Ford on why it hired 350 “gray beard” engineers », Fortune, 29 juin 2026. La source précise qu’il s’agit d’anciens salariés de Ford et d’experts issus de fournisseurs, recrutés sur trois ans. Source en ligne

[3] Ford Motor Company, « Ford is No. 1 Mainstream Brand in J.D. Power Initial Quality Study for First Time Since 2010 », 25 juin 2026. Ford évoque environ 300 ingénieurs vétérans dans sa propre synthèse. Source en ligne

[4] J.D. Power, « 2026 U.S. Initial Quality Study », juin 2026. Étude fondée sur 78 514 acheteurs ou locataires de véhicules de l’année-modèle 2026 après 90 jours d’utilisation. Source en ligne

[5] Nora Eckert, « US automotive quality increased industrywide last year, with Ford taking top honors », Reuters, 25 juin 2026. Source en ligne

[6] Michael Polanyi, The Tacit Dimension, University of Chicago Press, première édition 1966, réédition 2009. Source en ligne

[7] Ikujiro Nonaka, ‘A Dynamic Theory of Organizational Knowledge Creation’, Organization Science, vol. 5, no 1, 1994, p. 14-37. Source en ligne

[8] Weiwei Hu, « Redesign Work Before You Add More AI Agents », Towards Data Science, 8 juillet 2026. Texte intégral communiqué pour la préparation de cet article. Source en ligne

[9] Bengi Korkmaz, Sandra Durth, Vincent Bérubé et Lucia Darino, « Rewiring Talent to Value in the age of AI », McKinsey & Company, 18 juin 2026. Le cas Johnson & Johnson est attribué au Wall Street Journal. Source en ligne

[10] Boston Consulting Group, « As AI Investments Surge, CEOs Take the Lead », BCG AI Radar 2026, 15 janvier 2026. Source en ligne

[11] Microsoft, « 2026 Work Trend Index: Agents, human agency, and the opportunity for every organization », 5 mai 2026. Source en ligne

[12] McKinsey Global Institute, ‘Agents, robots, and us: Skill partnerships in the age of AI’, 25 novembre 2025. Source en ligne

[13] Deloitte, « The State of AI in the Enterprise 2026: The Untapped Edge », janvier 2026. 21 % des organisations interrogées déclarent disposer d’un modèle mature de gouvernance des agents autonomes. Source en ligne