L’entreprise sait-elle encore ce qu’elle sait ?

Une entreprise peut disposer de millions de documents, de vingt ans d’historique dans son CRM, d’un ERP parfaitement renseigné et de dizaines de milliers d’échanges avec ses clients. Elle peut avoir documenté ses procédures, enregistré ses projets et accumulé des volumes considérables de données. Pourtant, lorsqu’on cherche à savoir où se trouve exactement son expertise, la réponse devient beaucoup moins évidente.

Une partie se trouve bien dans les systèmes. Une autre réside dans l’expérience des collaborateurs. C’est le cas lorsqu’une équipe sait pourquoi une procédure comporte une exception, lorsqu’un commercial sait qu’un client doit être traité différemment. Ou lorsqu’un ingénieur comprend qu’un résultat apparemment cohérent mérite malgré tout d’être vérifié. Ces connaissances existent, elles influencent les décisions quotidiennes, mais elles n’ont pas nécessairement été formalisées.

L’arrivée de l’intelligence artificielle rend cette situation beaucoup plus visible. Depuis quelques années, les entreprises cherchent à connecter leurs IA à leurs données, leurs documents et leurs outils. Le RAG, les bases vectorielles, les knowledge graphs et, plus récemment, le context engineering répondent en partie à cette ambition : donner aux modèles suffisamment d’informations sur l’organisation pour qu’ils produisent des réponses plus pertinentes.

Mais donner accès à tous les documents d’une entreprise ne signifie pas nécessairement donner accès à ce que cette entreprise sait.

C’est en revenant sur plusieurs entretiens réalisés dans le cadre d’EntrepreneurIA que cette différence m’est apparue plus clairement. Certaines entreprises ne travaillent pas seulement à connecter une IA à leurs données. Elles doivent d’abord comprendre ce qui, dans leur propre expérience, mérite d’être structuré, formalisé ou transmis.

Je me suis alors posé une question assez simple : avant de chercher à savoir ce que l’IA connaît de l’entreprise, l’entreprise sait-elle elle-même précisément ce qu’elle sait ?

Le savoir n’est pas une base de données

Nous avons pris l’habitude d’associer la connaissance de l’entreprise à son patrimoine informationnel. C’est assez logique. Les systèmes d’information ont été conçus précisément pour conserver et organiser une partie de cette mémoire : ERP, CRM, bases documentaires, logiciels métiers, outils collaboratifs, messageries ou historiques de transactions.

Ils enregistrent cependant principalement ce qui peut être formalisé.

Une partie importante de la connaissance professionnelle fonctionne autrement. Un expert ne consulte pas nécessairement une procédure avant chaque décision. Avec l’expérience, il reconnaît certaines situations, rapproche le problème actuel de cas déjà rencontrés et détecte parfois une anomalie dans un ensemble d’informations pourtant cohérentes. Il connaît les règles, mais sait aussi que certaines circonstances justifient de s’en écarter.

Michael Polanyi avait résumé cette difficulté dès 1966 dans The Tacit Dimension : nous savons davantage que ce que nous sommes capables d’exprimer.

L’intelligence artificielle ne crée donc pas le problème du savoir tacite. Elle le rend plus visible et, surtout, plus stratégique. Tant que les décisions restaient principalement entre les mains des collaborateurs, une organisation pouvait fonctionner avec une quantité considérable de connaissances informelles. Les nouveaux venus apprenaient auprès des plus expérimentés. Les équipes transmettaient certaines pratiques sans nécessairement les documenter. Les problèmes inhabituels remontaient naturellement vers ceux qui avaient déjà rencontré des situations similaires.

Lorsque l’IA intervient dans ces processus, cette organisation implicite atteint rapidement ses limites. Pour qu’un système retrouve une connaissance, il faut qu’elle existe sous une forme accessible. Pour qu’il comprenne qu’une règle comporte une exception, cette exception doit avoir été identifiée d’une manière ou d’une autre.

Le travail commence donc parfois bien avant le choix du modèle : il faut comprendre ce que l’organisation sait et ce qu’elle est capable d’en expliciter.

Active Asset Allocation: formaliser ce que l’on sait faire

Mon entretien avec Adina Grigoriu et Hala Najmeddine, chez Active Asset Allocation, offre une bonne illustration de cette difficulté.

Dans la gestion d’actifs, disposer de données financières ne suffit évidemment pas à produire une stratégie d’investissement. Il faut les interpréter dans un cadre donné : objectifs du client, niveau de risque accepté, univers d’investissement, règles de gestion, contraintes réglementaires ou critères ESG.

Active Asset Allocation explique avoir progressivement « encapsulé » son savoir-faire en ingénierie financière dans des méthodes digitales. J’avais retenu cette expression lors de l’entretien parce qu’elle décrit bien un travail que l’on retrouve aujourd’hui dans de nombreux projets IA. Avant de pouvoir automatiser ou assister une expertise, encore faut-il comprendre de quoi elle est faite.

Il faut identifier les variables importantes, les règles, les contraintes et les arbitrages. Cela paraît évident une fois que ces éléments ont été traduits dans un logiciel. Cela l’est beaucoup moins lorsqu’il faut les faire émerger d’années de pratique.

Dans beaucoup d’organisations, les processus officiellement décrits ne correspondent d’ailleurs qu’imparfaitement aux processus réellement suivis. Les collaborateurs ont développé des raccourcis. Certaines étapes existent pour des raisons historiques que plus personne ne connaît précisément. D’autres ne sont jamais documentées parce qu’elles semblent évidentes aux experts qui les appliquent depuis des années.

L’IA oblige parfois à rouvrir ces boîtes noires. Pour apprendre à un système à assister correctement un métier, l’entreprise doit commencer par regarder plus précisément comment ce métier fonctionne réellement.

Quand les données existent mais ne suffisent pas

Cirkwi permet d’observer une autre facette du problème.

L’entreprise travaille dans le tourisme et manipule des informations provenant de multiples acteurs locaux. Lors de mon entretien avec Sylvain Caucheteux, il expliquait que les données fournies par les clients pouvaient être brutes, hétérogènes ou insuffisamment structurées. L’IA intervient notamment pour les organiser et les rendre exploitables, puis pour produire différents contenus et services à partir de cette matière.

Ce cas rappelle une évidence que le discours actuel sur les données propriétaires tend parfois à faire oublier : posséder des données ne suffit pas à en faire une ressource utile pour l’IA. Il faut encore savoir ce qu’elles signifient, comment elles se relient, dans quel contexte elles ont été produites et jusqu’à quel point elles sont fiables.

Une liste d’hôtels, de lieux culturels ou de parcours touristiques constitue de l’information. Construire à partir de ces éléments une expérience pertinente pour un voyageur suppose déjà de connaître autre chose : le territoire, les usages, les attentes, les contraintes et les relations entre les différentes informations disponibles.

Le même problème se retrouve dans beaucoup de secteurs. Un historique de ventes ne contient pas nécessairement les raisons pour lesquelles les clients ont acheté. Un CRM peut enregistrer qu’un contrat a été perdu sans conserver tous les arbitrages qui ont conduit à cette décision. Un compte rendu de réunion garde une trace de ce qui a été dit, rarement de tout ce que les participants ont compris de la situation.

Chez Cirkwi, j’avais également trouvé intéressante la manière dont les usages de l’IA étaient partagés entre les équipes. Les collaborateurs confrontent régulièrement leurs expériences et leurs pratiques. C’est un détail important. Une partie de la connaissance produite par l’usage de l’IA apparaît d’abord chez les utilisateurs. Ils découvrent qu’une méthode fonctionne mieux, qu’une source doit être vérifiée ou qu’un usage qui paraissait prometteur présente finalement peu d’intérêt.

Si ces apprentissages restent individuels, l’entreprise possède quelques utilisateurs expérimentés. Lorsqu’ils circulent et commencent à modifier les pratiques collectives, quelque chose de différent se produit : l’organisation elle-même commence à apprendre.

Le problème n’est pas toujours de savoir, mais de retrouver

Le cas de Virteem déplace encore le regard.

Lors de mon entretien avec Kevin Soler, nous avions parlé de gestion des connaissances dans les grandes organisations. Les entreprises disposent souvent de beaucoup de données et de documentation, mais celles-ci restent dispersées entre différentes unités, différents outils et différentes équipes.

Cette fragmentation n’est évidemment pas nouvelle. Pendant des années, une partie du travail intellectuel a consisté précisément à savoir où chercher, à identifier la bonne version d’un document ou à retrouver le collègue qui connaissait déjà le sujet. Les systèmes génératifs peuvent réduire cette friction, mais ils rencontrent très vite les incohérences accumulées par l’organisation.

Si une information existe sous plusieurs versions contradictoires, laquelle doit faire autorité ? Si deux départements utilisent des définitions différentes pour le même indicateur, que doit comprendre le modèle ? Si la procédure écrite n’est plus celle que les équipes appliquent réellement, quelle version correspond au fonctionnement de l’entreprise ?

Ce ne sont plus seulement des problèmes de recherche documentaire. Ils obligent à déterminer quelle connaissance fait référence, qui peut la modifier et comment conserver sa cohérence dans le temps.

L’IA révèle alors un problème que les organisations pouvaient auparavant contourner : l’information est parfois présente partout sans que l’on sache clairement laquelle constitue la connaissance de l’entreprise.

Ce que l’entreprise sait sans l’avoir écrit

Une grande partie du savoir critique d’une organisation n’est probablement pas absente de ses systèmes par négligence. Elle n’a simplement jamais eu besoin d’être explicitée.

Un directeur commercial expérimenté ne rédige pas une note chaque fois qu’il décide d’accorder une attention particulière à un client. Un ingénieur ne documente pas toutes les intuitions qui l’amènent à vérifier une anomalie. Un manager ne formalise pas systématiquement les signaux qui lui font comprendre qu’un projet commence à déraper. Une partie de ces décisions repose sur des années d’expérience, des interactions et parfois des erreurs passées.

Les recherches récentes sur l’IA générative et la gestion des connaissances commencent à explorer la manière dont les interactions avec les modèles peuvent contribuer à faire émerger certains de ces raisonnements. C’est une perspective intéressante : l’IA pourrait non seulement utiliser les connaissances formalisées de l’entreprise, mais également aider certains experts à mieux expliciter les critères qu’ils mobilisent intuitivement.

Il faut cependant rester prudent. Demander à un expert d’expliquer une décision ne signifie pas que l’on a capturé son expertise. Son explication peut être partielle. Il peut rationaliser après coup une intuition qu’il ne sait pas réellement décomposer. Une règle extraite d’une situation précise peut ensuite être appliquée dans un contexte où elle n’est plus pertinente.

Formaliser le savoir ne consiste donc pas simplement à enregistrer davantage d’informations. Il faut aussi conserver les conditions dans lesquelles ce savoir est valable.

Le risque de croire que tout est désormais dans le système

C’est probablement l’un des risques les moins visibles des nouveaux systèmes de connaissances alimentés par l’IA. À mesure qu’ils deviennent plus performants, les entreprises peuvent être tentées de considérer qu’une part croissante de leur expertise se trouve désormais « dans le système ».

Ce serait aller trop vite.

Une base documentaire enrichie par l’IA peut contenir les règles connues, les décisions documentées, les historiques et les expériences qui ont pu être explicitées. Elle capture beaucoup moins facilement le jugement construit au fil du temps ou la compréhension implicite d’une situation.

À cela s’ajoute une autre difficulté : le savoir évolue. Une procédure correcte aujourd’hui peut devenir inadaptée demain. Une règle conçue pour un environnement économique particulier peut perdre sa pertinence. Une exception peut progressivement devenir une pratique normale.

Une IA connectée à une connaissance ancienne peut alors produire une réponse très cohérente et pourtant inadaptée.

La question de la mise à jour devient donc aussi importante que celle de la capture. Il faut déterminer qui peut déclarer qu’une connaissance n’est plus valable, comment arbitrer lorsque deux experts ne partagent pas la même interprétation et comment conserver les raisons pour lesquelles une règle a été modifiée.

Nous sommes déjà assez loin d’un simple projet technologique.

Ce que l’IA révèle de nos organisations

La littérature utilise depuis plusieurs années différentes notions de knowledge debt. Je ne chercherais donc pas à faire de la « dette de connaissance » un nouveau concept EntrepreneurIA. L’expression reste néanmoins utile pour regarder ce que l’IA met aujourd’hui en lumière. Toutes ces connaissances que l’entreprise aurait probablement dû documenter, transmettre ou clarifier et qu’elle a laissé reposer sur quelques personnes ou sur des pratiques informelles.

Cette fragilité apparaît traditionnellement lorsqu’un expert quitte l’entreprise, lorsqu’une équipe est réorganisée ou lorsqu’une fusion oblige deux organisations à confronter leurs méthodes. L’IA ajoute une situation nouvelle : elle oblige à expliquer à un système un fonctionnement que l’organisation n’avait parfois jamais eu besoin de formaliser pour elle-même.

C’est à cet endroit que je vois un prolongement intéressant pour mes travaux EntrepreneurIA et pour le cadre exploratoire VALEUR.

Il existe une différence entre disposer d’une donnée, comprendre ce qu’elle signifie dans un contexte précis, posséder la connaissance métier nécessaire pour l’interpréter et être capable d’exercer un jugement lorsqu’une situation sort du cadre habituel. Je ne chercherais pas à transformer ces étapes en nouvelle taxonomie. Elles permettent simplement de comprendre pourquoi connecter un modèle à davantage de documents ne suffit pas nécessairement à lui donner une meilleure compréhension de l’entreprise.

Les trois situations observées racontent d’ailleurs des choses assez différentes. Active Asset Allocation montre le travail nécessaire pour formaliser une expertise afin de pouvoir l’inscrire dans des méthodes digitales. Cirkwi montre comment des données hétérogènes doivent être structurées et comment les apprentissages liés aux usages peuvent circuler entre les équipes. Virteem met en évidence une autre difficulté : retrouver et organiser une connaissance qui existe déjà, mais reste dispersée.

Aucun de ces cas ne permet d’établir une méthode universelle. Ils montrent surtout que le problème commence bien avant le choix du modèle d’IA.

Une question à poser avant de connecter l’IA

Nous demandons souvent aux entreprises si leurs données sont prêtes pour l’IA. Je continuerais à poser cette question, mais j’en ajouterais quelques autres.

Quelles sont les connaissances dont la disparition mettrait réellement l’entreprise en difficulté ? Où se trouvent-elles aujourd’hui ? Comment les nouveaux collaborateurs les acquièrent-ils ? Les personnes qui les détiennent savent-elles les expliquer ? Et lesquelles avons-nous réellement intérêt à transférer dans nos systèmes ?

L’objectif n’est probablement pas de tout formaliser. Certaines connaissances gagnent énormément à être partagées et rendues accessibles. D’autres reposent sur une expertise humaine qui doit continuer à se construire. Certaines décisions peuvent être largement assistées par l’IA, tandis que d’autres exigent qu’une personne reste capable de comprendre suffisamment la situation pour contester ce que le système lui propose.

Le patrimoine le plus difficile à donner à une IA n’est peut-être finalement pas celui que l’entreprise a documenté. C’est celui qu’elle utilise quotidiennement sans avoir jamais eu besoin de l’écrire.

Avant de demander ce que l’IA sait de notre entreprise, il reste donc une question préalable : savons-nous réellement ce que notre entreprise sait ?

Note méthodologique

Cet article s’inscrit dans la réflexion EntrepreneurIA sur les conditions organisationnelles de création de valeur par l’intelligence artificielle. Les distinctions entre données, contexte, connaissance métier et jugement sont utilisées comme outils d’analyse éditoriale. Elles ne constituent pas une taxonomie scientifique validée.

Les notions de connaissance tacite, de gestion des connaissances, d’apprentissage organisationnel et de knowledge debt sont antérieures à l’intelligence artificielle générative et disposent de leurs propres corpus scientifiques. Les recherches récentes étudient notamment la manière dont les systèmes génératifs peuvent modifier la capture, l’explicitation, la circulation et l’utilisation des connaissances organisationnelles. Elles ne permettent pas de conclure que les connaissances tacites peuvent être intégralement formalisées ou transférées à une IA.

Les cas Active Asset Allocation, Cirkwi et Virteem sont issus d’entretiens réalisés dans le cadre d’EntrepreneurIA. Ils constituent des observations de terrain et non des expérimentations contrôlées. Ils sont utilisés ici pour confronter les questions issues de la littérature aux pratiques décrites par les dirigeants interrogés.

Références de travail

Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.

Wiesenfeld, B. M. & Kellogg, K. C. (2026). Generative organizational learning: Affordances for new modes of knowledge search, creation, transfer, and forgetting with LLMs. Strategic Organization, 24(2), 256–284. DOI: 10.1177/14,761,270,251,408,580.

La littérature récente consacrée à l’intégration de l’IA générative dans le knowledge management, à la capture des connaissances tacites, au RAG en entreprise et au context engineering complète cette analyse. Plusieurs de ces travaux étant récents, leurs conclusions doivent être interprétées avec prudence, notamment faute de recul longitudinal suffisant sur les effets organisationnels de l’IA générative.