Lorsque vos initiatives d’IA, qu’il s’agisse de copilotes ou de systèmes d’agents plus avancés, ne produisent pas d’impact métier, il est facile de supposer que le problème vient de vos données, surtout si vous avez beaucoup investi dans des data lakes, des plateformes, des entrepôts de données et des tableaux de bord.
Si une mauvaise gestion des données dans un environnement d’IA peut entraîner des réponses imprécises, des hallucinations et un manque général de confiance de la part des métiers, le défi est souvent plus large.
En clair, l’IA ne fonctionne pas uniquement avec des données. Elle a besoin de connaissances d’entreprise. Et ce n’est pas quelque chose que l’on peut simplement déposer dans un système avant de considérer le sujet réglé. Ces connaissances doivent être structurées, contextualisées, confiées à des responsables clairement identifiés et entretenues en continu pour rester pertinentes.
Sur la base de l’expérience de NTT DATA dans des projets d’IA d’entreprise, voici huit façons de mettre les connaissances d’entreprise au service de l’IA.
- À LIRE ÉGALEMENT: Beyond the hype: How AI is delivering real business results
1. Utiliser les connaissances d’entreprise pour améliorer les performances de l’IA
Prenons l’exemple d’une entreprise mondiale de services financiers qui décide de déployer un copilote IA interne pour accompagner ses responsables de la relation client. Son socle de données est solide, avec des données clients propres, des systèmes produits intégrés et une plateforme data moderne. Pourquoi, alors, son copilote peine-t-il à répondre à des questions simples comme : « Quels produits sont pertinents pour ce segment de clientèle ? »
Le problème est que les données ne portent pas de signification commune. Le système d’IA n’a pas accès à une définition partagée de « segment de clientèle », ne comprend pas les relations entre les produits et les cas d’usage, et manque de contexte sur les règles métier globales de l’entreprise.
L’ajout d’une couche de connaissances enrichit les données avec du sens, du contexte et des relations.
À retenir : les données indiquent ce qui s’est passé. Les connaissances indiquent à l’IA ce que cela signifie et ce qu’elle doit faire ensuite.
2. Établir un sens partagé avant de déployer l’IA à grande échelle
Dans une entreprise de télécommunications, par exemple, différentes équipes peuvent définir un « client actif » de façons différentes. Résultat : dès qu’elles commencent à utiliser des analyses pilotées par l’IA à l’échelle de l’entreprise, chaque équipe obtient une réponse différente à la même question.
Ce résultat indésirable peut être évité en établissant un socle sémantique commun, avec des glossaires métier, des indicateurs standardisés et des définitions communes aux différents systèmes.
À retenir : si votre organisation ne parvient pas à s’accorder sur les définitions, votre IA n’y parviendra pas non plus.
3. Combiner les graphes de connaissances et la recherche vectorielle
Pour optimiser la gestion des données, faut-il investir dans des graphes de connaissances ou simplement utiliser des bases de données vectorielles ?
Imaginons une entreprise du secteur de la santé qui utilise la recherche vectorielle pour alimenter un assistant clinique. Au départ, celui-ci fonctionne bien, car il récupère des documents à partir de grands volumes de données non structurées. Mais lorsqu’on lui demande de naviguer dans des règles de conformité ou d’appliquer des protocoles de traitement, ses réponses deviennent moins fiables. La récupération d’informations seule ne suffit pas lorsque la précision et le raisonnement sont essentiels.
En introduisant un graphe de connaissances, l’entreprise modélise les relations entre les patients, les traitements et les réglementations. L’assistant comprend alors comment les éléments sont liés. Ses réponses deviennent explicables, ce qui est essentiel pour la conformité, et il gère les cas limites avec beaucoup plus d’assurance.
Les vecteurs apportent de la flexibilité lorsqu’il faut travailler avec des contenus hétérogènes et non structurés. Les graphes de connaissances apportent de la structure, du contexte et une couche de raisonnement fiable. Vous avez besoin des deux.
À retenir : les connaissances activées par l’IA sont hybrides par conception.
4. Traiter les connaissances comme un produit doté d’un cycle de vie
Un industriel peut constituer une base de connaissances solide pour ses procédures de maintenance, et celle-ci fonctionnera probablement bien pendant un certain temps. Mais dès que ses processus évoluent, l’IA continuera de recommander des instructions obsolètes, au risque de frustrer les opérateurs.
L’erreur consiste à traiter les connaissances comme un élément statique. Elles se comportent beaucoup plus comme un logiciel : elles ont besoin de versions, de mises à jour, de tests et d’améliorations continues. Il faut les gérer comme un actif vivant, ce qui implique de :
- capturer à la fois le savoir-faire documenté et l’expertise non formalisée des collaborateurs ;
- les structurer avec une sémantique et une classification claires ;
- les intégrer dans les pipelines, les graphes et les embeddings ;
- les activer par la recherche, les agents et la génération augmentée par récupération (RAG) ;
- les maintenir grâce à des contrôles qualité continus, des mises à jour et un archivage rigoureux.
À retenir : des connaissances qui ne sont pas entretenues deviennent un passif.
5. Capturer les connaissances tacites pour préserver votre avantage concurrentiel
Certaines des connaissances les plus précieuses de votre organisation ne sont pas formalisées. Elles apparaissent dans la manière dont les collaborateurs expérimentés prennent des décisions, dans les raccourcis qu’ils utilisent, dans les conversations qu’ils mènent et dans les habitudes qu’ils ont construites au fil du temps.
Prenons une entreprise de logistique où les meilleurs répartiteurs surpassent systématiquement l’IA parce qu’ils s’appuient sur leur intuition et sur des heuristiques construites au fil de plusieurs années d’expérience. Comment l’entreprise peut-elle capturer ces connaissances tacites et les réinjecter dans le système ?
- Process mining : analyser les données d’exécution réelles pour découvrir les schémas et les chemins de décision cachés derrière les processus formels.
- Transcription des décisions assistée par l’IA : capturer et structurer la prise de décision en temps réel en transformant les conversations, les appels et les notes en connaissances exploitables.
- Boucles de feedback structurées : créer des moyens simples et cohérents permettant aux experts de corriger et d’affiner les résultats de l’IA afin que le système apprenne d’eux au fil du temps.
À retenir : si ces connaissances ne vivent que dans la tête de vos collaborateurs, votre IA ne les apprendra jamais.
Concevoir la récupération d’informations pour l’IA, pas pour les humains
La gestion traditionnelle des connaissances a été conçue pour les personnes. Mais l’IA ne « recherche » pas comme nous. Elle rassemble juste assez de contexte pour effectuer l’étape suivante.
Par exemple, lorsqu’une entreprise de retail met en place un chatbot reposant sur une approche basique de recherche documentaire, celui-ci risque de renvoyer des réponses longues et peu pertinentes, car il récupère des documents entiers au lieu d’identifier et de présenter les éléments précis adaptés au contexte.
Pour y remédier, l’entreprise doit repenser la couche de récupération autour des éléments suivants :
- RAG : récupérer uniquement les extraits d’information les plus pertinents et les utiliser pour ancrer la réponse de l’IA, au lieu de s’appuyer sur des documents entiers.
- Recherche hybride (mots-clés, sémantique et graphes) : combiner correspondances exactes, récupération fondée sur le sens et requêtes tenant compte des relations afin d’obtenir à la fois précision et contexte.
- Filtrage contextuel : filtrer les résultats selon la situation — qui pose la question, ce que la personne cherche à faire et ce qui est pertinent à ce moment précis — afin que l’IA ne voie que ce qui compte réellement.
À retenir : l’objectif n’est pas seulement d’accéder aux connaissances, mais de les rendre exploitables par l’IA.
7. Rendre la gouvernance opérationnelle
La gouvernance n’est pas optionnelle dans l’IA d’entreprise, en particulier dans les secteurs fortement réglementés comme les services financiers et la santé.Prenons une banque qui évalue le déploiement d’une solution d’IA. S’il n’existe aucun moyen de retracer l’origine des données, la manière dont elles ont été utilisées ou la façon dont les différentes connaissances sont reliées, le projet finira par bloquer, car les réponses ne pourront être ni expliquées ni jugées fiables.
En revanche, en mettant en place des graphes de connaissances et des cadres de gouvernance, la banque peut remonter des réponses à leurs sources, comprendre comment les décisions sont prises et appliquer les règles de risque et de conformité appropriées tout au long du processus.
À retenir : sans gouvernance, pas de confiance ; et sans confiance, pas d’adoption.
8. Commencer petit, mais concevoir pour le passage à l’échelle dès le premier jour
Essayer de « corriger » la gestion des connaissances dans toute l’organisation en une seule fois fonctionne rarement. Le sujet est trop vaste et trop abstrait.
Une meilleure approche consiste à commencer par un cas d’usage à forte valeur, comme le support client ou les opérations, puis à construire à partir de là. L’objectif est de créer des éléments réutilisables, tels que des ontologies, des pipelines de connaissances et des modèles de récupération. Une fois leur valeur démontrée, ils peuvent être étendus à d’autres domaines.
Une entreprise de services publics, par exemple, peut commencer par un problème ciblé : traduire le langage naturel en SQL pour des données opérationnelles. En ancrant le système dans des ontologies claires, une logique déterministe et des grands modèles de langage (LLM) appliqués avec rigueur, elle obtient quelque chose de fiable, plutôt qu’une démonstration de plus.
À retenir : pensez grand, commencez petit et passez rapidement à l’échelle.
Agentic AI relève le niveau d’exigence
Agentic AI ajoute une puissance considérable aux systèmes d’IA, mais élève aussi le niveau d’exigence. Votre stratégie de connaissances d’entreprise doit agir comme un levier pour rendre ces systèmes plus fiables et plus explicables.
Lorsque vous commencez à utiliser des ontologies et des connaissances structurées pour résoudre l’intention utilisateur de manière déterministe, et à faire appel au grand modèle de langage (LLM) uniquement lorsque cela est nécessaire, tout en encadrant ses résultats avec du contexte et des règles, la couche de connaissances devient le véritable cerveau du système, davantage que le LLM lui-même.
Cela se produit lorsque vous cessez de compter sur le modèle pour tout comprendre seul. Utilisez les ontologies et les connaissances structurées pour résoudre l’intention lorsque c’est possible. Faites intervenir le LLM lorsqu’il apporte de la valeur et, même dans ce cas, maintenez-le ancré dans le bon contexte et les bonnes contraintes. À ce stade, la couche de connaissances réalise l’essentiel du travail. Le modèle devient un composant, et non le centre du système.
S’il ne fallait retenir qu’une idée, ce serait celle-ci : l’IA est un problème de connaissances, pas un problème de modèle. Traitez les connaissances comme un véritable actif, et le reste commencera à se mettre en place.
- À LIRE ÉGALEMENT: Why communication is enterprise AI’s next bottleneck
PROCHAINE ÉTAPE
Découvrez les services d’IA de NTT DATA pour comprendre comment nous pouvons vous aider à opérationnaliser l’IA dans toute votre organisation.