Comment créer une base de connaissances réellement exploitable par l'IA ?

Les entreprises n’ont jamais produit autant de documentation. Manuels opératoires, procédures, supports de formation, comptes rendus, FAQ, documents juridiques, présentations, fiches pratiques, guides métier, intranets… Dans un réseau multi-implanté, la quantité d’informations disponibles peut rapidement devenir considérable.

Avec l’arrivée de l’intelligence artificielle, une promesse particulièrement séduisante est apparue : permettre à chaque collaborateur de poser une question et d’obtenir immédiatement la bonne réponse, sans avoir à chercher pendant vingt minutes dans plusieurs dossiers ou à appeler quelqu’un au siège. C’est d’ailleurs l’un des usages concrets de l’IA pour les réseaux multi-implantés.

Sur le papier, le principe semble simple : centraliser les documents de l’entreprise, donner accès à cette documentation à une intelligence artificielle et la laisser répondre aux questions des utilisateurs. Dans la réalité, les choses sont un peu plus complexes. Car une collection de documents n’est pas encore une base de connaissances. Avoir numérisé l’ensemble des procédures d’un réseau ne signifie pas qu’une IA sera capable de les comprendre correctement, de retrouver la bonne information au bon moment et, surtout, de restituer une réponse suffisamment fiable pour être utilisée sur le terrain.

C’est souvent à ce moment-là que l’on découvre un problème plus profond. Le sujet n’est pas forcément l’intelligence artificielle : le sujet, c’est la connaissance de l’entreprise elle-même.

Les 5 piliers en bref

1. La clarté : des règles explicites, qui ne laissent pas de place à l’interprétation.
2. La structure : une logique commune à tous les documents.
3. La traçabilité : une date, une version et un responsable pour chaque contenu.
4. Le découpage : des blocs précis qui conservent leur contexte.
5. La gouvernance : des règles claires pour créer, valider, mettre à jour et retirer les contenus.

L’IA révèle souvent un problème documentaire qui existait déjà

Trois situations courantes

Imaginons un directeur de magasin qui cherche à savoir quelle procédure suivre lorsqu’un client demande un remboursement dans une situation particulière. Il pose la question à l’assistant IA de son réseau, qui retrouve deux documents. Le premier indique qu’un remboursement doit être validé par le responsable du point de vente ; le second explique qu’une validation du service client national est obligatoire au-delà d’un certain montant. Aucun des deux ne précise clairement lequel est le plus récent. L’intelligence artificielle se retrouve alors face au même problème qu’un collaborateur humain : elle dispose de plusieurs informations, mais ne sait pas laquelle fait autorité.

Autre cas fréquent : une procédure explique comment réaliser une opération dans « les magasins », sans préciser qu’elle ne concerne en réalité que les succursales et non les franchisés. Ou encore, une ancienne version d’une procédure reste accessible dans un espace documentaire alors qu’une nouvelle version a été diffusée six mois plus tôt.

Dans chacun de ces cas, la technologie n’est pas vraiment en cause. C’est la connaissance elle-même qui manque de clarté, de structure ou de gouvernance. L’arrivée de l’IA ne crée donc pas ces difficultés : elle les rend simplement beaucoup plus visibles.

Ce que l’IA ne peut pas deviner

Pendant longtemps, ces incohérences ont été compensées par l’expérience des collaborateurs. Quelqu’un au siège savait que le document n’était plus à jour, un animateur réseau connaissait l’exception, un responsable expliquait oralement que « dans ce cas précis, on fait différemment ».

Une intelligence artificielle ne possède pas spontanément cette mémoire informelle : elle travaille à partir de ce qu’on lui donne. C’est une règle essentielle à garder en tête : une IA ne peut pas inventer proprement un processus qui n’a jamais été formalisé, et elle ne sera jamais plus à jour que les connaissances auxquelles elle a accès.

Construire une base de connaissances adaptée à l’IA revient donc à travailler sur cinq grands sujets : la clarté, la structure, la traçabilité, le découpage des informations et la gouvernance documentaire.

1. La clarté : une IA ne devrait pas avoir à deviner ce que voulait dire l’auteur

Le premier principe peut sembler évident : une procédure doit être claire. Pourtant, beaucoup de documents internes ont été construits progressivement, parfois par plusieurs personnes, à différentes périodes et avec des objectifs différents. On y trouve des formulations comme « En cas de besoin, prévenir le responsable. » Mais quel responsable ? Celui du magasin, l’animateur réseau, la direction régionale, le siège ? Et que signifie exactement « en cas de besoin » ?

Pour un collaborateur expérimenté, la réponse paraît évidente parce qu’il connaît le fonctionnement de l’organisation. Pour une nouvelle recrue, beaucoup moins. Et pour une intelligence artificielle, cette ambiguïté devient une source potentielle d’erreur.

Une base documentaire exploitable par l’IA doit donc tendre vers des informations explicites : qui fait quoi, dans quelle situation, à quel moment, avec quelles limites, selon quelles conditions et avec quelles exceptions ?

Prenons une autre formulation : « Les demandes importantes doivent être transmises au siège. » L’intention est compréhensible, mais l’information n’est pas exploitable en l’état. Qu’est-ce qu’une demande importante ? Une demande supérieure à 500 euros, une demande impliquant un risque juridique, une demande provenant d’un client stratégique ? Une IA fonctionne beaucoup mieux lorsqu’elle dispose de règles suffisamment précises pour ne pas avoir à interpréter ce qui aurait dû être formalisé.

La préparation d’une base de connaissances commence donc souvent par une étape peu spectaculaire : relire les documents existants et se demander si une personne ne connaissant pas déjà le réseau serait réellement capable de les comprendre. C’est un excellent test. Si un nouveau collaborateur doit systématiquement demander à un collègue ce que signifie une procédure, il y a de fortes chances qu’une IA rencontre exactement la même difficulté.

2. La structure homogène : aider l’IA à comprendre où se trouve l’information

La deuxième étape consiste à donner une organisation cohérente aux contenus. Dans beaucoup d’entreprises, les documents se sont accumulés au fil du temps et sous des formes très variées :

• une procédure rédigée sous Word ;
• une autre dans une présentation PowerPoint ;
• une troisième dans une FAQ ;
• une quatrième dans un PDF de soixante pages ;
• une information importante uniquement présente dans le compte rendu d’une réunion organisée il y a deux ans ;
• une autre dans un email que seules trois personnes ont conservé.

Pour un humain, cette dispersion est déjà problématique. C’est tout l’enjeu de centraliser les informations d’un réseau de franchise sans complexifier son pilotage. Pour une IA, elle complique également l’identification de la bonne information et la compréhension du contexte dans lequel elle doit être utilisée.

L’objectif n’est pas de transformer tous les documents en formulaires parfaitement identiques. Il s’agit plutôt d’instaurer une logique commune. Une procédure peut, par exemple, toujours préciser :

• son objectif ;
• les personnes concernées ;
• son périmètre d’application ;
• les différentes étapes ;
• les éventuelles exceptions ;
• les documents associés.

Cette homogénéité apporte un double bénéfice. Elle aide les collaborateurs à mieux naviguer dans la documentation, et elle facilite l’exploitation de la connaissance par l’IA, car l’information est organisée de manière plus prévisible.

Prenons l’exemple d’un réseau disposant de procédures différentes selon les formats de magasins. Si chaque document indique clairement, au même endroit, à quelles implantations il s’applique, l’IA pourra beaucoup plus facilement sélectionner la bonne réponse. Si cette information figure tantôt dans le titre, tantôt dans une note de bas de page, tantôt nulle part, le risque d’erreur augmente.

Structurer la connaissance ne consiste donc pas simplement à ranger les documents dans des dossiers. Cela consiste à donner à chaque information suffisamment de contexte pour comprendre ce qu’elle signifie et quand elle s’applique.

3. La traçabilité : savoir quelle information fait réellement référence

C’est probablement l’un des problèmes les plus fréquents. Une entreprise met à jour une procédure et diffuse la nouvelle version, mais l’ancienne reste disponible quelque part. Quelques mois plus tard, les deux documents ressortent lors d’une recherche : le collaborateur hésite, et l’IA aussi.

Pour construire une base de connaissances fiable, chaque contenu important devrait pouvoir répondre à trois questions simples :

• Quand cette information a-t-elle été mise à jour ?
• Quelle est sa version ?
• Qui en est responsable ?

Ces éléments peuvent paraître administratifs, mais ils deviennent essentiels dès lors que l’on utilise l’IA pour accéder à la connaissance de l’entreprise. Une procédure datant de 2023 et une procédure mise à jour en 2026 ne doivent pas être considérées comme équivalentes. Il faut pouvoir identifier la version qui fait autorité et, lorsqu’une information semble incohérente, savoir qui peut la vérifier ou la corriger.

La traçabilité est d’autant plus importante dans les réseaux dont les procédures évoluent souvent : nouvelle réglementation, changement d’offre commerciale, déploiement d’un nouveau logiciel, modification d’une procédure d’ouverture ou d’une règle de validation. Dans chacun de ces cas, l’assistant IA ne doit pas seulement connaître la nouvelle information : il faut aussi s’assurer que l’ancienne ne vienne plus perturber ses réponses.

Le travail documentaire ne s’arrête donc pas à la publication d’une nouvelle version. Il faut aussi organiser le retrait, l’archivage ou la désactivation des contenus devenus obsolètes.

4. Le découpage intelligent : retrouver précisément la bonne information

Une autre erreur consiste à croire qu’il suffit de transmettre à une IA des documents complets pour qu’elle retrouve toujours l’information pertinente. Imaginons un manuel opératoire de 250 pages couvrant l’ouverture, la vente, les ressources humaines, la relation client, la communication locale, les commandes, les litiges et la fermeture du point de vente. Toutes les réponses y figurent peut-être, mais elles ne sont pas forcément organisées de manière assez précise pour être retrouvées facilement.

Construire une bonne base de connaissances suppose donc de réfléchir au niveau auquel l’information doit être structurée :

• une procédure complexe peut être séparée en étapes clairement identifiables ;
• une longue FAQ peut être organisée autour de questions précises ;
• un manuel peut être divisé en sujets suffisamment autonomes pour qu’une réponse soit retrouvée sans avoir à interpréter plusieurs dizaines de pages.

Ce découpage ne doit pas être excessif pour autant, car une information sortie de son contexte peut devenir trompeuse. Prenons la règle « La validation du responsable régional n’est pas nécessaire. » Si cette phrase est séparée du paragraphe qui précise qu’elle ne concerne que les commandes inférieures à un certain montant, elle peut conduire à une réponse totalement incorrecte.

Le bon découpage repose donc sur un équilibre : chaque bloc de connaissance doit être suffisamment précis pour être retrouvé facilement, mais suffisamment complet pour conserver le contexte indispensable à sa compréhension. C’est un travail invisible pour l’utilisateur final, mais c’est souvent lui qui fait la différence entre un assistant aux réponses approximatives et un assistant qui retrouve réellement l’information pertinente.

Découvrir la base de connaissances Cerca

5. La gouvernance documentaire : la condition pour que la base reste utile dans le temps

C’est sans doute le point le moins spectaculaire, et pourtant peut-être le plus important. Une base de connaissances n’est jamais terminée. L’entreprise évolue, les processus changent, de nouveaux produits apparaissent, les équipes se réorganisent, des règles deviennent obsolètes et des exceptions sont créées. Construire une base documentaire de qualité à un instant donné ne suffit donc pas : il faut savoir comment elle va vivre.

Quelques questions permettent de poser les bases de cette gouvernance :

• Qui peut créer une nouvelle procédure ?
• Qui doit la valider ?
• Qui est responsable de sa mise à jour ?
• À quelle fréquence certaines informations doivent-elles être revues ?
• Que fait-on des anciennes versions ?
• Comment signale-t-on une information devenue incorrecte ?
• Qui tranche lorsque deux documents se contredisent ?

Sans gouvernance, une base de connaissances se dégrade progressivement. Elle commence avec des documents propres et cohérents, puis les versions se multiplient, les mises à jour ne sont plus systématiques et les utilisateurs perdent confiance. Or la confiance est fondamentale : si un collaborateur obtient trois réponses erronées en quelques semaines, il risque très rapidement d’arrêter d’utiliser l’assistant.

La qualité d’une expérience IA dépend donc autant du modèle utilisé que de la discipline avec laquelle la connaissance de l’entreprise est entretenue. Elle dépend aussi de la capacité des équipes à utiliser l’outil au quotidien : c’est le sujet de notre article sur la formation des équipes à l’IA.

Le cas le plus difficile : ce que tout le monde sait, mais que personne n’a écrit

Il existe enfin un sujet particulièrement important dans les réseaux : la connaissance informelle. Chaque organisation en possède énormément. Ce sont toutes ces informations que les collaborateurs expérimentés connaissent, mais qui ne figurent dans aucun document :

« Dans cette situation, appelle plutôt Sophie. »

« Pour ce type de magasin, nous faisons généralement comme ça. »

« Cette procédure fonctionne sauf pendant la période de Noël. »

« Officiellement, le document indique cela, mais depuis l’année dernière nous appliquons une nouvelle règle. »

Ces connaissances permettent souvent à l’organisation de fonctionner, mais elles constituent aussi une fragilité, car elles dépendent des personnes qui les détiennent. Lorsqu’un collaborateur quitte l’entreprise, une partie de ce savoir peut disparaître avec lui. Et lorsqu’on déploie un assistant IA, le problème devient immédiatement visible : l’IA ne sait pas ce que l’entreprise elle-même n’a jamais pris le temps de formaliser.

Déployer une base de connaissances assistée par l’intelligence artificielle peut donc avoir un bénéfice inattendu : obliger l’organisation à identifier son savoir réel. Quelles informations sont documentées ? Quelles pratiques sont uniquement transmises oralement ? Quelles procédures officielles ne correspondent plus vraiment à la réalité ? Quelles personnes concentrent aujourd’hui une connaissance critique ? Ce travail dépasse largement le projet IA : il renforce la transmission du savoir dans l’ensemble du réseau.

Avant de connecter l’IA, tester la qualité de la connaissance

Un exercice simple peut se révéler particulièrement instructif, et il peut être mené avant même de choisir un outil.

À tester dans votre réseau : l’exercice des dix questions

1. Choisissez dix questions fréquemment posées par les équipes terrain. Pas des questions théoriques, mais de vraies questions du quotidien : « Que dois-je faire lorsqu’un client conteste cette situation ? », « Quelle procédure dois-je suivre pour commander ce produit ? », « Qui doit valider cette dépense ? », « Comment déclarer cet incident ? », « Quelle règle s’applique à mon type d’établissement ? »
2. Essayez de retrouver chaque réponse uniquement à partir de la documentation disponible.
3. Analysez le résultat :
   • trois personnes aboutissent à trois réponses différentes ? Le problème existe avant même l’intégration d’une IA ;
   • la réponse nécessite systématiquement d’appeler quelqu’un ? Il manque probablement une information ;
   • deux documents se contredisent ? Ils devront être arbitrés ;
   • personne ne sait quel document est le plus récent ? La traçabilité doit être améliorée.

Cette démarche permet d’inverser la logique. Au lieu de se demander uniquement « Comment connecter notre documentation à une IA ? », on commence par se demander « Notre documentation permet-elle réellement de répondre correctement aux questions de nos équipes ? » C’est probablement le meilleur point de départ.

Une bonne base de connaissances profite d’abord aux humains

C’est peut-être l’un des enseignements les plus importants : les efforts réalisés pour rendre la connaissance exploitable par l’IA améliorent aussi son utilisation par les collaborateurs.

• Une procédure plus claire est plus facile à comprendre.
• Une documentation mieux structurée est plus facile à parcourir.
• Une version clairement identifiée réduit les erreurs.
• Une gouvernance mieux définie évite l’accumulation de documents obsolètes.
• Formaliser le savoir informel facilite l’intégration des nouveaux collaborateurs et limite la dépendance envers quelques experts historiques.

Autrement dit, préparer sa documentation pour l’IA revient souvent à améliorer son organisation documentaire tout court. C’est une excellente nouvelle, car le travail réalisé conserve sa valeur même lorsque les technologies évoluent. Les modèles d’IA changeront, les interfaces aussi, et les assistants deviendront plus performants. Mais une connaissance claire, fiable, structurée et actualisée restera toujours un actif essentiel.

L’IA ne transforme pas automatiquement des documents en connaissance fiable

Nous entendrons de plus en plus parler d’assistants capables d’interroger l’ensemble de la documentation d’une entreprise. La technologie progressera rapidement et facilitera énormément l’accès à l’information. Mais la qualité de la réponse dépendra toujours en partie de la qualité de la connaissance disponible :

• si deux procédures se contredisent, l’IA ne devrait pas avoir à décider seule laquelle correspond à la réalité ;
• si une règle n’est plus à jour, elle peut restituer une information dépassée ;
• si un processus n’a jamais été écrit, elle ne pourra pas le deviner de manière fiable ;
• si un document ne précise pas son périmètre, elle risque de l’appliquer dans une mauvaise situation.

C’est pourquoi, chez Cerca, nous considérons que la réflexion autour des Agents IA ne peut pas être séparée de celle sur la connaissance du réseau. L’objectif n’est pas simplement de permettre à une intelligence artificielle de lire davantage de documents, mais de lui permettre d’accéder à la bonne connaissance, dans sa bonne version, avec son contexte et auprès de la bonne personne.

Une intelligence artificielle peut considérablement simplifier l’accès au savoir d’un réseau, mais elle ne transforme pas automatiquement une documentation confuse en connaissance fiable. Avant de demander à l’IA de mieux comprendre l’entreprise, il faut parfois commencer par aider l’entreprise à mieux organiser ce qu’elle sait.

Demandez vos 30 jours d'essai gratuit sans engagement