L’AI d’entreprise s’est heurtée à un problème : les connaissances sur le travail n’existent que dans la tête des gens

Les entreprises investissent des milliards dans l'IA d'entreprise, mais font face à un problème fondamental : la majorité du savoir sur la façon dont le travail fonctionne réellement ne vit pas dans les bases de données et les documents — mais dans les esprits des employés. Et extraire ce savoir est beaucoup plus difficile qu'il n'y paraît.

Le savoir invisible de l'entreprise

Les systèmes d'entreprise formels — CRM, ERP, Jira, Confluence — capturent les résultats et les processus formels. Mais ils ne capturent presque jamais ce qui compte vraiment : comment exactement un gestionnaire expérimenté a résolu une question litigieuse avec un client clé, pourquoi une équipe contourne un goulot d'étranglement du pipeline exactement de cette manière depuis des années, quelles nuances sont cruciales lorsqu'on travaille avec un partenaire spécifique. Ce phénomène s'appelle « savoir tacite » — un terme introduit par le philosophe Michael Polanyi.

Son essence : un expert souvent ne peut pas expliquer pourquoi il prend une décision particulière — il le sait simplement. Un cuisinier expérimenté comprend au toucher quand la pâte est prête. Un avocat expérimenté voit instantáneament une clause problématique dans un contrat.

L'IA sans ce contexte reste aveugle, quelle que soit la puissance de son architecture.

Pourquoi c'est difficile à numériser

L'IA d'entreprise fait face à ce problème sous plusieurs angles :

• Articulation : les employés souvent ne peuvent pas décrire ce qu'ils font — ils agissent par intuition développée au fil des ans
• Volatilité : le savoir informel se met constamment à jour sous l'influence de nouveaux événements, tandis que la documentation prend du retard
• Incitations : un employé n'a pas de motivation directe pour expliquer exactement comment il travaille — c'est son avantage concurrentiel au sein de l'entreprise
• Contexte : la même règle fonctionne complètement différemment selon le client, le délai et la composition de l'équipe
• Échelle : dans une grande organisation, il existe des milliers de détenteurs de savoir unique, et chacun a sa propre version des mêmes processus

Même un modèle de langage puissant entraîné sur les documents officiels de l'entreprise donnera des conseils qui fonctionnent sur le papier mais divergent de la réalité. C'est ce que Bloomberg appelle le principal défi non résolu de l'IA d'entreprise aujourd'hui.

Ce que les entreprises essaient déjà

Plusieurs approches gagnent en traction. Certaines entreprises lancent des programmes d'« extraction de savoir » — des séries d'entretiens structurés avec des experts clés, dont les enregistrements sont ensuite utilisés pour l'ajustement fin de modèles internes ou le remplissage de bases de connaissances d'entreprise. Laborieux, mais produit une haute qualité.

D'autres implémentent des outils d'exploration de processus : ils analysent automatiquement les journaux des systèmes ERP et CRM et reconstruisent les processus de travail réels — ce qui se passe réellement, pas ce qui est écrit dans les règlements. L'écart entre eux peut être frappant.

Enfin, une classe entière de logiciels a émergé — des « ombres » d'IA, qui observent les actions d'un employé en arrière-plan et construisent progressivement un modèle de son comportement. Cela soulève de sérieuses questions sur la vie privée et les droits de propriété du savoir accumulé par une personne au fil des années de travail.

« Le vrai défi n'est pas d'entraîner un modèle sur les données de l'entreprise.

Le défi est d'abord d'extraire ces données des gens. »

Ce que cela signifie

L'IA d'entreprise est contrainte non pas tant par la technologie que par l'anthropologie organisationnelle. Les entreprises qui apprennent à extraire et numériser systématiquement le savoir informel de leurs employés obtiendront un véritable avantage concurrentiel — non pas de modèles plus intelligents, mais de meilleures données sur la façon dont leur entreprise fonctionne réellement. Cela déplace la concurrence de la question « dont l'IA est la plus puissante » à « qui se connaît mieux ».