L'IA d'entreprise et la dette de contenu : un frein à la productivité

La dette de contenu : un frein sous-estimé pour l'IA d'entreprise

L'enthousiasme autour de l'intelligence artificielle (IA) promettait une révolution dans la productivité des entreprises. Pourtant, les résultats concrets tardent à se manifester. En 2024, une étude menée par le Boston Consulting Group (BCG) a révélé que seulement 4 % des entreprises parviennent à générer une valeur substantielle grâce à l'IA. L'année suivante, Gartner a estimé que d'ici 2026, 60 % des projets d'IA seraient abandonnés. Cette désillusion est en partie attribuée à un problème souvent négligé : la dette de contenu.

Quand le document devient le problème

Les modèles d'IA évoluent à une vitesse impressionnante, mais les entreprises peinent à transformer ces avancées en succès concrets. Ce décalage mérite une attention particulière. Il se pourrait que l'obstacle ne réside pas dans les algorithmes eux-mêmes, mais dans les données qu'ils utilisent. Lorsqu'une IA d'entreprise génère une réponse, elle ne s'appuie pas sur une base de connaissances universelle. Elle puise dans les documents et les informations que l'organisation lui fournit. Si ces données sont confuses, contradictoires ou obsolètes, l'IA ne peut pas produire de résultats fiables. Même le modèle d'IA le plus sophistiqué reste tributaire de la qualité des données, souvent comparée à un carburant essentiel.

Ce problème n'est pas nouveau. Avant l'ère de l'IA, les entreprises perdaient déjà du temps à chercher des informations précises dans une multitude de documents. La question de la version correcte d'un processus ou d'une procédure était déjà un casse-tête. Combien de fois une information a-t-elle été recherchée, vérifiée, et finalement retrouvée dans un document différent de celui initialement consulté ?

L'IA ne crée pas de désordre. Elle le révèle

Les documents bureautiques tels que Word, PowerPoint et PDF sont devenus des outils standard pour consigner les connaissances. Bien qu'efficaces pour rédiger et partager des informations, ils présentent des limites significatives. En encapsulant le contenu, ils le rendent difficile à retrouver et à réutiliser. Cette encapsulation conduit à des pratiques de copie, d'adaptation et de duplication, qui finissent par altérer l'information initiale. La multiplication des versions d'un même document peut entraîner des contradictions, rendant la source de vérité unique difficile à identifier.

En pratique, cela se traduit par des procédures mises à jour dans un document mais pas dans un autre, ou des versions différentes circulant par e-mail et sur des espaces partagés. Cette duplication nuit à l'intégrité et à la valeur de l'information. Par exemple, une procédure peut être mise à jour dans un fichier partagé, mais pas dans celui qui est envoyé par e-mail, créant ainsi des divergences.

Ce qu’est une base de connaissance viable

Une IA générative mal alimentée s'efforce de créer de la cohérence à partir de données incohérentes. Bien que des règles anti-hallucinations limitent les inventions manifestes, elles ne peuvent résoudre les contradictions internes. L'IA peut alors produire des réponses plausibles mais pas nécessairement vraies, en cherchant une cohérence statistique plutôt qu'une preuve factuelle.

Pour réussir un projet d'IA, il est crucial de se concentrer sur la qualité des connaissances fournies. Une base de connaissance exploitable repose sur quatre principes essentiels :

• Identifier une source de vérité unique, où l'information critique est centralisée.
• Définir une gouvernance claire pour la création, l'accès et la validation des contenus.
• Enrichir les contenus avec des métadonnées pour déterminer leur nature, statut et relations.
• Assurer la durabilité de cet ensemble par des contrôles et audits réguliers.

Bien que ces principes semblent évidents, leur mise en œuvre se heurte souvent à la complexité des documents eux-mêmes. Les entreprises doivent s'assurer que chaque document est à jour et que toutes les versions sont alignées.

Aller vers la structuration et le graphe de connaissance

Les documents traditionnels regroupent des informations variées sans distinction claire. Cela pose problème, notamment dans les secteurs réglementés comme l'aéronautique ou la défense, qui ont adopté des contenus structurés pour certaines documentations techniques.

Cette approche consiste à organiser la connaissance en composants uniques, chacun avec son propre cycle de vie et ses métadonnées. Ainsi, toute publication résulte d'un assemblage dynamique de contenus validés, illustré par la norme DITA XML. Les avantages incluent la publication multicanal, la parallélisation des tâches, une meilleure traçabilité et une réduction des coûts de traduction.

En enrichissant continuellement les contenus avec des métadonnées, les entreprises créent progressivement un graphe de connaissance. Cette cartographie vivante permet à l'IA de répondre efficacement aux requêtes en s'appuyant sur une source de vérité unique, améliorant ainsi la rapidité et la fiabilité des réponses.

Longtemps considérée comme une préoccupation de rédacteurs techniques, cette approche est désormais reconnue pour son importance dans l'optimisation des usages de l'IA. Les entreprises qui adoptent cette méthode constatent une amélioration notable de l'efficacité de leurs systèmes d'IA, car elles peuvent s'appuyer sur des données fiables et cohérentes.