Donner à votre IA la connaissance de votre entreprise

Une IA peut rédiger une proposition commerciale convaincante et se tromper sur une condition essentielle de votre offre. Elle sait construire un argumentaire, mais ignore peut-être ce que vos équipes peuvent réellement promettre. Pour les responsables marketing et commerciaux, cette différence mérite autant d’attention que la qualité de la rédaction. Relier l’IA au savoir de l’entreprise commence par un travail très concret sur les informations qui font autorité et sur les personnes qui les maintiennent…
Prenons une situation fictive. Un prospect demande si une prestation comprend l’accompagnement au démarrage. Le commercial dispose d’une ancienne présentation, le site décrit une offre générale et une exception figure dans un échange avec son responsable. Demander à une IA de « faire une réponse professionnelle » ne résout pas ce désaccord. Avant de produire le message, il faut retrouver la bonne règle, vérifier son périmètre et savoir si elle s’applique à ce prospect.
Commencer par les questions qui ralentissent le travail
Le point de départ peut tenir dans une réunion avec les équipes. Quelles informations cherchez-vous avant de répondre à un client ? Quelles demandes vous obligent à interrompre un collègue ? À quels endroits les versions divergent-elles ? Ces questions permettent de choisir un premier usage dont on pourra observer les effets.
Pour une équipe marketing, il peut s’agir de retrouver les preuves autorisées pour soutenir une promesse dans une campagne. Pour les commerciaux, de vérifier les prestations incluses dans une offre. Pour le service client, d’appliquer la bonne procédure lorsqu’une demande sort du cas habituel. Mieux vaut commencer par un besoin fréquent et délimité que vouloir connecter toutes les archives de l’organisation.
Constituez ensuite un petit jeu de questions réelles, débarrassées des informations personnelles inutiles. Notez pour chacune la réponse attendue et le document qui la justifie. Ajoutez des questions auxquelles l’outil ne devrait pas répondre sans clarification. Ce travail fournit à la fois le périmètre du projet et une première manière de l’évaluer, tout comme il est indispensable de comprendre comment intégrer efficacement l’IA dans vos équipes marketing et commerciales avant de la déployer largement. Il évite de juger l’IA uniquement sur une démonstration préparée à l’avance.
Choisir les documents qui font autorité
Une entreprise possède souvent plusieurs traces d’une même décision. Une présentation reprend une ancienne offre, un compte rendu décrit un arbitrage récent et un message ajoute une exception. Les réunir sans les trier peut rendre la recherche plus rapide tout en conservant la confusion.
Pour chaque sujet retenu, désignez un document de référence et une personne capable de le valider. Précisez sa date de mise à jour, les équipes concernées et les situations où il s’applique. Une grille tarifaire, par exemple, doit permettre de distinguer le tarif public d’une condition particulière accordée à un client. Une information exacte dans un contexte peut être trompeuse dans un autre.
La mémoire utile comprend aussi les raisons des décisions. Pourquoi une formulation commerciale a-t-elle été écartée ? Pourquoi un segment de clientèle demande-t-il une approche particulière ? Conserver une courte explication aide les nouveaux arrivants à comprendre une règle au lieu de simplement la répéter. Il ne s’agit pas de retranscrire toutes les conversations, mais de documenter les arbitrages qui continuent à orienter le travail.
France Num rassemble des ressources sur l’analyse et l’exploitation des données métiers avec l’IA. Elles permettent de replacer cette démarche documentaire parmi les autres usages possibles de l’IA et de choisir un projet adapté à son activité.
Construire une mémoire collective accessible
On peut appeler « cerveau numérique » cette organisation de la connaissance interne, à condition de préciser ce que recouvre l’expression. Il s’agit d’un ensemble de contenus validés, reliés à leurs usages et consultables par les bonnes personnes. L’IA aide à les retrouver et à les reformuler. La responsabilité de leur contenu reste dans l’entreprise.
Imaginons une équipe qui prépare une campagne pour une nouvelle offre. Elle souhaite réunir les bénéfices documentés, les objections connues et les réponses approuvées. Une base de connaissances bien tenue peut lui donner un point de départ commun. Chaque personne conserve ensuite la possibilité de remonter aux pièces d’origine et de vérifier ce qui peut être diffusé.
Cette approche suppose une continuité entre les métiers. Le commercial doit pouvoir signaler qu’une objection revient souvent. Le marketing doit pouvoir retrouver ce retour sans fouiller dans des conversations privées. Le responsable de l’offre doit pouvoir valider une réponse réutilisable. Le savoir devient collectif lorsqu’un circuit existe pour le transformer en information de référence, puis pour le corriger. Ajouter une interface de discussion ne crée pas, à lui seul, ce circuit.
Demander une réponse dont on peut vérifier les bases
Revenons au prospect qui interroge le contenu d’une prestation. Une réponse utile devrait indiquer la règle applicable, le document dont elle provient et les réserves éventuelles. Si deux documents se contredisent, cette contradiction doit être signalée. Si l’information manque, mieux vaut demander une précision que produire une certitude plausible.
La présence d’une source n’est toutefois pas une garantie suffisante. Le passage cité peut être ancien, incomplet ou concerner une autre offre. Pendant les essais, ouvrez les documents proposés et comparez leur contenu à la réponse. Vérifiez en particulier les exceptions et les conditions qui disparaissent facilement dans une synthèse trop courte. Pour obtenir des réponses vérifiables et éviter que l’IA n’invente des règles non validées, il est recommandé de maîtriser les meilleures pratiques de prompt engineering.
Le même principe s’applique à la rédaction marketing. Une IA peut proposer plusieurs formulations à partir d’un dossier validé. Avant publication, une personne doit vérifier que le texte ne transforme pas une possibilité en engagement ou un retour isolé en résultat général. La fluidité du style ne doit pas masquer un changement de sens. Une réponse courte et prudente peut être plus utile qu’un paragraphe très convaincant qui va au-delà des informations disponibles.
Garder les accès cohérents avec les responsabilités
La connaissance de l’entreprise n’a pas vocation à être visible par tous. Un argumentaire validé peut circuler largement, alors qu’un contrat client, une remise négociée ou un dossier individuel relève d’un accès limité. L’outil utilisé doit respecter ces différences, y compris lorsqu’il restitue un extrait dans une réponse.
Avant de connecter des contenus, examinez avec les responsables concernés les informations autorisées, les personnes qui pourront les consulter et les conditions de traitement par le prestataire. Prévoyez aussi le retrait d’un document et la modification des accès lorsqu’un collaborateur change de fonction. Ces opérations font partie du fonctionnement quotidien du projet.
Dans ses recommandations pour déployer une IA générative, la CNIL invite notamment à partir d’un besoin concret, à encadrer les usages et à former les utilisateurs. Elle rappelle que les résultats peuvent être inexacts tout en paraissant plausibles. Pour les équipes métier, cela se traduit par des consignes simples : quels contenus peut-on utiliser, quelles réponses doit-on faire vérifier et à qui signaler une difficulté ? Un hébergement annoncé comme local ou européen ne dispense pas de poser ces questions.
Mesurer le temps nécessaire pour obtenir une réponse utilisable
Un outil peut produire du texte en quelques secondes tout en demandant une longue vérification. Pour apprécier son intérêt, mesurez le travail jusqu’à la réponse réellement utilisable. Sur le premier périmètre, comparez quelques tâches similaires avec la méthode habituelle et avec l’IA, en conservant les mêmes exigences de qualité.
Vous pouvez relever le temps de recherche, le nombre de corrections nécessaires et les sollicitations adressées au collègue référent. Examinez également les réponses incomplètes et les cas où l’outil a reconnu qu’il ne savait pas. Le nombre de messages échangés avec l’IA indique une activité ; il ne suffit pas à démontrer un gain pour l’équipe.
Pour le marketing, le résultat attendu peut être un argumentaire dont chaque affirmation est justifiée. Pour les commerciaux, une réponse client qui respecte les conditions de l’offre. Pendant l’essai, conservez les erreurs observées et leur cause lorsqu’elle est identifiée. Une mauvaise réponse peut venir d’un document périmé, d’un accès mal défini ou d’une interprétation incorrecte. Les actions à mener seront différentes dans chaque cas.
Faire vivre la connaissance après le premier essai
Une base de connaissances commence à vieillir dès que l’activité évolue. Un tarif change, une campagne se termine, une procédure est remplacée. La personne chargée de valider un sujet doit donc savoir comment publier une nouvelle version et retirer l’ancienne. Les utilisateurs doivent disposer d’un moyen simple de signaler un contenu douteux, sans devoir comprendre le fonctionnement technique de l’IA.
Un rendez-vous court et régulier entre les métiers peut suffire au démarrage. On y examine les questions restées sans réponse, les contenus devenus ambigus et les informations qui manquent aux nouveaux collaborateurs. Les corrections alimentent la documentation commune. Elles ne doivent pas rester enfermées dans la conversation d’un seul utilisateur.
Pour commencer, choisissez une question que votre équipe pose chaque semaine. Identifiez la règle qui permet d’y répondre, faites-la valider et testez sa restitution avec plusieurs formulations. Vous aurez un premier cas concret pour décider de la suite. L’ambition d’un cerveau numérique d’entreprise prend forme dans cette discipline : rendre le savoir disponible, compréhensible et réutilisable, même lorsque la personne qui le détient habituellement n’est pas là.
À propos de l’auteur

Max Levy, cofondateur de Sinone. Product owner et DevOps, il travaille sur l’accès des équipes à la connaissance interne des entreprises.
Nos certifications

