Dette de contenu : l’IA d’entreprise et ses échecs
La valeur attendue de l’intelligence artificielle (IA) dans le milieu professionnel est encore largement à l’état d’attente. Un des facteurs sous-jacents à cette déception est souvent méconnu : il s’agit de la dette de contenu.
À écouter les promesses qui entourent l’IA, on pourrait s’attendre à une révolution dans la productivité des entreprises. Cependant, une étude de BCG de 2024 indique que seules 4 % des entreprises parviennent à créer une valeur substantielle grâce à l’IA. De plus, Gartner prévoit qu’en 2026, 60 % des projets d’IA seront interrompus. Ce constat souligne que la valeur attendue est encore largement… attendue.
Quand le document devient le problème
Les modèles d’IA progressent de manière fulgurante, mais les entreprises peinent à tirer parti de ces avancées. Ce décalage mérite d’être examiné. L’explication pourrait résider non pas dans les algorithmes, mais dans la qualité des données fournies.
Lorsqu’une IA d’entreprise génère une réponse, elle ne s’appuie pas sur une base de connaissances universelle. Elle exploite les données disponibles dans les documents et connaissances de l’organisation. Une matière première confuse, contradictoire ou obsolète entraîne des résultats de piètre qualité. Quel que soit le modèle d’IA utilisé, il ne peut pas réconcilier des informations divergentes ou contradictoires.
L’IA ne crée pas de désordre. Elle le révèle
Les fichiers Word, PowerPoint ou PDF sont souvent utilisés pour consigner les connaissances. Bien que ces outils soient efficaces pour leur fonction première, ils présentent une faiblesse majeure : ils enferment le contenu, le rendant difficile à retrouver et à réutiliser. Ce cloisonnement de l’information entraîne des duplications, qui peuvent dégrader la qualité et la solidité des données.
Concrètement, cela se traduit par des versions d’un même document qui circulent par e-mail, tandis qu’une autre est stockée ailleurs. La source unique de vérité se perd dans cette multitude de doublons.
Ce qu’est une base de connaissance viable
Une IA mal alimentée tente de produire de la cohérence, mais, en cas de contradictions dans la base de connaissances, elle risque d’arbitrer de manière inappropriée. En alimentant mal l’IA, on favorise des réponses incertaines. La question fondamentale ne devrait pas être « Quel modèle choisir ? », mais plutôt « Quelle qualité de connaissance lui confierons-nous ? ».
Pour qu’une base de connaissance soit exploitable, quatre principes clés doivent être respectés :
- Identifier une source de vérité unique.
- Définir une gouvernance claire quant à la création et à l’accès à l’information.
- Enrichir les contenus avec des métadonnées.
- Asr la durabilité de l’ensemble par des contrôles et audits réguliers.
Aller vers la structuration et le graphe de connaissance
Le document traditionnel regroupe des informations de différentes natures sans distinction. Cela peut entraîner des validations partielles et des mises à jour incomplètes. Les secteurs réglementés ont commencé à adopter des contenus structurés pour pallier ces problèmes.
En organisant la connaissance en composants uniques, chaque élément peut avoir son propre cycle de vie et ses métadonnées. Cette approche permet de créer un graphe de connaissance, offrant une cartographie dynamique des informations. Un tel environnement optimise les performances de l’IA, garantissant rapidité et fiabilité des réponses.
La généralisation des usages de l’intelligence artificielle souligne l’importance d’une gestion rigoureuse des connaissances au sein des entreprises.
Source : BCG, Gartner
