Assistants, RAG, agents autonomes… Les entreprises disposent désormais d’un large choix de technologies pour intégrer l’intelligence artificielle à leurs processus. Mais les modèles ne constituent pas le principal obstacle. Pour Mountaha N’Diaye de Hyland Software, la réussite dépend d’abord de la capacité à identifier, sécuriser, contextualiser et actualiser les documents qui alimentent l’IA. Sans cette fondation documentaire, les projets risquent de rester au stade de l’expérimentation.

Pourquoi les modèles d’intelligence artificielle ne suffisent-ils pas à créer une IA véritablement utile à l’entreprise ?

Une IA qui ne s’appuie pas sur les données internes reste une IA générique. Elle répond globalement de la même manière à toutes les organisations. Or, lorsqu’une entreprise décide de déployer une intelligence artificielle, elle recherche précisément une IA spécialisée, capable de comprendre son activité, son environnement, ses règles et ses processus.

Installer une IA dans l’entreprise signifie donc lui permettre d’accéder à l’information de l’entreprise. Cela concerne les documents, les contenus métiers, les procédures, les dossiers et tout ce qui constitue sa connaissance interne. La véritable difficulté ne réside plus tellement dans le choix du modèle. Les LLM et les agents sont nombreux et relativement simples à utiliser. La difficulté commence au moment où il faut établir la connexion entre ces technologies et les données de l’organisation.

Quels sont aujourd’hui les principaux obstacles rencontrés par les entreprises ?

Je les résume généralement en trois points. Le premier concerne la capacité à retrouver et à préparer la bonne information. Dans un projet classique de data science, environ 65 % du temps est consacré à rechercher les données, à déterminer comment les transformer, à en extraire le contenu et à vérifier si l’on est autorisé à les utiliser.

Le deuxième obstacle est lié à la confidentialité et aux droits d’accès. Les dirigeants ne craignent pas nécessairement le modèle d’IA lui-même, puisqu’ils utilisent déjà ces outils sur leur smartphone. En revanche, ils redoutent de perdre le contrôle de leurs documents et données dès lors que ceux-ci sont connectés à une IA.

Le troisième enjeu concerne la mise à jour. Il ne suffit pas d’importer une première fois un ensemble de documents pour alimenter le système. L’information évolue constamment. Il faut donc être capable de rafraîchir les contenus, d’en contrôler la qualité et de nourrir l’IA dans la durée sans reconstruire continuellement le projet.

Pourquoi la préparation des documents demande-t-elle autant de travail ?

Parce que l’information utile n’est généralement pas rassemblée dans un seul endroit. Elle est répartie dans différents référentiels, outils métiers, espaces SharePoint, systèmes de fichiers ou solutions documentaires. Avant de pouvoir l’exploiter, il faut identifier la bonne version, extraire le contenu, comprendre le document et vérifier les règles qui s’y appliquent.

La technologie du modèle est devenue relativement générique. En revanche, retrouver une information pertinente, correctement contextualisée et exploitable reste un travail complexe. C’est cette préparation, bien plus que le LLM, qui mobilise aujourd’hui l’essentiel des efforts dans les projets d’IA d’entreprise.

La sécurité constitue-t-elle le principal frein au passage à l’échelle ?

C’est en tout cas l’une des craintes les plus fortes. Une entreprise peut disposer de documents très sensibles, comme les comptes-rendus de sa direction, des informations salariales ou des dossiers confidentiels. Si l’ensemble de ces contenus est simplement intégré en bloc dans un système d’IA, certains collaborateurs pourraient théoriquement faire apparaître des informations auxquelles ils ne devraient pas avoir accès.

Les droits qui existent autour d’un document doivent donc être conservés lorsque celui-ci est utilisé par l’IA. Un utilisateur qui n’est pas autorisé à consulter une information ne doit pas pouvoir la retrouver à travers un prompt. La confidentialité ne peut pas être ajoutée a posteriori. Elle doit être héritée directement des référentiels documentaires et appliquée tout au long du traitement.

Les entreprises ont également besoin d’auditabilité. Elles doivent pouvoir comprendre quelles informations sont utilisées, par qui, dans quel contexte et selon quelles autorisations. Sans cette tour de contrôle, la crainte de perdre la maîtrise de l’information bloque naturellement les décisions.

Pourquoi la mise à jour permanente des contenus est-elle indispensable ?

Parce qu’une IA alimentée par des documents anciens finit nécessairement par fournir des réponses dépassées. Les procédures changent, les contrats sont modifiés, les dossiers évoluent et de nouvelles versions apparaissent. Un simple chargement initial ne suffit donc pas.

Il faut mettre en place une gouvernance permettant de contrôler la qualité, la fraîcheur et la disponibilité des informations transmises à l’IA. Sans cette mécanique, les entreprises risquent d’engager des coûts récurrents pour reprendre, transformer et réimporter continuellement leurs contenus.

L’objectif consiste au contraire à connecter durablement l’IA aux sources documentaires afin que l’information soit mise à jour automatiquement et reste exploitable au quotidien.

En quoi la gestion électronique des documents répond-elle à ces difficultés ?

Les trois principaux freins que nous venons d’évoquer correspondent précisément aux fonctions historiques d’une solution de gestion électronique des documents. Une GED permet, en effet, d’organiser les contenus, d’en gérer les accès, de contrôler leurs versions, de suivre leur cycle de vie et de conserver un historique.

Ce qui empêche de nombreux projets d’IA de passer à l’échelle relève donc directement de l’ADN de la gestion documentaire. La GED permet de réduire le temps consacré à la préparation de l’information, de préserver la confidentialité et de mieux gouverner la mise à jour des contenus.

À mes yeux, une gestion documentaire efficace devient une condition indispensable à la mise en production d’un projet d’IA, de la même manière qu’un modèle de données est nécessaire avant de déployer une base de données.

La GED peut-elle également améliorer la pertinence des réponses ?

Oui, notamment lorsqu’elle est associée aux workflows. Un document isolé ne raconte jamais toute l’histoire. Sa signification dépend souvent du dossier auquel il appartient, des étapes qu’il a suivies, des personnes qui sont intervenues et des décisions qui ont été prises.

Les workflows apportent ce contexte et cet historique. Ils permettent de savoir qui a travaillé sur un document, quels messages ont été échangés, quels commentaires ont été ajoutés, quelles versions ont été produites et quelles procédures ont été appliquées.

En connectant à l’IA les documents, leurs différentes versions, les résultats des workflows et les traces d’audit, on enrichit considérablement l’information disponible. Cela permet de réduire les réponses imprécises, les pertes de contexte et les hallucinations. Nous nous rapprochons alors du knowledge management, puisque l’IA ne reçoit plus seulement des fichiers, mais également la connaissance accumulée autour de ces fichiers.

Comment Hyland Software entend-il faciliter cette connexion entre les contenus et les agents d’IA ?

Avec Hyland Content Innovation Cloud, l’objectif est de proposer une couche logicielle permettant de mettre à la disposition des agents d’IA une information déjà fédérée, sécurisée, vectorisée et mise à jour. Cette approche s’inscrit directement dans le partenariat historique qui unit Hyland Software et GDExpert. Depuis 2009, GDExpert distribue en effet la solution OnBase sur le marché africain et accompagne les organisations dans la structuration, la sécurisation et l’exploitation de leurs contenus et de leurs processus documentaires. Cette expertise constitue aujourd’hui un socle essentiel pour préparer l’intégration de nouveaux usages fondés sur l’IA.

La première étape consiste donc à fédérer les contenus présents dans différents silos, qu’ils se trouvent dans les référentiels Hyland, dans d’autres solutions documentaires, dans SharePoint ou dans des systèmes de fichiers. Les informations peuvent ensuite être indexées et préparées afin d’être utilisées par les systèmes d’IA.

Le Context Engine doit également hériter des règles de sécurité présentes dans les différents référentiels. Lorsqu’un utilisateur interroge l’IA, il ne peut ainsi obtenir que les informations auxquelles il est autorisé à accéder.

Enfin, cette couche peut intégrer les données provenant des workflows et du knowledge management afin d’enrichir les documents avec leur contexte métier. L’entreprise peut ensuite connecter l’agent ou le modèle d’IA de son choix.

Cela signifie-t-il que les entreprises doivent commencer par leur patrimoine documentaire plutôt que par le choix d’un LLM ?

Oui. Le marché propose déjà de nombreux LLM et de nombreux agents. Le véritable sujet n’est plus de savoir si l’entreprise pourra trouver une technologie d’IA. Il consiste à déterminer quelles données elle veut utiliser, comment les préparer, comment protéger leur confidentialité et qui sera chargé d’alimenter le système au quotidien.

Avant d’« IA-iser » une entreprise, il faut donc structurer son non-structuré. Sans documents fiables, accessibles, sécurisés, contextualisés et régulièrement mis à jour, l’IA restera une démonstration technologique. Avec cette fondation, elle peut devenir un véritable outil métier et passer durablement à l’échelle.

Si vous souhaitez échanger avec nous sur ce sujet ou demander une démo, contactez-nous par mail ou rejoignez-nous sur nos réseaux sociaux :

• • Sur LinkedIn : https://www.linkedin.com/company/gd-expert

 

• Sur Facebook : https://www.facebook.com/GlobalDocumentExpert/