Il ne manquait ni budget, ni volonté, ni talent.
Ce que nous avons trouvé en arrivant chez ce fabricant de composants industriels de taille intermédiaire, c'est quelque chose de plus difficile à nommer : une organisation qui savait faire, mais ne savait pas qu'elle savait.
La connaissance était là. Dispersée dans des fichiers Excel aux noms cryptiques, dans les têtes de trois ingénieurs proches de la retraite, dans des procédures papier glissées dans des classeurs que personne n'avait ouverts depuis dix-huit mois. Quand le directeur général nous a contactés, il avait déjà engagé un déploiement d'outils IA. Les résultats étaient décevants. Il cherchait une explication côté technologie.
L'explication n'était pas là.
Le diagnostic : ce qu'on a cartographié en premier
Notre première semaine n'a pas touché un seul outil. Nous avons écouté. Observé. Posé des questions simples à des gens occupés : comment vous décidez de lancer une série de production ? Qui valide un devis complexe ? Où va cette information quand vous n'êtes pas là ?
Les réponses ont dessiné une réalité claire : l'organisation fonctionnait sur de la connaissance implicite portée par des individus. Pas par des systèmes. Cinq personnes clés concentraient 80 % de la mémoire opérationnelle de la structure. Trois d'entre elles partiraient à la retraite dans les deux ans.
L'IA qu'on avait tenté de déployer s'alimentait d'une base documentaire appauvrie, incohérente, partiellement obsolète. Elle n'amplifiait pas la compétence de l'entreprise. Elle amplifiait ses lacunes.
La décision difficile : reculer pour mieux avancer
Nous avons recommandé de suspendre le déploiement en cours.
Ce n'est pas une décision facile à défendre devant un comité de direction qui a déjà dépensé du temps et de l'argent. Mais continuer aurait aggravé la situation. Chaque requête traitée par un système mal nourri produit une réponse qui dégrade un peu plus la confiance des équipes dans l'outil, et par ricochet dans l'ensemble de la démarche.
Le directeur général a accepté. Parce qu'on lui a montré, données en main, ce que le système ingérait réellement. Parce qu'on a nommé le problème sans le dramatiser. Et parce que la perspective de perdre la mémoire de ses trois ingénieurs seniors dans vingt-quatre mois lui parlait bien plus qu'un tableau de bord d'usage IA.
Eliciter : faire sortir ce qui ne s'écrit pas spontanément
La phase suivante a duré six semaines. Nous avons conduit des sessions structurées avec les porteurs de connaissance : les trois ingénieurs, deux responsables de production, une chargée de planification dont le rôle réel n'apparaissait dans aucun organigramme.
Ce que signifie éliciter la connaissance
L'enjeu n'était pas de faire remplir des formulaires. C'était de faire verbaliser des automatismes : comment tu sais que cette commande va poser problème en fabrication ? Qu'est-ce qui te fait dire qu'on peut tenir ce délai et pas celui-là ? Ces questions font remonter une matière que vingt ans d'expérience ont rendue invisible à celui qui la détient.
On a retranscrit, structuré, fait valider. À plusieurs reprises. Parce que la première version est rarement juste : elle est souvent trop générale, ou trop liée à un contexte particulier que l'expert n'a pas mentionné parce qu'il le trouve évident.
Codifier : ancrer la connaissance dans des systèmes durables
Une fois cette matière extraite et validée, nous avons travaillé à sa codification dans des structures exploitables : bases de connaissances documentées, arbres de décision, règles métier formalisées. Pas pour faire beau. Pour que l'IA ait quelque chose de solide à traiter.
Le copilote décisionnel a été réintroduit six semaines après la suspension. Cette fois, il avait sous la main une base cohérente, gouvernée, reliée aux processus réels de l'entreprise. Les premières réponses générées ont été soumises aux équipes. Le taux de validation a été significativement plus élevé. Les corrections apportées ont été documentées et réintégrées dans la base. La boucle s'est mise en place.
Ce que ce cas enseigne vraiment
Cette mission n'est pas une exception. C'est un cas représentatif de ce que nous observons dans la majorité des organisations industrielles qui abordent l'IA avec de la bonne volonté mais sans préparation.
Le réflexe naturel est d'acheter un outil, de le connecter à ce qui existe, et d'attendre des résultats. Quand les résultats ne viennent pas, on change d'outil. Puis on recommence. Le problème n'était pas l'outil. Le problème était la matière qu'on lui donnait à traiter.
L'IA est un amplificateur. Elle ne fabrique pas de la connaissance. Elle accélère la circulation de ce qu'on lui confie. Si ce qu'on lui confie est fragmenté, silotté, non gouverné, elle accélère le désordre avec une efficacité redoutable.
La préparation n'est pas un préambule facultatif. C'est la condition de tout résultat durable.
Une question pour finir
Dans votre organisation, si trois personnes clés partaient demain : combien de leur connaissance resterait accessible ? Sous quelle forme ? Dans quel système ?
Cette question mérite une réponse honnête avant d'en poser une autre sur les outils IA à déployer.