L'essentiel en 3 points
1. Une IA qui a accès à vos données ne connaît que ce qui est écrit. Elle sait ce que vous faites, pas pourquoi, et peut proposer de supprimer une règle qui protège d'une erreur coûteuse.
2. Une grande partie du savoir de l'entreprise reste tacite, transmis en observant un collègue ou autour d'un café (modèle SECI de Nonaka et Takeuchi). L'IA, elle, n'a pas de machine à café.
3. Un graphe de connaissances relie clients, contrats, processus, règles, incidents et décisions, en distinguant une ancienne décision de la règle en vigueur. C'est ce contexte qui permet ensuite d'améliorer les processus.
Éléonore rejoint l'entreprise lundi matin.
Une culture générale impressionnante. Une vitesse de travail étonnante. Des analyses impeccablement présentées.
Éléonore, c'est notre IA.
Bernard : « Tu connais notre code client Z3 ? »
Éléonore : « Votre quoi ? »
Première mission : critiquer notre processus de commande.
Nous lui expliquons les étapes dans un long prompt. Nous ajoutons les documents. Quelques instants plus tard, son plan d'action est prêt.
Clair. Structuré. Convaincant.
« Supprimez cette double validation de l'adresse de livraison. Elle ralentit les commandes. »
Silence autour de la table.
Bernard : « Attends… cette case a une histoire. »
Bernard raconte le fameux jeudi.
Un camion avait livré une énorme palette au domicile du client.
Le chantier attendait ailleurs.
À l'époque, notre ancien système utilisait l'adresse du contrat comme adresse de livraison. Après cet incident, nous avions ajouté ce contrôle.
Éléonore : « Maintenant, je comprends. »
Nous lui avions expliqué ce que nous faisons.
Nous avions oublié de lui expliquer pourquoi.
Derrière une règle apparemment absurde, il peut y avoir une erreur coûteuse, un engagement client ou une limite informatique.
La règle est restée. Son explication est dans la tête de Bernard.
Dans les années 1990, les chercheurs japonais Ikujiro Nonaka et Hirotaka Takeuchi ont décrit avec le modèle SECI comment une entreprise crée sa connaissance.
Une grande partie reste tacite : dans la tête des gens, transmise en observant un collègue ou autour d'un café. L'autre devient explicite : écrite, partagée, organisée.
Une nouvelle recrue humaine finit par apprendre l'histoire de la palette en côtoyant Bernard.
Éléonore, elle, n'a pas de machine à café. Elle ne connaît que ce qui a été écrit.
Comment lui transmettre ce que nous n'avons jamais pris le temps d'expliquer ?
Connaître l'histoire d'une règle ne signifie pas qu'il faut la conserver éternellement.
Avec ce contexte, Éléonore pose une meilleure question :
« Depuis la migration, notre système distingue l'adresse du contrat et celle du chantier. Ce contrôle protège-t-il encore quelque chose ? »
Elle arrivera peut-être à la même conclusion qu'au début. Mais cette fois pour les bonnes raisons, et en vérifiant d'abord que le risque a vraiment disparu.
Transmettre notre expérience permet aussi de mieux remettre nos habitudes en question.
Cette expérience doit devenir accessible.
Il faut relier les clients, les contrats, les processus et les règles. Retrouver les incidents et les décisions qui expliquent leur fonctionnement. Et savoir, au passage, ce que signifie un code Z3.
C'est ce qu'un graphe de connaissances peut apporter : une carte des objets de l'entreprise et de leurs relations.
Le journal de chaque objet y ajoute son histoire : ce qui s'est passé, ce qui a été décidé et pourquoi. Avec une distinction essentielle entre une ancienne décision et la règle en vigueur aujourd'hui.
Éléonore : « Maintenant, nous pouvons améliorer le processus. »
Elles restent indispensables. Mais pour corriger une donnée, il faut parfois déjà comprendre son sens.
Une adresse de livraison différente de celle du contrat : est-ce une erreur… ou l'adresse du chantier ?
Les données, les documents, leurs relations et leur histoire se complètent. Pour Éléonore, c'est le contexte nécessaire à sa mission. Ses propositions restent à vérifier, comme celles de toute nouvelle recrue.
Le premier travail, pour accueillir l'IA dans l'entreprise, c'est de lui transmettre notre expérience.
Chez vous, quelle règle ne peut être expliquée que par votre Bernard ?
Personnages et incident fictifs. Situation probablement familière. Pour approfondir : le modèle SECI, présenté par Nonaka et ses coauteurs.
1. Quelles règles personne ne sait plus justifier ? Listez-les avant que l'IA ne propose de les supprimer. Ce sont souvent celles qui ont l'histoire la plus coûteuse.
2. Où est écrite la raison de chaque règle ? Un incident, un engagement client, une limite d'un ancien système : reliez la règle à sa raison, à sa date et à la décision qui l'a créée.
3. La raison existe-t-elle encore ? Un contrôle ajouté pour pallier une limite d'un ancien système peut être devenu inutile après une migration. Vérifiez que le risque a disparu avant de supprimer, avec la personne qui s'en souvient.
Ces trois questions demandent quelques heures avec votre Bernard. Elles évitent à l'IA, et à vos équipes, de refaire les erreurs déjà payées.
Samuel Arnod-Prin, architecte de données et d'IA chez Agilbility. 27 ans à concevoir des plateformes orientées données pour Swatch Group, LVMH, Richemont et l'EPFL. Son profil →
Données & migration ERP : révéler les règles implicites, relier données et décisions dans un graphe de connaissances, préparer vos données pour l'IA.
Découvrir →le service qui répondDécider où l'IA crée de la valeur et avec quel contexte : priorités, critères d'investissement et d'arrêt, à partir de vos ambitions.
Découvrir →Donner à votre IA le contexte de votre entreprise ? Écrivez-nous ou prenez 30 minutes →
Parce qu'elle ne connaît que ce qui est écrit. Elle voit ce que vous faites, mais pas pourquoi : les raisons des règles (un incident passé, un engagement client, une limite d'un ancien système) restent souvent dans la tête des collaborateurs expérimentés. Elle peut alors proposer de supprimer un contrôle qui protège d'une erreur coûteuse.
Décrit dans les années 1990 par Ikujiro Nonaka et Hirotaka Takeuchi, il explique comment une entreprise crée sa connaissance en faisant passer le savoir tacite (dans la tête des gens, transmis par l'observation) vers le savoir explicite (écrit, partagé, organisé), et inversement : socialisation, externalisation, combinaison, intériorisation.
Il relie les objets de l'entreprise (clients, contrats, processus, règles) et, grâce au journal de chaque objet, les incidents et décisions qui expliquent leur fonctionnement. Il distingue une ancienne décision de la règle en vigueur. L'IA dispose ainsi du contexte pour proposer des améliorations pertinentes, qui restent à vérifier.
Des données propres restent indispensables, mais corriger une donnée demande parfois d'en comprendre le sens. Une adresse de livraison différente de celle du contrat peut être une erreur, ou l'adresse d'un chantier. Les données, les documents, leurs relations et leur histoire se complètent.
Données & ERP · 6 octobre 2026Le savoir implicite, un risque qui n'apparaît dans aucun tableau de bord.
Lire →
Data & IA · 1er octobre 2026Pourquoi une IA qui exploite vraiment votre métier commence par vos données.
Lire →La newsletter de Samuel Arnod-Prin : organiser vos données, vos connaissances, vos règles et vos processus pour que l'IA les comprenne et les exploite.
