Connaissance interne : la rendre enfin utilisable

En moyenne, un collaborateur passe 9,3 heures par semaine à chercher et rassembler une information qu’il sait pourtant exister quelque part (McKinsey Global Institute, The social economy, 2012). Près d’une journée de travail entière, dépensée chaque semaine à retrouver ce que l’entreprise possède déjà.

La connaissance de votre entreprise n’est pas manquante : elle est éparpillée entre des dizaines d’outils, illisible pour qui ne sait pas déjà où regarder. La rendre utilisable ne demande pas de tout réorganiser, mais un moteur qui lit ce corpus et répond à une question posée en langage courant, avec le document exact d’où sort la réponse.

Cet article détaille pourquoi cette connaissance reste inexploitée, ce que cela coûte concrètement (un nouvel arrivant qui met des mois à être autonome, un expert dont le savoir part avec lui, un travail refait, une information introuvable), et comment la rendre interrogeable sans migrer vos outils ni exposer vos données.

Pourquoi la connaissance que votre entreprise possède déjà reste-t-elle inexploitable ?

Une entreprise ne manque presque jamais de connaissance : elle en accumule dans Notion, Confluence, Drive, Slack, les PDF, les emails, les serveurs réseau. Le problème n’est pas le stock, c’est l’accès. Ces outils stockent des fichiers, ils ne répondent pas à des questions. Retrouver une information suppose de savoir dans quel outil, quel dossier et sous quel nom elle vit. Celui qui le sait déjà n’a aucun problème ; tous les autres cherchent.

Un moteur de recherche interne classique fonctionne par mots-clés : il vous renvoie une liste de fichiers dont le nom ou le contenu contient le terme tapé, à charge pour vous d’ouvrir, lire et trier. Il ne comprend pas la question « quelle procédure de maintenance pour la presse numéro 4 », il cherche les fichiers qui contiennent « presse » et « maintenance ».

La connaissance existe donc, complète, mais verrouillée derrière un savoir implicite : celui de l’ancien qui sait où tout est rangé. Le jour où cet ancien est en congé, occupé ou parti, ce savoir devient inaccessible pour tout le monde.

Combien de temps vos équipes perdent-elles à chercher une information interne ?

En moyenne, un travailleur du savoir consacre 1,8 heure par jour, soit 9,3 heures par semaine, à chercher et rassembler de l’information (McKinsey Global Institute, 2012). Près d’une journée de travail par semaine et par personne, absorbée non par la production, mais par la recherche de fichiers. Sur une équipe entière, l’addition devient un poste de coût invisible mais massif.

Le calcul est simple à poser. Sur une équipe de vingt personnes, 9,3 heures perdues chaque semaine représentent 20 × 9,3 = 186 heures hebdomadaires, soit l’équivalent de plus de cinq personnes à temps plein (186 / 35) qui ne feraient rien d’autre que chercher. Une part de ces recherches, en plus, n’aboutit sur rien : le document existe mais reste introuvable.

Ce coût ne se lit sur aucune ligne budgétaire, ce qui le rend facile à ignorer et coûteux à laisser filer. Si ce calcul ressemble à votre quotidien, un échange de quelques minutes suffit souvent à situer où la perte se concentre le plus.

Pourquoi un nouveau collaborateur met-il des mois à devenir autonome ?

Un nouvel arrivant ne connaît ni les dossiers, ni les noms de fichiers, ni les personnes à qui demander. Il paie donc le plein tarif de la connaissance éparpillée : chaque question passe par un collègue, qui s’interrompt pour y répondre. Le délai avant l’autonomie réelle se compte en mois, et chaque question posée coûte deux fois, au nouveau comme à celui qui l’accompagne. Une base interrogeable en langage naturel raccourcit ce délai en rendant la réponse accessible sans passer par un tiers.

Dans un cabinet d’avocats, la barre des six mois avant qu’un collaborateur soit pleinement autonome est un standard admis de la profession : le temps d’apprendre où vivent les précédents, les modèles d’actes, les notes internes. C’est exactement la douleur d’un cabinet contraint par le secret professionnel, qui ne peut ni confier ses dossiers à un outil grand public, ni se permettre de laisser un nouveau ramer six mois.

Le mécanisme est le même partout. Dans une ETI industrielle, l’opérateur qui arrive sur une ligne doit retrouver la bonne version de la procédure au bon endroit. Dans une direction financière, le conseiller qui débute cherche la note qui documente le traitement d’un cas déjà rencontré. La cause commune : le savoir existe, mais son accès dépend d’une mémoire humaine qui, par définition, n’est pas encore là.

Que devient le savoir d’un expert quand il quitte l’entreprise ?

Le savoir le plus précieux d’une entreprise est rarement écrit : il vit dans la tête des experts. Quand un technicien de vingt-cinq ans d’expérience part à la retraite, trente ans de documentation sur un serveur réseau ne suffisent pas à reconstituer ce qu’il savait faire. Ce savoir tacite se transmet d’ordinaire par compagnonnage, un canal lent que les départs et les réorganisations interrompent brutalement. Le capter avant le départ, sous une forme interrogeable, est la seule parade durable.

Dans l’industrie, la douleur est irréversible : ce qui part avec le départ ne revient pas. Dans un cabinet, l’associé qui s’en va emporte la connaissance des dossiers qu’il a montés et des arbitrages qu’il a rendus. Dans une banque ou une mutuelle régionale, le directeur qui prend sa retraite laisse derrière lui des règles de décision jamais formalisées.

La transmission par documentation seule échoue parce qu’un document mort ne répond pas aux questions : il faut savoir qu’il existe, le trouver, puis l’interpréter. Un moteur qui lit tout le corpus et répond directement transforme cette archive passive en réponse active, disponible même quand l’expert ne l’est plus.

Pourquoi vos équipes refont-elles un travail déjà fait ailleurs ?

Retrouver ce qu’un collègue a déjà traité coûte souvent plus cher que de le refaire, alors on le refait. Selon le Workplace Knowledge and Productivity Report de Panopto (2019), les salariés passent près de 6 heures par semaine à reproduire un travail déjà accompli, et plus de 70 % le font parce qu’ils ignoraient que ce travail existait déjà. Le livrable, le benchmark, la clause type sont là, quelque part, mais introuvables au moment précis où on en aurait besoin.

Un cabinet de conseil produit des dizaines de livrables par an, puis un junior refait, sur deux jours, un benchmark sectoriel qu’une autre équipe avait bouclé six mois plus tôt pour un autre client. C’est la mécanique exacte de la capitalisation ratée dans un cabinet de conseil : le Drive stocke le livrable, il ne répond pas à la question qui permettrait de le retrouver.

La même scène se rejoue en droit, quand deux collaborateurs rédigent séparément une clause déjà traitée dans un dossier antérieur, et en finance, quand une analyse de risque refaite existait déjà, classée sous un nom que personne ne devine. Le point commun n’est pas la paresse, c’est l’invisibilité : on ne réutilise pas ce qu’on ne sait pas retrouver.

Comment rendre utilisable la connaissance que vous possédez déjà ?

Rendre la connaissance utilisable ne demande ni de migrer vos outils, ni de tout réorganiser. Il s’agit de brancher un moteur sur les sources existantes (Drive, Notion, Confluence, Slack, PDF, emails, serveurs de fichiers), qui lit le corpus, comprend une question posée en langage courant et renvoie la réponse avec le document exact d’où elle sort. C’est le principe d’un agent RAG. Quand la réponse ne figure pas dans les sources, il le dit, au lieu de l’inventer.

Ce dernier point est décisif. Un outil grand public comme ChatGPT ne connaît pas vos documents : quand il ne sait pas, il génère une réponse plausible plutôt que d’admettre son ignorance. Sur un dossier client ou une procédure réglementée, une réponse inventée n’est pas une aide, c’est un risque. Un agent branché sur votre seule base répond uniquement sur vos documents, cite ses sources, et assume le « je ne sais pas » quand l’information est absente.

C’est ce que fait ragify, l’agent RAG souverain d’Agify : il se connecte à vos sources documentaires, répond en langage naturel avec la source vérifiable, et reste hébergé en France, le modèle de langage tournant localement, sans qu’aucune donnée ne quitte votre infrastructure. Pour les secteurs où les données sont sensibles (santé, juridique, finance, industrie, défense), cette souveraineté n’est pas un confort, c’est une condition d’entrée. La contrepartie technique, décrite dans le guide de l’IA souveraine en entreprise, garantit qu’exploiter sa connaissance interne ne revient jamais à l’exposer à un cloud étranger.

Côté déploiement, l’entrée se fait par une journée d’audit des sources, puis une mise en service en moins de deux semaines. On cartographie où vit le savoir, on connecte les sources prioritaires, et les équipes interrogent la base dès les jours suivants.

Questions fréquentes

Faut-il migrer nos outils pour rendre notre connaissance interrogeable ?

Non. Le moteur se connecte à vos sources existantes (Drive, Notion, Confluence, Slack, PDF, emails, serveurs de fichiers) et les rend interrogeables telles quelles. Vous ne changez ni d’outil, ni d’arborescence, ni d’habitude de rangement. La couche de réponse s’ajoute par-dessus l’existant.

Comment garantir que les réponses ne sont pas inventées ?

L’agent répond uniquement sur la base des documents fournis et affiche systématiquement la source exacte (document, page, date) qui étaye sa réponse. Quand l’information n’est pas dans vos sources, il le signale au lieu de combler le vide par une réponse plausible. La vérifiabilité est intégrée, pas optionnelle.

Nos données confidentielles restent-elles chez nous ?

Oui. L’hébergement est en France, le modèle de langage tourne localement, et aucune donnée ne sort de l’infrastructure, avec un déploiement en air-gap possible pour les cas les plus sensibles. Aucun modèle cloud étranger n’accède à vos documents, ce qui rend l’approche compatible avec le secret professionnel et les contraintes des secteurs réglementés.

Combien de temps avant que ce soit opérationnel ?

L’entrée se fait par un audit des sources d’une journée (cartographie du savoir, structuration des espaces, connexion des sources prioritaires), puis une mise en service en moins de deux semaines. Les équipes interrogent la base dès les jours suivants, sur un premier périmètre de sources, étendu ensuite.

En quoi est-ce différent d’un moteur de recherche d’entreprise ?

Un moteur de recherche liste des fichiers dont le nom ou le contenu contient vos mots-clés, à vous de les ouvrir et de trier. Un agent RAG lit le corpus, comprend une question formulée en langage naturel et renvoie directement la réponse, avec la source. L’un vous rend une liste à dépouiller, l’autre vous rend une réponse à vérifier.

Rendre visible ce que vous possédez déjà

La connaissance qui vous manque au quotidien, vous la détenez déjà : elle est simplement illisible dans sa forme actuelle. Trois constats tiennent l’ensemble. Le stock n’est pas le problème, l’accès l’est. Le coût de l’inaccessible est réel et chiffrable, il se cache juste dans le temps de chacun. Et le rendre utilisable ne passe pas par une migration, mais par une couche qui lit vos sources et répond avec la preuve.

Le point de départ n’est jamais l’outil, c’est la cartographie : savoir où vit le savoir avant d’y brancher quoi que ce soit. Pour situer ce que cela donnerait sur vos propres sources et vos propres douleurs, prenons un moment pour en parler.

---

Cet article a été écrit par l’équipe Agify, qui déploie des agents IA souverains pour les entreprises dont les données ne peuvent pas partir dans le cloud. Sur la connaissance interne, notre point de départ est toujours le même : cartographier où vit le savoir avant d’y brancher le moindre outil.