Votre entreprise perd la mémoire. L’IA peut-elle la lui rendre ?
Une entreprise possède des milliers de fichiers. Pourtant personne ne sait pourquoi une procédure existe, qui a décidé une exception ou ce qu’un ancien salarié savait résoudre en cinq minutes. L’IA peut aider — à condition de ne pas confondre mémoire et stockage.
Enquête de la série « Intelligence vivante des organisations » — EVALIR. Les exemples signalés comme fictifs sont destinés à l’analyse, non présentés comme des témoignages recueillis.
Le jour où la spécialiste est partie
Une responsable qualité fictive quitte une organisation après quinze ans. Ses dossiers sont rangés, le serveur est sauvegardé et son successeur possède tous les mots de passe. Quelques semaines plus tard survient un incident rare : trois procédures semblent s’appliquer, mais aucune n’explique pourquoi une exception avait été retenue par le passé. Les documents ont été conservés ; la logique de décision, elle, n’a pas été transmise.
Ce scénario présente un risque classique de perte de connaissance située. Le savoir ne réside pas seulement dans un texte final. Il tient aussi au contexte, aux options écartées, aux relations entre personnes, aux exceptions et aux erreurs rencontrées. Une collection documentaire peut donc croître pendant que la capacité collective à résoudre un problème diminue.
Une réponse parfaitement formulée peut être fausse
Un assistant documentaire retrouve trois procédures, datées de périodes différentes, et fournit une synthèse élégante. Malheureusement, il mélange une instruction obsolète avec une exception réservée à un seul site. Sa réponse semble plus claire que le dossier original, mais elle est moins fiable. Ce problème n’est pas résolu par un simple slogan sur la qualité des prompts.
Une mémoire augmentée exige des règles de provenance, de version, de validité, d’habilitation et de contestation. Elle doit pouvoir répondre : « les sources sont contradictoires », « ce document est périmé » ou « je n’ai pas assez d’éléments ». Elle doit surtout permettre à un responsable métier de corriger et de retirer une connaissance.
Le patrimoine invisible des métiers
Les gestes d’un technicien, les arbitrages d’une gestionnaire, les habitudes d’un service d’accueil ou les solutions imaginées pendant une crise ne figurent pas toujours dans les bases de données. Une démarche sérieuse mêle entretiens, observation du travail, retour sur incidents critiques et validation collective. Le récit d’une erreur peut être plus formateur qu’une procédure lissée.
Une question utile consiste à demander aux professionnels non pas ce qu’ils savent en général, mais de raconter la dernière situation atypique qu’ils ont résolue. Qu’ont-ils vu ? Quelle règle était insuffisante ? À qui ont-ils demandé conseil ? Qu’auraient-ils voulu savoir plus tôt ? La mémoire commence à reprendre vie lorsqu’une autre personne peut réutiliser ces réponses dans une situation nouvelle.
Un pilote de trente jours, pas une encyclopédie
EVALIR propose de choisir une famille de décisions et dix à vingt connaissances à risque. La première semaine sert à fixer les droits et les usages. La deuxième à rencontrer les professionnels et à recueillir les contradictions. La troisième à construire des fiches sourcées et à comparer recherche ordinaire et assistance IA sur les mêmes questions. La dernière mesure les usages réels, les erreurs et l’appropriation.
Le bilan peut conduire à poursuivre, modifier ou arrêter l’expérimentation. Les indicateurs portent sur le temps de récupération d’une connaissance valide, l’exactitude des références, la détection d’informations obsolètes et la réutilisation effective d’un enseignement. On ne promet pas une « mémoire totale » : on construit un système susceptible d’être corrigé.
Le laboratoire du lecteur : à vous de décider

Vous prenez la direction du projet. Trois options s’offrent à vous. Ouvrez chaque hypothèse pour découvrir ce qu’elle ferait apparaître ; il n’existe pas de recette mécanique.
Option 1 — Importer toutes les archives dans un assistant
Une collection massive risque de multiplier les contradictions et de masquer le savoir tacite.
Option 2 — Interroger les professionnels sur trois incidents critiques, puis valider les sources
Les expériences et décisions deviennent discutables, contextualisées et testables avant d’être automatisées.
Option 3 — Demander à l’IA d’arbitrer entre les trois procédures
L’IA ne détient pas l’autorité normative ; il faut identifier le responsable des règles et les versions applicables.
Deuxième étape — Et si le résultat était contraire à vos attentes ?
Revenez sur votre choix : quels salariés doivent être consultés ? Quelle information vous manque ? Quel indicateur pourrait démontrer que votre hypothèse était fausse ? Fixez une date de révision et une condition d’arrêt avant tout déploiement.
À retenir : une décision se juge aussi par ses effets sur les responsabilités, les savoirs et les personnes. Pour une évaluation sérieuse, recueillez les objections de ceux qui réalisent effectivement le travail.
Ce qu’EVALIR peut examiner avec votre organisation
Laboratoire Mémoire vivante : repérage des savoirs critiques, entretiens, corpus sourcé avec droits d’accès, prototype de recherche et tests comparatifs.
Le premier échange sert à définir le problème et un périmètre adapté ; aucun diagnostic sérieux ne peut être déduit des seuls choix de ce jeu. Découvrir les modalités de contact avec EVALIR.
Sources et prolongements : Baromètre France Num 2026 ; NIST AI Risk Management Framework. Les scénarios présentés sont fictifs ; ils servent à raisonner et ne constituent pas des enquêtes sur des entreprises réelles.








