Architecture des connaissances adaptée à chaque client : pourquoi l'IA générique échoue dans le domaine de l'expérience client réglementée

Vous avez activé une fonctionnalité d'IA générique dans votre CRM, visionné une démonstration convaincante, puis atteint un plafond de valeur en l'espace de quelques mois. Le problème venait de l'architecture sous-jacente.

Une architecture de connaissances spécifique au client permet de créer une base de connaissances contrôlée et reliée à ses sources à partir des contenus, produits, terminologie et règles propres à l'organisation, plutôt que d'appliquer un modèle générique entraîné à partir de données issues de toutes les entités.

Dans le domaine de l'expérience client réglementée, l'IA générique ne se résume pas à une expérience de moindre qualité. Elle représente un risque en matière de conformité. Un modèle qui ne connaît ni vos produits, ni votre terminologie, ni vos règles finira par fournir à un client une réponse erronée, mais donnée avec assurance.

La solution est d'ordre architectural, et non pas de configuration.

Points clés à retenir

• L'IA générique échoue dans le domaine de l'expérience client réglementée, car elle ne connaît pas les spécificités de l'entreprise : ses produits, ses règles de conformité, ses procédures d'escalade et son langage. L'application d'un modèle générique à un CRM atteint un plafond de performance, car l'architecture sous-jacente est inadaptée.
• L'architecture des connaissances spécifique au client renverse le processus de conception. La couche de connaissances est d'abord construite à partir du contenu géré par l'organisation elle-même, et le modèle est mis au service de celle-ci. Aucune réponse n'est issue d'une estimation probabiliste.
• Il ne s'agit pas d'une étape de configuration, mais d'un choix architectural. Une IA générique configurée et une architecture de connaissances spécifique au client ne produisent pas les mêmes résultats, même avec des données d'entrée et un niveau d'intégration identiques.
• Dans le domaine du SaaS B2B où les clients en aval sont soumis à une réglementation, cela implique également une « explicabilité multi-locataires » : chaque client voit son propre profil de connaissances, et non un modèle d'apprentissage issu d'un autre locataire.
• Réservez une démonstration pour découvrir comment Encore construit un « ADN de connaissances » dès le premier jour.

Pourquoi l'IA générique échoue dans le domaine de l'expérience client réglementée

L'IA générique est entraînée à partir des données de tout le monde et n'est optimisée pour le cas d'utilisation de personne en particulier. Elle s'exprime avec aisance, ce qui la rend justement dangereuse dans un contexte réglementé. Une mauvaise réponse est donnée avec la même assurance qu'une bonne.

Une fois activé au sein d'un système CRM ou d'une infrastructure de centre de contact, il génère un schéma d'erreurs caractéristique : des réponses erronées données avec assurance sur des produits qu'il n'a jamais vus, une terminologie qu'il a inventée de toutes pièces, et des politiques d'escalade qu'il a devinées.

Ajoutez à cela un régulateur, un comité d'audit ou un client qui transmet à son supérieur une offre erronée. Le coût de cette approche générique grimpe très vite.

C'est pourquoi l'IA appliquée au CRM et l'accès aux modèles des hyperscalers se heurtent au même plafond de performance. Ce plafond est d'ordre architectural ; il ne s'agit pas d'un problème de réglage.

Que signifie réellement « architecture des connaissances spécifique au client » ?

L'architecture de connaissances spécifique au client est une approche de conception basée sur l'IA qui consiste à créer une base de connaissances contrôlée et reliée à ses sources, à partir de vos propres contenus, produits, terminologie, ton de marque et contexte réglementaire.

Le modèle gère les requêtes qui lui sont adressées lors de l'exécution. Il ne génère pas de réponses de manière probabiliste.

La différence est claire. Une architecture d'IA générique entraîne un modèle de base à partir d'un vaste ensemble de données, puis le fait interagir avec votre pile lors de l'exécution.

Une architecture sur mesure prétraite votre contenu source, le structure en intentions contrôlées et récupère la réponse validée au moment de l'exécution.

Le modèle se situe en aval de la connaissance, et non à l'origine de celle-ci. C'est là tout l'argument.

C'est la couche de connaissance qui détermine le résultat, et non la couche d'intégration

Selon une opinion largement répandue, la couche d'intégration correspondrait au plan de contrôle : les API, les intergiciels et les pipelines de données qui font la différence entre un programme d'IA qui fonctionne et un programme qui échoue. Cette vision est nécessaire, mais pas suffisante.

Même une pile d'IA parfaitement conçue produit des réponses manifestement erronées si la couche de connaissances qui la sous-tend est générique.

Les API acheminent la requête. Les intergiciels organisent le traitement. Les pipelines transfèrent les données. Aucun d'entre eux ne détermine si la réponse fournie au client est la bonne pour votre activité spécifique.

C'est le rôle de la couche de connaissances. Une excellente architecture d'intégration reposant sur une couche de connaissances générique permet d'obtenir des réponses erronées à haut débit, bien orchestrées et parfaitement observables.

Il s'agit là du problème du « wrapper » LLM sous une autre forme, et l'ingénierie des connaissances est la discipline qui permet d'y remédier.

Si votre pile technologique est bien intégrée mais qu'elle présente encore des lacunes, prenez rendez-vous pour une démonstration et découvrez avec nous la couche de connaissances.

Comment se construit une base de connaissances sur mesure : Knowledge DNA

Encore qualifie le profil de connaissances spécifique à chaque client d’« ADN des connaissances », conçu entièrement sur mesure pour chaque déploiement.

La démarche est claire. Il faut tout d'abord recueillir le contenu source : documents, politiques, fiches techniques des produits, historique de l'assistance et références réglementaires.

Ensuite, décomposez les questions auxquelles ce contenu devra répondre, structurez-les en intentions bien définies et associées à des sources, puis stockez chaque intention en y joignant sa provenance.

Au moment de l'exécution, le système identifie l'intention la plus probable et renvoie la réponse pré-validée. Les connaissances vous appartiennent. Aucune donnée d'entraînement n'est extraite d'un autre locataire, et aucune réponse n'est synthétisée à partir de la vision qu'un modèle générique se fait de votre activité.

C'est ce qui permet à l'IA de s'exprimer dans le langage propre à votre organisation, plutôt que dans celui d'un corpus d'entraînement.

Pourquoi l'explicabilité multi-locataires est-elle importante pour les solutions SaaS B2B destinées à des clients soumis à une réglementation ?

Les entreprises de SaaS B2B vendent leurs services à des secteurs réglementés et se trouvent ainsi soumises aux exigences d'audit de leurs clients. C'est donc un enjeu contractuel, et pas seulement une question de qualité.

Si l'IA intégrée à une plateforme SaaS n'est pas en mesure de démontrer que les réponses fournies à chaque client proviennent bien des connaissances gérées par ce dernier, et non d'un apprentissage issu d'un autre locataire, le fournisseur se retrouve confronté à un problème de conformité qu'il ne peut déléguer.

Une architecture des connaissances adaptée à chaque client constitue la solution architecturale. Chaque client perçoit son propre « ADN » de connaissances, et les intentions liées aux sources répondent aux exigences imposées au fournisseur par les auditeurs du client.

Les critères SOC 2 relatifs à l'intégrité et à la confidentialité du traitement correspondent parfaitement à ces contrôles, sans qu'il soit nécessaire de procéder à une collecte de preuves spécifique pour chaque audit.

Pourquoi une IA générique ne peut pas répondre à une question posée par un régulateur

Dans le domaine de l'expérience client réglementée, la question n'est pas de savoir si l'IA s'est montrée sûre d'elle, fluide ou rapide. Il s'agit plutôt de déterminer si la réponse peut être justifiée a posteriori.

Un inspecteur du CFPB ou de l'OCC demande pourquoi une réponse spécifique a été donnée à un client précis lors d'un échange précis. Une IA générique ne peut pas répondre à cette question, car la réponse a été générée et non extraite.

Une architecture des connaissances adaptée au client permet d'aboutir à une réponse justifiable. Cette réponse découle d'une intention clairement définie, liée à une source et vérifiable dans la piste d'audit.

C'est ce qu'exigent les lignes directrices du CFPB relatives aux décisions de crédit fondées sur l'IA ainsi que l'article 13 de la loi européenne sur l'IA en matière de transparence.

Dans le secteur du voyage et de l'hôtellerie, conformément au RGPD, cette même solution prend en charge les registres de traitement prévus à l'article 30, et le déploiement sur site ou dans un VPC permet de maintenir la couche de connaissances à l'intérieur des limites régionales appropriées. Le dispositif est vérifiable, traçable et défendable.

Ce que les acheteurs attendent réellement d'une architecture des connaissances

Le directeur informatique et le responsable de l'expérience client ont besoin d'une IA qui soit précise dès le premier jour pour votre entreprise en particulier, et non après douze mois passés à affiner des résultats génériques.

C'est là qu'une précision de +98 % dès le premier jour prend toute son importance, et c'est pourquoi une solution opérationnelle en quelques jours, et non en plusieurs mois, l'emporte sur un déploiement reposant largement sur des services professionnels qui masque le coût de la préparation des données dans un poste budgétaire.

Le responsable de la gestion des connaissances a besoin d'un système qui respecte la structure de contenu déjà mise en place par l'équipe. Les responsables des connaissances et les gestionnaires de contenu peuvent créer, affiner et gérer directement les intentions, sans dépendre des équipes d'ingénierie.

L'architecture considère leur travail comme la source de vérité, et non comme un élément permettant d'affiner le modèle.

Le RSSI et le directeur des risques ont besoin de réponses liées à la source et préservant la provenance, d'une piste d'audit cohérente sur l'ensemble des canaux et des langues, ainsi que d'une isolation des données entre les données clients, les données vectorielles et tout contexte de modèle utilisé par la plateforme.

L'architecture est l'élément proprement dit destiné aux autorités de régulation, et non une fonctionnalité que l'on désigne une fois l'audit demandé.

Comment Encore met en place une architecture des connaissances adaptée à chaque client

Inbenta Encore a été conçu en privilégiant avant tout les connaissances ; ainsi, l'architecture de connaissances spécifique au client est intégrée par défaut, et non pas proposée en option.

• La connaissance avant tout, les grands modèles de langage (LLM) en option. Le contenu source est importé, traité et structuré en intentions contrôlées et liées à la source grâce à l'ingénierie des connaissances. Le modèle orchestre la recherche d'informations ; il ne génère pas de réponses à partir de zéro au moment de l'exécution.
• Une intelligence programmée, optimisée par l'architecture à double LLM d'Encore. La plateforme détermine elle-même les cas où la précision est requise et ceux où la fluidité générative apporte une valeur ajoutée, sans que l'opérateur ait à intervenir dans ce choix.
• Un « ADN » de connaissances créé sur mesure pour chaque déploiement. Aucune formation n’est réutilisée d’un client à l’autre, et aucun locataire ne partage la même base de connaissances. Chaque déploiement s’adapte au langage propre à l’organisation concernée : ses produits, ses exigences de conformité et le ton de sa marque.
• Conçue pour être indépendante des modèles. L'architecture s'appuie sur Bedrock, Vertex AI et Azure-OpenAI comme infrastructure de modèles, mais la couche de connaissances appartient à Encore. Vous conservez votre relation avec votre fournisseur de cloud et évitez la dépendance vis-à-vis d'un modèle spécifique, l'orchestration de l'IA s'effectuant en aval des connaissances gérées.
• S'intègre à votre centre de contact existant. Plus de 850 intégrations d'entreprise prêtes à l'emploi et plus de 800 connecteurs. La couche d'intégration que le reste du secteur considère comme le plan de contrôle est, ici, une couche en aval qui alimente la base de connaissances régie, sans nécessiter de remplacement complet du système existant.
• Une gouvernance transparente, intégrée dès la conception. Chaque réponse peut être rattachée à son intention d'origine, ce qui vous permet, à vous et à votre responsable de la conformité, de l'examiner sur l'ensemble des canaux et dans toutes les langues.
• Prêt pour la production en quelques jours, et non en plusieurs mois. Déploiement plus rapide de 75 % par rapport aux solutions alternatives qui reposent largement sur des services professionnels.
• Des résultats issus d'une production réglementée. Une précision de +98 % dès le premier jour. OPPLUS a réduit de 84 % le nombre de cas renvoyés au service client, et Neoenergia traite environ 1,5 million d'échanges avec ses clients chaque mois.

Inbenta Encore est une plateforme d'IA agentique unifiée qui a remporté le TSIA Star Award dans la catégorie « Innovateur de l'année en matière de réussite client numérique ».

Si une fonctionnalité d'IA générique atteint ses limites, la couche de connaissances est la solution. Réservez une démonstration pour découvrir un « ADN de connaissances » construit à partir de votre propre contenu.

Foire aux questions

Qu'est-ce qu'une architecture des connaissances spécifique au client ?

L'architecture de connaissances spécifique au client est une approche de conception basée sur l'IA qui consiste à créer une base de connaissances contrôlée et reliée à ses sources à partir des contenus, des produits, de la terminologie et du contexte réglementaire propres à une organisation. Le modèle y extrait des réponses validées plutôt que de les générer. Les connaissances sont spécifiques à l'entreprise ; le modèle est au service de celles-ci.

Pourquoi l'IA générique échoue-t-elle dans les secteurs réglementés ?

En effet, il ne connaît pas les spécificités de l'entreprise : ses produits, sa terminologie, ses règles de conformité ou ses procédures d'escalade. Il répond avec aisance, si bien qu'une réponse erronée est donnée avec autant d'assurance qu'une réponse correcte. Dans le domaine de l'expérience client (CX) réglementé, cela constitue un risque de non-conformité, et pas seulement une expérience de moindre qualité ; or, aucune intégration, aussi poussée soit-elle, ne peut pallier les limites d'une base de connaissances générique.

Qu'est-ce qu'un profil ADN de connaissances ?

Le terme « ADN de connaissances » désigne, chez Encore, le profil de connaissances spécifique au client élaboré pour chaque déploiement. Il est créé à partir du contenu propre à l’organisation, structuré en intentions régies et liées à leurs sources, avec une traçabilité associée. Aucun apprentissage n’est issu d’un autre tenant ; ainsi, chaque déploiement fournit des réponses dans le langage propre à cette entreprise.

En quoi l'architecture des connaissances spécifique au client diffère-t-elle du RAG ?

RAG extrait des passages et les transmet à un modèle qui génère toujours la réponse ; le résultat reste donc probabiliste et difficile à retracer. L'architecture de connaissances spécifique au client extrait une réponse pré-validée et contrôlée, liée à sa source. La différence réside dans le fait que la réponse finale soit générée ou extraite, ce qui détermine l'auditabilité.

L'architecture des connaissances spécifique à chaque client est-elle vérifiable dans le cadre d'une expérience client réglementée ?

Oui. Chaque réponse est rattachée à une intention définie, liée à une source spécifique, et peut être vérifiée dans la piste d'audit, tous canaux et toutes langues confondus. Les réponses sont ainsi vérifiables, traçables et justifiables, ce qui correspond à la norme réglementaire en matière d'expérience client (CX), et ne se limite pas à un simple filtrage à des fins de sécurité.

Combien de temps faut-il pour mettre en place une base de connaissances adaptée à un client ?

Prêt pour la production en quelques jours, et non en plusieurs mois, grâce à une architecture axée sur les connaissances. Le contenu source est rapidement intégré dans des intents actifs et contrôlés, ce qui permet un déploiement plus rapide de plus de 75 % par rapport aux solutions alternatives qui reposent largement sur des services professionnels. Le délai dépend principalement du niveau de contrôle et d'exhaustivité de votre contenu source.