La plupart des problèmes de précision liés à l'IA en entreprise sont généralement attribués au modèle. Or, la véritable cause réside souvent dans les connaissances qui le sous-tendent.
L'ingénierie des connaissances pour l'IA est la discipline qui consiste à structurer le contenu source en intentions régies et liées à la source, à partir desquelles l'IA extrait des informations, afin que les réponses fournies dans le cadre de l'expérience client (CX) soient précises, cohérentes et traçables, plutôt que générées de manière probabiliste.
La précision d'une IA chargée de répondre aux clients dépend entièrement de la qualité du contenu sur lequel elle s'appuie et de la manière dont ce contenu est structuré. Si la couche de connaissances est bien conçue, la précision suit. Si elle est mal conçue, un modèle plus volumineux ne fera que produire davantage d'erreurs plus « fluides ».
Points clés à retenir
- L'ingénierie des connaissances consiste à structurer le contenu source en intentions régies et liées à la source, à partir desquelles l'IA effectue ses recherches. C'est cette couche qui détermine la précision de l'IA dédiée à l'expérience client.
- La plupart des problèmes de précision liés à l'IA sont des problèmes de connaissances, et non des problèmes de modèle. Un modèle plus puissant appliqué à du contenu non structuré produit des hypothèses plus fluides, mais pas des réponses plus fiables.
- Le contenu structuré garantit une expérience client précise, car la réponse provient d'une source validée, est toujours la même et peut être retracée jusqu'à son origine.
- Dans le cadre d'une expérience client réglementée, la couche de connaissances doit faire l'objet d'une gouvernance : il faut pouvoir vérifier qui est habilité à modifier une réponse, quelle en est la source et pourquoi l'IA a répondu de cette manière.
- Découvrez comment Encore organise les connaissances pour offrir une expérience client (CX) de qualité.
Pourquoi l'IA donne des réponses incohérentes : le problème de la connaissance
Les systèmes d'IA chargés de répondre aux clients donnent souvent des réponses différentes à une même question, ou des réponses données avec assurance qui s'avèrent finalement erronées. Si vous avez déjà constaté ce phénomène, c'est que vous avez été confronté au problème de connaissance.
La cause est d'ordre structurel. Lorsque le contenu n'est pas structuré et que le modèle génère une réponse au moment de l'exécution, la réponse dépend du modèle et du moment, et non d'une source validée.
La solution ne réside pas dans une meilleure consigne ni dans un modèle plus puissant. Elle consiste à structurer les connaissances sous-jacentes de manière à ce que la réponse soit extraite, et non inventée.
On sent généralement à quel type de système on a affaire. Lorsque deux collègues posent la même question et comparent leurs notes pour constater qu'ils ont obtenu des réponses différentes, cela signifie que la couche de connaissances sous-jacente n'est pas régie par des règles.
C'est la condition préalable à la précision. Tout le reste, y compris le choix du modèle, s'appuie sur cette base.
En quoi consiste réellement l'ingénierie des connaissances pour l'IA ?
L'ingénierie des connaissances pour l'IA consiste à convertir un contenu source en une couche structurée et régie d'intentions liées à cette source, à partir de laquelle un système d'IA extrait des informations, plutôt que de générer des réponses au moment de l'exécution.
Du point de vue de l'opérateur, cela repose sur quatre éléments qui fonctionnent de concert : l'acquisition du contenu source, sa structuration en intentions distinctes pouvant faire l'objet d'une réponse, l'association de chacune d'entre elles à sa source de référence, et la gestion de sa mise à jour.
La structuration, c'est le travail à proprement parler, et ce n'est pas très glamour. Cela consiste à transformer un centre d'aide tentaculaire en intentions distinctes et claires, chacune étant rattachée à sa source d'origine et à un responsable chargé de la tenir à jour.
Il ne s'agit pas simplement d'une gestion de contenu sous une nouvelle appellation. Un système de gestion de contenu permet de rechercher des documents. L'ingénierie des connaissances permet d'extraire des réponses et d'en vérifier la validité.
La différence apparaît dès qu'on se demande d'où provient une réponse. Une bibliothèque consultable renvoie vers un document. Une intention contrôlée renvoie vers la source exacte à partir de laquelle elle a été construite, ce qui est au cœur du problème des « wrappers » de LLM.
Comment le contenu structuré favorise une expérience client précise
Suivez le parcours, du contenu au résultat. Un contenu structuré et référencé permet à l'IA d'extraire une réponse validée plutôt que d'en synthétiser une.
La « récupération » signifie qu’une même question reconnue renvoie systématiquement la même réponse. Le « traçage des sources » signifie que chaque réponse peut être rattachée à sa source d’origine.
En termes d'expérience client, cela se traduit par des réponses cohérentes d'un canal à l'autre et d'un agent à l'autre, moins de remontées vers les niveaux hiérarchiques supérieurs et une résolution plus rapide. Une même question ne reçoit plus de réponses différentes selon la personne qui la pose.
C'est de là que proviennent ces résultats probants. La précision de +98 % dès le premier jour et l'amélioration de +35 % du taux de résolution dès le premier contact sont des propriétés de la couche de connaissances, et non d'une instruction bien pensée.
La cohérence est un aspect souvent sous-estimé. Un client qui obtient la même réponse sur le site web, dans l'application et auprès d'un conseiller cesse de rappeler pour vérifier, et c'est précisément cette diminution du nombre de contacts répétés qui explique en grande partie l'amélioration du taux de résolution.
L'ingénierie des connaissances face à un modèle plus vaste : d'où vient la précision ?
On croit souvent que la précision est un problème lié au modèle, qui se résout en utilisant un modèle plus grand ou une fenêtre contextuelle plus longue. Cela améliore la fluidité et la fraîcheur du texte. Cela ne rend toutefois pas le contenu sous-jacent correct ni la réponse vérifiable.
Fournir davantage de données en temps réel à un modèle n'équivaut pas à contrôler les connaissances sur lesquelles il s'appuie pour répondre. Dans un cas, on fournit des données à un générateur ; dans l'autre, on détermine quelle est la réponse validée avant même que la question ne soit posée.
La précision de l'expérience client (CX) repose sur une couche de connaissances réglementée à partir de laquelle le modèle extrait des informations, ce dernier étant utilisé à des fins d'orchestration et d'enrichissement plutôt que pour la génération à l'exécution.
Le modèle reste déterminant. Un modèle plus performant formule la réponse trouvée de manière plus naturelle et traite les questions plus complexes. Il ne se prononce toutefois pas sur l'exactitude du fait sous-jacent, car celle-ci a déjà été vérifiée au niveau de la couche de connaissances.
C'est là l'approche de conception axée sur la connaissance, et il s'agit avant tout d'un choix entre la récupération et la génération à l'exécution.
Le contraste avec l'ingénierie contextuelle, cette approche fondée sur des modèles, est suffisamment marqué pour être mis en évidence d'emblée.
L'ingénierie contextuelle permet d'enrichir le modèle. L'ingénierie des connaissances garantit l'exactitude et la vérifiabilité de la réponse. Dans le domaine de l'expérience client (CX) réglementé, seule la seconde approche permet de passer un audit avec succès.
Si votre IA génère des réponses à partir de contenus non structurés, découvrez la couche de connaissances contrôlée d'Encore.
Pourquoi la gestion des connaissances structurées est indispensable dans les secteurs réglementés
Dans le cadre d'un CX réglementé, une réponse n'est pas simplement correcte ou incorrecte. Elle doit pouvoir être justifiée.
C'est grâce à une couche de connaissances contrôlée que cela est possible. Vous pouvez indiquer qui a rédigé ou modifié une réponse, d'où elle provient et pourquoi l'IA l'a proposée.
Ne vous contentez pas du terme « sécurisé ». Le seuil de sécurité doit être vérifiable, traçable et justifiable, et une base de connaissances bien alimentée ne suffit pas à elle seule à le franchir.
C’est la gouvernance qui distingue une couche de connaissances conforme aux exigences d’un audit de celle qui se contente de fonctionner, ce qui revêt une importance particulière au regard d’obligations telles que celles en matière de transparence prévues à l’article 13 de la loi européenne sur l’IA.
Ce dont les responsables de l'expérience client et de la gestion des connaissances ont réellement besoin
Les responsables de l'expérience client (CX) et de la base de connaissances ont besoin de réponses précises et cohérentes sur tous les canaux, d'une réduction des taux d'escalade, ainsi que d'une base de connaissances facile à maintenir, plutôt que d'un projet ponctuel.
Cela se traduit par une précision de +98 % dès le premier jour, une amélioration de +35 % du taux de résolution dès le premier contact et une augmentation de +30 % du taux de satisfaction client.
Le responsable de la sécurité des systèmes d'information (RSSI) et le directeur des risques ont besoin de réponses référencées et vérifiables, d'un contrôle sur les personnes autorisées à modifier une réponse, ainsi que d'un historique justifiable expliquant comment l'IA est parvenue à cette réponse. La couche de connaissances doit être gérée, et pas seulement alimentée.
Le directeur des systèmes d'information (DSI) et le directeur des opérations (COO) ont besoin d'une couche de connaissances qui s'intègre aux systèmes existants sans nécessiter de migration, qui se déploie rapidement et qui ne nécessite pas de maintenance manuelle constante.
Cela se traduit par plus de 850 intégrations d'entreprise, un déploiement plus rapide de 75 % et une couche de maintenance autonome qui assure la mise à jour constante des connaissances.
Comment l'ingénierie des connaissances d'Encore garantit une expérience client précise
Inbenta Encore organise le contenu source en intentions régies et liées à la source, ce qui explique, d'un point de vue architectural, pourquoi ses réponses en matière d'expérience client sont précises et vérifiables.
- Une conception axée sur la connaissance. Le contenu source est structuré en intentions régies et liées à la source grâce à l'ingénierie des connaissances, et le modèle se charge de l'orchestration et de l'enrichissement plutôt que de la génération à l'exécution.
- Une intelligence programmée, optimisée par l'architecture à double LLM d'Encore. La plateforme détermine elle-même les cas où une recherche déterministe est nécessaire et ceux où la fluidité générative apporte une valeur ajoutée, sans que le client ait à gérer ce choix.
- Maintenance autonome. La couche de connaissances gérée ne se transforme pas en un projet au contenu obsolète. La couche de maintenance autonome d'Encore assure la mise à jour des intentions et signale les lacunes, ce qui constitue la réponse concrète au fardeau de la maintenance qui freine la plupart des initiatives en matière de connaissances.
- Une gouvernance transparente, intégrée dès la conception. Chaque réponse renvoie à l'intention initiale qui l'a motivée, ce qui vous permet, en tant que RSSI ou directeur de la conformité, de comprendre exactement pourquoi l'IA a réagi de cette manière.
- S'intègre à votre infrastructure existante. Grâce à plus de 850 intégrations d'entreprise prêtes à l'emploi et à l'orchestration par IA de l'ensemble de vos systèmes de référence, aucun remplacement complet n'est nécessaire.
- Des résultats issus d'une production réglementée. Une précision de +98 % dès le premier jour. GOL Airlines traite plus de 10 millions de demandes par an, et OPPLUS a permis de réduire de 84 % le nombre de cas renvoyés vers le service client.
- Prêt pour la production en quelques jours, et non en plusieurs mois. Le contenu est rapidement intégré dans des intents en direct et contrôlés, avec un déploiement plus rapide de plus de 75 %.
Inbenta Encore est une plateforme d'IA agentique unifiée, ce qui lui a valu de remporter le TSIA Star Award dans la catégorie « Innovateur de l'année en matière de réussite client numérique ».
Si votre IA fournit des réponses incohérentes, c'est par la couche de connaissances qu'il faut commencer à chercher. Découvrez Encore sur votre propre contenu.
Foire aux questions
Qu'est-ce que l'ingénierie des connaissances en IA ?
L'ingénierie des connaissances pour l'IA consiste à structurer le contenu source en intentions régies et liées à la source, à partir desquelles un système d'IA extrait des informations, plutôt que de générer des réponses au moment de l'exécution. C'est ce qui rend le contenu exploitable par une machine et vérifiable, et c'est cette couche qui détermine la précision de l'IA appliquée à l'expérience client.
En quoi le contenu structuré améliore-t-il la précision de l'IA ?
Lorsque le contenu est structuré en intentions régies et liées à leur source, l'IA récupère une réponse validée au lieu d'en synthétiser une. Une même question renvoie toujours la même réponse, et chaque réponse peut être rattachée à sa source. C'est ainsi qu'un système axé sur la connaissance atteint une précision supérieure à 98 % dès le premier jour.
Quelle est la différence entre l'ingénierie des connaissances et l'ingénierie du contexte ?
L'ingénierie contextuelle fournit des données à un modèle lors de l'exécution afin de façonner sa réponse. L'ingénierie des connaissances régit le contenu lié à la source à partir duquel la réponse est extraite. L'une alimente un générateur ; l'autre détermine la réponse validée avant même que la question ne soit posée. C'est l'ingénierie des connaissances qui détermine la précision de l'expérience client (CX).
Pourquoi l'IA donne-t-elle des réponses incohérentes ou erronées ?
En effet, la réponse étant générée à l'exécution à partir d'un contenu non structuré, elle dépend du modèle et du moment plutôt que d'une source validée. Une même question peut donner lieu à des réponses différentes. La solution consiste à structurer les connaissances afin que les réponses soient extraites, et non inventées, ce qu'un modèle plus grand ne permet pas.
Une couche de connaissances régie est-elle vérifiable dans les secteurs soumis à une réglementation ?
Oui, à condition que la gouvernance soit intégrée. Une couche de gouvernance permet de savoir qui a modifié une réponse, d'où elle provient et pourquoi l'IA l'a générée. Les réponses deviennent ainsi vérifiables, traçables et justifiables, ce qui correspond aux exigences réglementaires en matière d'expérience client (CX), plutôt qu'un simple filtrage à des fins de sécurité.
L'ingénierie des connaissances remplace-t-elle les modèles de langage à grande échelle (LLM) ?
Non. Cela modifie le rôle du modèle, qui passe de générateur à l'exécution à un rôle d'orchestration et d'enrichissement. La réponse est extraite d'une source contrôlée, puis le modèle la formule et la transmet. Il s'agit de l'approche « knowledge-first », dans laquelle le modèle sert de support à la réponse plutôt que de l'inventer.
Articles connexes
