Après les modèles et les données, la véritable bataille de l’IA sera celle de la connaissance

La compétition autour de l’intelligence artificielle est généralement présentée comme une bataille entre les concepteurs de modèles et les plateformes qui détiennent les données des entreprises.

Cette opposition passe à côté de l’essentiel. La donnée ne porte ni son contexte, ni sa valeur, ni ses limites. Le modèle ne connaît pas spontanément la signification que l’organisation attribue à ses informations.

La véritable ressource rare sera la capacité à transformer des traces dispersées en une connaissance qualifiée, reliée au métier et utilisable pour décider.

1. Les modèles deviennent puissants, mais pas nécessairement différenciants

Les grands modèles de langage progressent à un rythme soutenu. Ils rédigent, résument, traduisent, classent, extraient des informations, produisent du code et mobilisent des outils. Des écarts demeurent entre leurs performances, leurs coûts, leurs fenêtres de contexte, leur sécurité ou leur capacité à traiter certains formats. Rien ne permet donc d’affirmer qu’ils seraient devenus interchangeables.

Pour de nombreux usages courants, une convergence apparaît néanmoins. Une entreprise peut déjà répartir ses tâches entre plusieurs modèles, comparer leurs réponses ou remplacer un fournisseur sans reconstruire tout son système. Les architectures d’agents proposées par OpenAI, Anthropic, Microsoft ou Google séparent d’ailleurs de plus en plus le modèle des instructions, des outils et des sources utilisées pour ancrer la réponse.

Cette évolution réduit la portée d’une question qui a dominé les premiers projets : quel est le meilleur modèle ? Le choix reste important, mais il ne suffit pas à créer une différence durable. Un LLM apporte une capacité cognitive générique. Il sait interpréter une demande et produire une réponse probable à partir de son entraînement et du contexte qui lui est fourni. Il ne possède pas spontanément la connaissance particulière d’une entreprise, de ses compromis commerciaux, de ses habitudes de production ou des raisons qui ont conduit à une décision.

Deux concurrents peuvent utiliser le même modèle et obtenir des résultats très différents. Le premier lui présente des documents disparates, des champs CRM incomplets et des règles rarement mises à jour. Le second lui fournit des sources qualifiées, des liens entre décisions, des niveaux de confiance et des mécanismes de correction. La différence ne vient plus seulement du moteur. Elle vient de la qualité de ce qu’il peut interpréter.

2. Posséder les données ne signifie pas comprendre l’entreprise

Microsoft, Google, Salesforce, HubSpot et d’autres plateformes disposent d’un avantage considérable : elles hébergent une partie des activités quotidiennes. Courriels, rendez-vous, documents, contacts, transactions, tickets, statuts et historiques d’utilisation y laissent des traces continues. Cette proximité leur permet de proposer des agents directement dans les environnements de travail, sans imposer une nouvelle migration préalable.

Le signal envoyé par la fermeture annoncée de la plateforme autonome Agent.ai et par le transfert de ses principes vers l’Agent Builder de HubSpot dépasse le destin d’un produit. L’agent se rapproche du CRM, de ses objets et de ses workflows. HubSpot présente désormais un constructeur capable de s’appuyer sur les données CRM, les règles de l’entreprise, des actions et des validations. L’intégration promet moins de friction, mais renforce aussi la position de la plateforme dans la construction du contexte.

Or une trace opérationnelle n’est pas une explication. Une opportunité classée comme perdue indique un résultat ; elle ne dit pas nécessairement si le prix était trop élevé, si le calendrier était mauvais, si un décideur a changé ou si le commercial a évité d’inscrire une raison délicate. Une information peut être exacte dans le CRM et trompeuse sans son contexte. Un client officiellement satisfait peut réduire ses échanges, différer ses projets et préparer silencieusement son départ.

L’organisation fonctionne également grâce à ce qui n’entre dans aucun champ. Une équipe applique une règle parce qu’un incident ancien l’a rendue prudente. Un expert sait reconnaître une exception sans avoir formalisé les signaux qu’il utilise. Un responsable adapte une procédure à un client historique, mais laisse dans l’outil la règle générale. Les plateformes voient une partie croissante du travail ; elles n’en possèdent pas automatiquement la signification.

La donnée constitue une trace. L’information résulte d’une première organisation de ces traces. La connaissance ajoute la provenance, la temporalité, le niveau de confiance, les relations, les contradictions, l’expérience, l’intention et la capacité à interpréter pour agir. Elle n’est pas pour autant naturellement juste : elle peut être incomplète, obsolète, conflictuelle ou dépendre de quelques personnes dont l’autorité n’a jamais été discutée.

3. La connaissance est plus riche parce qu’elle conserve les relations

Une architecture de connaissance ne vaut pas par le seul volume de contenus qu’elle accumule. Sa valeur réside dans les relations qu’elle conserve entre les faits, les personnes, les hypothèses, les décisions, les expériences, les exceptions, les intentions et leurs conséquences.

Prenons une remise commerciale exceptionnelle. La donnée enregistre son montant. L’information permet de constater qu’elle dépasse la pratique habituelle. La connaissance explique qu’elle a été accordée pour compenser un retard, qu’elle ne doit pas devenir une référence tarifaire, que le directeur commercial l’a validée pour préserver un compte stratégique et que le problème logistique à l’origine du geste a depuis été corrigé. Sans ces relations, un agent peut reproduire l’exception comme si elle constituait une règle.

La même exigence vaut pour les désaccords. Une base utile ne devrait pas écraser la version minoritaire dès qu’une décision est prise. Elle devrait pouvoir indiquer qu’une estimation est contestée, qu’une procédure n’est valable que pour un établissement, qu’un document a été remplacé ou qu’une règle repose sur une hypothèse non vérifiée. La connaissance organisationnelle ne forme pas un corpus parfaitement cohérent ; elle reflète des arbitrages, des temporalités et parfois des rapports de pouvoir.

Réduire cette architecture à une bibliothèque documentaire, à une base vectorielle ou à un moteur de génération augmentée par récupération serait insuffisant. Ces techniques facilitent l’accès aux contenus. Elles ne garantissent ni leur qualification, ni la conservation de leurs contradictions, ni l’explication des liens entre une règle et ses conséquences. Une mémoire exploitable exige aussi des responsabilités, des dates de révision, des droits d’accès et une capacité à retirer ou contester une interprétation.

4. L’agent réellement utile doit reconstituer le contexte

Un agent intégré au CRM peut lire une fiche, préparer un rendez-vous, enrichir un contact, modifier une propriété ou déclencher une relance. Ce sont déjà des fonctions utiles. Leur valeur stratégique reste cependant limitée si l’agent ne mobilise que l’état visible des données.

Pour agir avec pertinence, le système doit pouvoir reconstituer une représentation fonctionnelle du contexte : pourquoi l’entreprise suit cette procédure, quelles conventions internes s’appliquent, quelles exceptions doivent être respectées, quelles expériences passées éclairent la situation et dans quels cas une validation humaine devient nécessaire. Il doit aussi savoir qu’une règle peut être contestée et qu’un champ réputé fiable peut avoir été renseigné par défaut.

Cette capacité ne signifie pas qu’un LLM comprend l’entreprise comme un collaborateur expérimenté. Le modèle produit une interprétation à partir des sources et des instructions accessibles. Si celles-ci masquent un désaccord, négligent une exception ou reproduisent une représentation biaisée du travail, l’agent donnera à cette faiblesse une apparence de cohérence.

La rupture ne réside donc pas seulement dans l’agent capable d’agir. Elle apparaît lorsque le système peut reconstruire assez de contexte pour choisir une action, en expliquer les fondements, signaler ses incertitudes et suspendre l’exécution lorsqu’un jugement humain est requis. C’est à cet endroit que les règles métier, la mémoire des corrections et la gouvernance deviennent plus déterminantes que la fluidité de l’interface.

5. Les grandes plateformes chercheront à capturer la couche de connaissance

Microsoft, OpenAI, Anthropic, Google, Salesforce et HubSpot suivent des trajectoires différentes, mais convergent vers une même position stratégique : devenir l’interface qui lit les contenus, observe les décisions, mémorise des préférences, apprend des corrections, relie les informations, recommande une action et automatise une partie des processus.

Les éditeurs de suites métier disposent du contexte opérationnel. Les producteurs de modèles contrôlent une partie de la capacité d’interprétation et cherchent à connecter leurs assistants aux applications. Les acteurs du cloud et de la productivité possèdent des identités, des droits, des graphes de relations et des espaces documentaires. Chacun cherche moins à héberger une nouvelle base qu’à devenir le passage obligé entre la question, le contexte et l’action.

La plateforme qui contrôle cette couche ne maîtrise pas seulement des fichiers. Elle peut progressivement contrôler la représentation que l’organisation se fait d’elle-même : quels faits sont jugés pertinents, quelles relations sont conservées, quelles corrections influencent les réponses, quelles règles sont prioritaires et quelles incertitudes disparaissent dans la synthèse.

C’est le risque d’un verrouillage de la compréhension. Une entreprise peut exporter ses contacts, ses documents et ses transactions tout en perdant les relations construites entre eux, les préférences apprises, l’historique des corrections, les évaluations, les niveaux de confiance et la mémoire des décisions. Elle récupère les pièces, mais pas la manière dont la plateforme les assemblait pour produire une interprétation.

Cette dépendance est plus difficile à détecter qu’un verrouillage technique. Tant que les réponses paraissent pertinentes, la commodité domine. Le problème apparaît lors d’un changement de fournisseur, d’un audit, d’une erreur importante ou d’un désaccord sur la représentation construite. L’enjeu dépasse alors la souveraineté des données : il concerne la souveraineté de l’interprétation.

6. Construire une architecture de connaissance indépendante

Une entreprise n’a pas besoin de bâtir immédiatement un système exhaustif. Elle peut en revanche distinguer quatre couches afin de savoir ce qu’elle confie à chaque fournisseur.

La donnée brute rassemble les faits, événements, documents, messages, transactions et traces opérationnelles. Elle doit rester accessible, documentée et associée à une source identifiable.

La connaissance qualifiée relie ces éléments à des règles, interprétations, niveaux de confiance, exceptions, enseignements et contextes. Elle conserve aussi les désaccords et les conditions de validité. Cette couche demande une responsabilité éditoriale et métier : quelqu’un doit pouvoir dire pourquoi une relation existe, quand elle a été revue et qui peut la corriger.

Le moteur d’intelligence désigne le ou les modèles capables d’interroger, de synthétiser et de mobiliser cette connaissance. Il peut évoluer selon les usages, les coûts, la confidentialité ou les performances recherchées. La possibilité de changer de modèle devient réelle si le contexte et les règles ne sont pas enfermés dans sa plateforme.

La couche d’action regroupe CRM, ERP, agents, applications, orchestrateurs et workflows. Elle exécute une décision, prépare une opération ou sollicite une validation. Le CRM peut porter une partie de l’action ; le LLM, une capacité de raisonnement ; un orchestrateur comme n8n, la coordination entre plusieurs systèmes.

Aucun fournisseur ne devrait idéalement posséder seul l’ensemble de cette chaîne. Cela ne signifie pas qu’il faut tout développer en interne. La séparation peut être contractuelle, architecturale et documentaire : formats exportables, journal des corrections, règles versionnées, identifiants stables, provenance conservée et tests permettant de vérifier qu’un nouveau moteur retrouve les mêmes éléments critiques.

Les agents natifs aux CRM et les applications intégrées aux assistants réduiront probablement le besoin d’orchestration externe pour les processus simples. n8n et les outils comparables conservent une valeur lorsque l’entreprise doit coordonner plusieurs systèmes, déclencher des actions sans interaction, gérer les erreurs et les reprises, versionner un processus, insérer des validations humaines ou maintenir une traçabilité indépendante.

n8n ne constitue pas la connaissance de l’entreprise. Il peut cependant faire partie de l’infrastructure qui la mobilise sans la confier entièrement à une seule plateforme. L’indépendance utile ne vient pas d’un outil réputé ouvert ; elle vient de la capacité concrète à comprendre, tester, exporter et reprendre le système.

Pour les dirigeants, les arbitrages ne peuvent donc plus se limiter au modèle à choisir, au CRM à déployer, à l’agent à connecter ou au lieu où centraliser les données. Ils doivent porter sur la qualification des savoirs, l’autorité qui déclare une information fiable, la conservation des contradictions, la mémoire des corrections humaines et les conditions d’obsolescence.

Avant un engagement majeur, une question simple permet de révéler les dépendances : que perdrait l’entreprise si elle changeait de fournisseur demain ? Si la réponse inclut les règles métier, la mémoire des décisions ou les liens qui expliquent les résultats, le contrat porte déjà sur davantage qu’un logiciel.

La prochaine frontière sera celle de l’interprétation

La prochaine bataille de l’intelligence artificielle ne portera probablement pas uniquement sur la puissance des modèles ni sur le volume des données. Elle portera sur la capacité à construire une représentation fiable, contextualisée, explicable et évolutive du réel.

Cette représentation restera imparfaite. Elle devra pouvoir accueillir l’incertitude, les exceptions, les conflits d’interprétation et les savoirs qui résistent à la formalisation. Sa qualité dépendra moins d’une promesse de centralisation que d’un travail continu de qualification, de responsabilité et de correction.

Le choix stratégique ne consiste donc pas à opposer systématiquement plateformes et architectures internes. Il consiste à déterminer ce qui peut être délégué, ce qui doit rester gouverné et ce que l’entreprise doit être capable de reprendre sans perdre sa faculté de comprendre son propre fonctionnement.

Qui construit la représentation de ce que nous savons, et pouvons-nous encore la comprendre, la corriger et la reprendre ?