Retours d’expérience

Depuis 1990, une conviction : les outils changent, la mémoire doit rester

Depuis mes débuts dans l’industrie, je poursuis une même idée : préserver ce que l’entreprise apprend tout en lui permettant de changer ses outils. L’intelligence artificielle prend sa place dans cette continuité, à condition de servir les usages et de laisser la connaissance accessible.

Observatoire Digital & IA Une lecture libre. Un média à faire vivre. Tous les articles restent gratuits. Soutenir l’Observatoire
Arbre construit en briques de type LEGO, évoquant la mémoire de l’entreprise et l’évolution de ses outils.

Un système d’information devrait permettre à l’entreprise de conserver ce qu’elle apprend sans l’enfermer dans les outils qui l’ont recueilli. C’est la conviction que je porte depuis le 1ᵉʳ juillet 1990. Plus de trente-six ans après mes débuts dans un environnement industriel, elle reste mon point de départ pour penser les usages de l’intelligence artificielle. Les moyens ont changé ; la question de la continuité demeure, avec une exigence supplémentaire : pouvoir adapter le système sans recommencer sa mémoire.

Dans l’atelier, le réel dépassait déjà les cases

Je dirigeais alors une entreprise de mécanique d’environ trente personnes. Des outilleurs y travaillaient avec un bureau d’études utilisant la conception assistée par ordinateur et préparant la programmation ou le pilotage des machines à commande numérique. L’atelier associait usinage conventionnel, commande numérique et électro-érosion, à fil comme par enfonçage.

Nous réalisions des outillages pour presses et machines à coulisseaux multiples, destinés au découpage et au cambrage de métaux laminés, ainsi que des moules d’injection plastique. L’acier occupait une place importante. Selon les nuances et les besoins, les traitements thermiques apportaient les propriétés mécaniques nécessaires, notamment la dureté. Dans ce cadre, une information mal comprise pouvait compromettre la suite du travail.

J’ai développé une gestion de production assistée par ordinateur, la GPAO, et un outil de gestion d’adresses et d’événements, qui préfigurait mes usages ultérieurs de gestion de la relation client, ou CRM. Ces logiciels reposaient initialement sur dBase III+. J’y avais intégré un « Module Analytique de Cohérence Interne » pour détecter des incohérences de saisie. Il s’agissait de contrôles programmés, pas d’intelligence artificielle.

Les champs structurés et leurs règles étaient indispensables. Mais j’avais aussi prévu du texte libre : une précision sur une demande, une particularité à garder à l’esprit, une explication que les cases disponibles ne suffisaient pas à restituer. Je ne cherchais pas à choisir entre rigueur et richesse de l’information. Je voulais leur donner une place commune, parce que le travail réel exigeait les deux.

Les outils passent, certaines informations restent

Certains contacts que je conserve aujourd’hui dans Influence remontent à cette époque. Ce fil est modeste, mais il est tangible : des informations utiles ont traversé plusieurs générations d’outils. Je ne prétends pas avoir conservé intégralement tous les historiques, toutes les relations et tous les contextes. La présence d’un contact ancien ne permet pas de reconstituer à elle seule trente-six années de relation.

Les supports ont changé : disquettes, supports optiques, disques durs, puis cloud accompagné de sauvegardes multisupports. Chaque transition pose la question de ce qui est transmis et de ce qui reste lisible. Déplacer un fichier ne suffit pas toujours ; encore faut-il pouvoir l’ouvrir, comprendre son organisation et retrouver les informations dont on a besoin.

Je ne dispose pas de photographies ni de captures de ces logiciels anciens. Mon propos est un témoignage, pas la reconstitution d’une archive technique. Ce qu’il permet d’affirmer est plus simple : le choix d’un outil s’inscrit dans une durée qui peut largement dépasser celle de son utilisation. Cette expérience nourrit ma réflexion sur la mémoire des cycles technologiques de l’IA.

Une évocation du parcours des informations, des premiers supports d’atelier aux infrastructures connectées. Cet ordre ne représente pas les dates d’invention des technologies.

Préserver une donnée et préserver son sens

Je distingue quatre niveaux pour concevoir cette continuité. Une donnée constitue un élément enregistré. Elle devient une information lorsqu’on sait à quoi elle se rapporte. La connaissance permet de la relier à une situation et de l’interpréter pour agir. Une mémoire exploitable rend cette connaissance retrouvable et compréhensible lorsque les personnes, les outils ou les circonstances ont changé.

Prenons un exemple de conception, sans l’attribuer à un dossier réel : une date et une référence de pièce peuvent être correctement exportées, tandis que la raison d’une dérogation disparaît. Le tableau est intact, mais le prochain utilisateur ne sait plus si le choix venait d’une contrainte provisoire, d’un essai ou d’une décision durable. La perte porte sur l’interprétation, pas seulement sur les valeurs.

La provenance, la date, les liens entre documents et les raisons d’une décision participent donc à la mémoire. Ils permettent aussi de contester une conclusion ancienne. Préserver le contexte ne signifie pas figer le passé en vérité permanente : une connaissance doit pouvoir être corrigée, complétée ou déclarée obsolète sans effacer les raisons qui avaient conduit à la retenir.

Cette distinction explique pourquoi la connaissance devient un enjeu au-delà des modèles et des données. Une accumulation de contenus peut donner une impression de richesse et rester difficile à utiliser. Ce qui compte est la capacité à retrouver une information pertinente, à comprendre sa portée et à savoir jusqu’où lui faire confiance.

Concevoir un système qui puisse évoluer

Pour moi, un système évolutif permet de remplacer un composant sans perdre inutilement ce que l’organisation a construit autour de lui. Cela demande des échanges documentés, des formats exploitables et une séparation suffisamment claire entre les informations conservées et les services qui les utilisent. La modularité comporte des dépendances et un coût de coordination ; elle doit rendre le changement praticable.

Je veux notamment pouvoir récupérer les données avec les relations qui leur donnent du sens. Un export de contacts, un dossier de pièces jointes et une liste d’événements peuvent sembler complets séparément tout en devenant inutilisables ensemble si leurs liens ont disparu. La récupération se juge donc sur un usage réel : une personne peut-elle reprendre un dossier et comprendre ce qui s’y est passé ?

La durée demande également de l’entretien. Migrations, documentation, sauvegardes et vérification de la restauration font partie du système, au même titre que ses écrans. La CNIL recommande de tester régulièrement l’intégrité des sauvegardes et la capacité à les restaurer. Cette précaution de sécurité rappelle une exigence de continuité : une copie dont on n’a jamais vérifié la récupération reste une promesse fragile.

Enfin, l’adaptation doit concerner les pratiques. Les besoins d’une équipe évoluent ; ses outils doivent pouvoir être corrigés à partir de difficultés observées. La possibilité technique de changer ne sert à rien si personne ne peut expliquer les règles existantes, décider d’une modification et en mesurer les conséquences. Je considère cette capacité d’entretien comme un critère de conception, dès le départ.

Donner à l’IA une place précise dans cet ensemble

L’IA peut aider à retrouver des informations, rapprocher des documents et proposer une synthèse. Ces possibilités deviennent intéressantes lorsque l’entreprise dispose d’une mémoire accessible et suffisamment contextualisée. La CNIL décrit notamment la connexion d’un système génératif à une base de connaissances comme un moyen d’enrichir ses réponses avec des informations externes au modèle. Cela ne transforme pas ces réponses en preuves.

Une synthèse peut omettre une réserve importante ; un rapprochement peut sembler convaincant et associer deux situations différentes. Je veux pouvoir revenir aux documents d’origine, distinguer ce qui est enregistré de ce qui est inféré et organiser une validation proportionnée aux conséquences. Une réponse variable n’est pas, par ce seul caractère, une réponse pertinente ou une capacité d’adaptation.

Les traitements fiables conservent toute leur place. Un contrôle de cohérence, une règle de calcul ou une restriction d’accès ne deviennent pas inutiles parce qu’un modèle sait rédiger. L’enjeu est d’articuler ces traitements avec des usages probabilistes, puis de préciser qui assume les décisions et les corrections. Mon retour sur la supervision humaine des productions éditoriales aborde cette responsabilité dans un autre contexte.

Mnemory et Influence concrétisent aujourd’hui ce que j’aurais rêvé de pouvoir utiliser dès mes débuts. Je les inscris dans cette recherche de continuité, sans leur attribuer ici de performance mesurée ni de capacité universelle. iSDO est le laboratoire numérique où se poursuivent exploration, expérimentation et capitalisation ; l’Observatoire me permet d’en transmettre les questions et les enseignements.

Pour un dirigeant, investir dans une continuité vérifiable

Avant d’investir, je commencerais par nommer les connaissances que l’entreprise ne peut pas se permettre de perdre. J’examinerais ensuite la possibilité de changer un composant et de récupérer les données avec leur contexte. Je demanderais enfin aux utilisateurs ce qui les aide réellement, ce qui les gêne et ce qu’ils peuvent faire corriger. Ces questions donnent une portée concrète à la promesse d’un système évolutif.

La démonstration d’un outil renseigne sur ses possibilités immédiates. Un exercice de récupération, la lecture d’un dossier ancien et l’examen d’une modification récente renseignent sur sa durée. Aucun de ces examens ne garantit l’avenir. Ensemble, ils permettent toutefois de discuter une dépendance, un effort de maintenance ou une difficulté d’usage avant qu’ils ne deviennent une rupture.

Depuis 1990, ma conviction s’est précisée : je veux concevoir des systèmes dans lesquels le progrès des outils enrichit ce que l’entreprise sait, sans lui faire perdre la possibilité d’en disposer. La mémoire doit pouvoir survivre aux logiciels, et les usages doivent pouvoir évoluer. Je considère ces deux exigences comme une même responsabilité de conception.

Charger le lecteur Spotify

Ouvrir ce lecteur autorise une connexion à Spotify, qui peut recevoir des informations de navigation.

Illustration générée : l’arbre en briques est une représentation de la mémoire et de l’évolution des outils, pas la photographie d’une construction réelle.

Ressources complémentaires

  1. Philippe Contal : Témoignage personnel, novembre 2026

    Les faits relatifs à l’atelier, aux logiciels dBase III+ et à la continuité de certains contacts sont fournis par l’auteur. Ils ne constituent pas un audit indépendant de ses systèmes.

  2. CNIL : Sécurité : sauvegarder

    Fiche du 14 mars 2024, toujours accessible lors de la préparation : isolation des copies, protection et essais de restauration. Elle étaye les précautions techniques, pas le témoignage.

  3. CNIL : Utiliser un système d’IA générative

    Repères sur le choix selon les besoins, la connexion aux connaissances internes, les risques et la gouvernance. Cette référence ne valide aucun résultat d’Influence ou de Mnemory.

La bibliothèque de l’Observatoire Toutes les lectures
Couverture de Gérer les IA génératives, Antoine Bordas, Pascal Le Masson et Benoît Weil, Presses des Mines

Pour prolonger la réflexion

Concevoir les usages,
organiser les apprentissages.

Gérer les IA génératives

Antoine Bordas, Pascal Le Masson et Benoît Weil

Presses des Mines · 2026 · Français

Cet ouvrage collectif aborde la conception des usages des IA génératives, la mémoire des expérimentations et leur transformation en apprentissages collectifs. Présentation fondée sur la notice de l’éditeur, sans lecture intégrale revendiquée ni approbation de l’ensemble du contenu.

Le lien avec cet article

Un prolongement sur la conception des usages, la mémoire des expérimentations et l’apprentissage collectif. Ce choix repose sur la notice de l’éditeur ; il ne signifie ni lecture intégrale par Philippe Contal ni validation de toutes les propositions du livre.

Découvrir sur Amazon (lien affilié, nouvel onglet)

Lien affilié · Sans coût supplémentaire pour vous

En tant que Partenaire Amazon, l’Observatoire peut percevoir une commission sur les achats éligibles, sans coût supplémentaire pour vous.

FAQ

Par quel premier exercice évaluer la réversibilité d’un système d’information ?

Choisissez un dossier représentatif et demandez sa récupération complète : données, pièces jointes, dates et relations utiles. Faites-le relire hors du logiciel d’origine par un utilisateur métier. Cet essai limité révèle des pertes de sens qu’un simple export de tableaux peut masquer.

Qui doit décider des informations à conserver ?

Les responsables métiers doivent préciser leur utilité avec les personnes chargées du système, de la sécurité et, pour les données personnelles, de leur protection. La mémoire utile se construit avec des durées de conservation et des accès adaptés ; elle ne justifie pas de tout garder indéfiniment.