Une perspective d'SightCall : pourquoi l'IA d'entreprise doit aller au-delà de la simple collecte de données pour tirer des enseignements du travail.
J'ai lu récemment l'argumentation de Metrigy selon lequel l’architecture des données déterminera le succès de l’IA en entreprise. Il est difficile de contester leur argument principal : si les données sont fragmentées, mal gérées ou difficiles d’accès, même la meilleure IA ne peut pas obtenir de manière fiable le contexte dont elle a besoin.
Il en résulte des réponses incohérentes, des projets RAG peu fiables et des projets d'IA qui peinent à dépasser le stade de la démonstration.
Metrigy affirme que la fondation fournit au modèle les données adéquates, sous la forme appropriée et au bon moment. Je suis d'accord. Mais je pense que cela ne résout qu'une partie du problème.
À mesure que l'IA dépasse le simple stade de la réponse à des questions sur des documents et commence à aider les personnes à résoudre de véritables problèmes opérationnels, l'accès à l'information ne suffit plus. L'IA doit également comprendre ce que l'organisation a appris au fil de son travail : ce qui s'est passé, ce qui a fonctionné, dans quels contextes cela s'applique et pourquoi on peut s'y fier.
Le défi ne se limite plus à l'architecture des données.
On parle également d’« architecture des connaissances ».
Le problème avec les « données propres », c'est que la réalité est bien plus complexe
Dans les domaines du service client et de l'field service, certaines des connaissances les plus précieuses d'une entreprise ne se retrouvent jamais dans un manuel, une FAQ ou une base de connaissances. Elles se construisent au fur et à mesure que les collaborateurs accomplissent leur travail.
C'est le technicien qui se rend compte que la procédure de dépannage ne fonctionne pas pour une version particulière d'un équipement. C'est l'expert du support qui sait faire la distinction entre deux problèmes qui semblent identiques dans un ticket. C'est l'installateur qui a appris, après des dizaines de déploiements, qu'un petit ajustement permet d'éviter un problème récurrent.
Ce type de connaissances découle de l'expérience et du contexte concret. Elles sont précieuses, mais leur saisie pose un défi particulier.
Les vraies interactions, c'est compliqué.
Une session d'assistance visuelle à distance peut comporter des banalités, de longues pauses, des hypothèses erronées, des tentatives infructueuses et des remarques hors de propos. Mais cette interaction peut receler une solution susceptible de faire gagner des heures à un autre technicien lorsque le problème se reproduira.
C’est pourquoi je ne pense pas que la solution consiste simplement à nettoyer toutes ces informations avant que l’IA puisse les exploiter. Demander aux gens d’examiner chaque interaction, d’éliminer le bruit et de décider ce qui mérite d’être conservé crée un tout nouveau goulot d’étranglement.
À l'échelle de l'entreprise, cette approche ne fonctionnera pas.
La question qu'il convient plutôt de se poser est la suivante : comment l'IA peut-elle tirer des enseignements de ces interactions complexes du monde réel sans considérer tout ce qu'elles recèlent comme des connaissances ?
Collectez un large éventail de données.
Sélectionnez-les intelligemment.
Je pense qu'il vaut mieux faire la distinction entre les preuves et les connaissances.
Conservez intacte l'interaction de service d'origine en tant que source de référence, notamment en précisant qui l'a créée, quand elle a eu lieu et qui peut y accéder. Utilisez ensuite l'IA pour transformer ces données en connaissances exploitables.
L'IA est capable d'identifier le problème et sa résolution, d'extraire les procédures, de les associer aux produits, pièces et symptômes appropriés, de signaler les informations redondantes ou contradictoires, et d'évaluer le niveau de fiabilité avant que ces informations ne deviennent des connaissances fiables et réutilisables.
L'IA se charge de la première étape de tri et d'analyse. Les humains ne devraient pas avoir à vérifier et à nettoyer chaque interaction avant que le système puisse en tirer des enseignements.
Mais l'automatisation n'est pas nécessairement synonyme de « fiabilité ».
Oui, l'IA est capable d'extraire et d'organiser des connaissances à très grande échelle, mais elle peut également mal interpréter des conversations, passer à côté du contexte ou aboutir à des conclusions erronées. Toute information extraite d'interactions brutes doit pouvoir être vérifiée, retracée jusqu'à sa source et transmise à un examinateur humain lorsque le niveau de confiance est faible.
Il ne faut pas chercher à transformer automatiquement chaque interaction en connaissance. L'objectif est d'automatiser le travail nécessaire pour identifier ce qui mérite d'être considéré comme fiable et réutilisable.
La fragmentation n'est pas seulement un problème de stockage
Regrouper toutes vos données de service en un seul endroit, ou permettre de les consulter via un même système, résout le problème de l'accès. Mais cela ne résout pas le problème de la compréhension.
Imaginez 500 interactions avec le service client, chacune décrivant la même panne de différentes manières. Les clients utilisent des termes différents. Les symptômes varient. Les versions des produits changent.
Un moteur de recherche peut permettre de retrouver plus facilement l'ensemble des 500 interactions, mais il se peut qu'il ne comprenne pas les liens qui les unissent.
Il se peut qu'il ne reconnaisse pas que chaque interaction fait référence au même problème, qu'une solution de contournement ne s'applique qu'à la version 3.2, qu'une autre ait depuis été réfutée, ou que plusieurs experts soient parvenus indépendamment à une meilleure solution.
C'est ce qu'on appelle la fragmentation sémantique. Les informations sont accessibles, mais les relations et le sens qui s'y trouvent restent déconnectés.
C'est précisément là que des approches telles que les graphes de connaissances peuvent s'avérer utiles. Au lieu de considérer chaque interaction comme une information isolée, elles mettent explicitement en évidence les liens entre les problèmes, les produits, les symptômes, les versions et les solutions.
Ildes éléments indiquent que cela peut améliorer les résultats. Une étude LinkedIn de 2024 a révélé que l’ajout d’un graphe de connaissances au RAG traditionnel améliorait la qualité des résultats et réduisait de 28,6 % le délai médian de résolution des problèmes après le déploiement.
Les travaux de Microsoft sur GraphRAG repose sur le même principe de base : les données d’entreprise deviennent plus utiles pour l’IA lorsque celle-ci est capable de comprendre les relations qui existent au sein de ces données, et non pas simplement d’y effectuer des recherches.
Du lac de données à la couche d'expertise
C'est la voie que nous suivons avec XK, la couche d'expertise d'SightCall. L'objectif n'est pas de remplacer le LLM, le système RAG, le chatbot ou l'agent IA d'une entreprise. Il s'agit plutôt d'apporter à ces systèmes ce qui leur fait souvent défaut : une compréhension réutilisable de la manière dont l'organisation résout réellement les problèmes.
Le principe est simple. Un LLM général apporte des connaissances et une capacité de raisonnement étendues. Le RAG y ajoute les informations documentées par l’organisation. Le XK y ajoute ce que les collaborateurs ont appris en exerçant leurs fonctions.
Cela implique de transformer les interactions réelles entre les clients et le service après-vente, y compris les sessions d’assistance visuelle à distance, en connaissances structurées et interconnectées. XK est capable d’identifier et de relier les produits, les symptômes, les procédures, les pièces, les résultats et les interventions des experts au sein de ces interactions, afin de dresser un tableau clair de ce qui s’est passé, de ce qui a fonctionné et des domaines dans lesquels cette expertise s’applique.
L'interaction initiale reste la source de référence. L'expertise qui en est tirée devient un atout organisationnel fiable, réutilisable et partageable avec les systèmes et les personnes qui en ont besoin.
Évaluez les connaissances et l’
, pas seulement le pipeline
Une gouvernance efficace de l'IA ne se limite pas à connaître la provenance des informations. Il faut également savoir pourquoi on peut se fier à une information donnée.
Si l'IA transforme une interaction de service en article de dépannage, en procédure ou en recommandation, ces informations doivent inclure leur historique. Quelles interactions les étayent ? À quels produits et versions s'appliquent-elles ? Quand ont-elles été créées ? Quel est le niveau de confiance du système ? Ont-elles été validées par un expert ? Des données plus récentes les ont-elles confirmées ou remises en cause ? Quelle version les utilisateurs et l'IA doivent-ils utiliser aujourd'hui ?
Cela transforme la question d'audit, qui passe de « Quelles informations l'IA a-t-elle recherchées ? » à une question bien plus utile : « Pourquoi pensons-nous que cela est vrai, et dans quelles circonstances faut-il l'utiliser ? »
Des recherches menées par Microsoft vont dans ce sens. Son projet VeriTrail explore des moyens de remonter la piste des affirmations générées par l'IA, étape par étape, depuis leur création jusqu'à la source d'origine.
Le principe général est simple : si l'IA doit transformer le travail concret en savoir organisationnel, le lien avec les données d'origine ne doit pas se perdre en cours de route.
Le prochain pilier de l'IA, ce n'est pas davantage de données. C'est une meilleure mémoire.
L'IA d'entreprise a toujours besoin d'une base de données solide. Elle doit pouvoir accéder aux bonnes informations, disposer d'autorisations claires, s'appuyer sur des sources fiables et être capable de fonctionner de manière transparente entre les différents systèmes.
L'accès à davantage de données ne résout qu'une partie du problème. L'étape suivante consiste à aider les organisations à tirer des enseignements de ce qui se passe au quotidien.
Lorsqu'un technicien résout un problème complexe, cette solution peut devenir une procédure réutilisable. Lorsque des experts posent à plusieurs reprises le même diagnostic, ce schéma peut s'intégrer au savoir de l'organisation. Lorsque de nouvelles données contredisent une réponse existante, cela peut donner lieu à une réévaluation.
Et lorsqu'une personne découvre une solution de contournement non documentée, ce savoir-faire peut être consigné au lieu de se perdre à la fin de l'interaction.
C'est là que réside, selon nous, le potentiel de XK et du concept plus large de « couche d'expertise ». Il ne s'agit pas d'un simple espace de stockage d'informations, mais d'un système qui transforme le travail concret en connaissances fiables et réutilisables.
L'IA apprend comment l'organisation résout les problèmes ; ainsi, chaque solution apportée peut permettre à l'organisation d'en savoir davantage pour la prochaine.