À mesure que les entreprises passent des copilotes aux agents autonomes, la conversation évolue. Le succès ne dépend plus uniquement de la sophistication des modèles d’AI. De plus en plus, il dépend de la capacité de ces systèmes à accéder à des connaissances fiables, régies et exploitables.

Knowledge as Code (KaC) répond à cette problématique en traitant la connaissance d’entreprise comme un actif conçu, plutôt que comme du contenu éparpillé dans des portails, des documents et des répertoires déconnectés.

Le problème d’échelle de l’AI devient un problème de connaissance

Les entreprises ont investi massivement dans les chatbots, l’AIOps et l’AI générative, mais l’extension des solutions demeure difficile. McKinsey rapporte que près des deux tiers des entreprises ont expérimenté des agents AI, alors que moins de 10 % les ont déployés à grande échelle pour générer de la valeur concrète. Plus révélateur encore, huit organisations sur dix citent les limites liées aux données comme frein à l’expansion de l’AI agentique.

La conséquence est de taille : l’AI devient moins un défi technologique qu’un défi de connaissance.

La plupart des organisations disposent déjà de puissantes capacités d’AI. Ce qui limite souvent l’impact, c’est la capacité à fournir à ces systèmes une information fiable, contextuelle et à jour.

Chaque centre de services fonctionne grâce à la connaissance. Elle existe dans les bases de connaissances, les procédures d’exploitation, les rapports d’incidents, les plateformes collaboratives et, très souvent, dans l’expertise des ingénieurs expérimentés.

Le problème, c’est que cette connaissance est rarement structurée pour la consommation par des machines.

Lorsque la connaissance est incohérente, déconnectée ou difficile à valider, les utilisateurs attendent plus longtemps, les équipes de soutien escaladent plus d’incidents et les systèmes d’AI sont plus susceptibles de fournir des réponses incomplètes ou erronées.

Ajouter plus d’AI ne règle pas le problème. Dans bien des cas, cela l’amplifie.

Pourquoi l’AI d’entreprise a besoin d’ingénierie de la connaissance

Le problème n’est pas le manque de connaissance. La plupart des entreprises en ont en abondance.

Le véritable enjeu est que la connaissance d’entreprise a été créée pour que les gens puissent la rechercher, l’interpréter et l’utiliser. Les systèmes autonomes ont besoin de quelque chose de fondamentalement différent.

Les agents AI ont besoin que la connaissance soit structurée, régie, lisible par machine et continuellement validée.

À mesure que les organisations évoluent vers l’autonomie opérationnelle, la connaissance doit passer d’une documentation statique à un actif opérationnel conçu sur lequel l’AI peut s’appuyer en toute confiance.

C’est là qu’intervient Knowledge as Code.

Knowledge as Code applique les principes de l’ingénierie logicielle à la connaissance d’entreprise.

La connaissance devient structurée, contrôlée par version, revue par les pairs, validée et continuellement améliorée, avec une gouvernance intégrée à chaque étape du cycle de vie.

Le résultat : une fondation fiable unique qui peut servir aux employés, agents de service, canaux libre-service, chatbots et agents autonomes.

Ce modèle se résume à un enchaînement simple :

Rédiger → Réviser → Valider → Publier → Activer → Apprendre

C’est bien plus qu’un simple flux de publication.

C’est un plan de contrôle pour la qualité de la connaissance, la responsabilité, la traçabilité et l’auditabilité.

Un des rapports récents de McKinsey souligne pourquoi c’est si important. À mesure que les agents gagnent en autonomie, les organisations ont besoin de contrôles plus rigoureux sur la qualité des données, la gestion des accès, la traçabilité, la responsabilité et la gouvernance, car les agents opèrent à travers plusieurs systèmes et sources de données, avec une intervention humaine limitée.

En d’autres mots, plus l’AI devient autonome, plus la connaissance doit être maîtrisée.

Cinq leviers d’ingénierie qui rendent la connaissance exploitable

Pour les systèmes autonomes, la confiance ne se présume pas. Elle s’ingénie.

Cela nécessite cinq capacités fondamentales :

Formaliser. Convertir la connaissance en articles structurés, procédures d’exploitation, invites et scripts plutôt que de la laisser enfouie dans du contenu libre.

Versionner. Suivre chaque modification afin que les équipes sachent ce qui a changé, quand, pourquoi et qui l’a approuvé.

Gouverner. Mettre en place des processus d’approbation et d’assignation pour qu’aucune connaissance non revue n’atteigne les utilisateurs ou les machines.

Valider. Identifier automatiquement les métadonnées manquantes, les liens brisés, le contenu dupliqué et les éventuelles informations sensibles exposées avant la publication.

Améliorer. Utiliser l’analytique d’utilisation, les taux de résolution et les données de dérivation pour renforcer continuellement la connaissance efficace et retirer ce qui n’apporte plus de valeur.

Ensemble, ces capacités créent bien plus qu’un répertoire de connaissance.

Elles créent la confiance.

Dans un environnement autonome, la confiance devient la base de l’exécution.

La confiance devient essentielle à l’ère agentique

Les règles changent lorsque l’AI passe de l’aide à la décision à l’exécution des décisions.

Une réponse inexacte fournie par un chatbot peut frustrer un utilisateur.

Une instruction inexacte appliquée par un agent autonome peut déclencher un incident opérationnel.

Cette nuance définira la prochaine phase de l’AI en entreprise.

La recherche 2026 sur la maturité de la confiance dans l’AI de McKinsey illustre clairement cette évolution. À mesure que les systèmes AI gagnent en autonomie, les organisations doivent gérer non seulement le risque qu’ils disent la mauvaise chose, mais aussi qu’ils fassent la mauvaise action.

Cela fait de la qualité des connaissances bien plus qu’une question de gestion du contenu.

Cela devient un enjeu de gouvernance, de risque et, ultimement, d’affaires.

Une couche de connaissance fiable offre aux agents le contexte nécessaire pour déterminer ce qui est correct, ce qui est d’actualité, quelles actions sont autorisées et quand une intervention humaine est requise.

Sans cette fondation, l’autonomie devient difficile à développer de façon responsable. 

De la résolution réactive à la prévention par défaut

L’opportunité ultime va bien au-delà de l’amélioration de la résolution de billets.

Knowledge as Code permet au centre de services d’avancer sur une courbe de maturité :

Réactif : Résoudre le problème.
Proactif : Prédire et prévenir le problème.
Autonome : Détecter → Engager → Agir → Apprendre.

Cette perspective décrit une opération de service qui prévient plus qu’elle ne résout, résout plus qu’elle n’escalade et s’améliore à chaque intervention.

C’est là que la connaissance devient un actif opérationnel.

La connaissance approuvée peut être publiée en quelques heures plutôt qu’en semaines. La même réponse régie peut être diffusée uniformément sur tous les canaux. Une connaissance à haute fiabilité peut de plus en plus alimenter une auto-réparation gouvernée, avec les contrôles d’approbation et de limitation de portée appropriés.

Commencez petit. Ingéniez pour l’échelle.

La bonne nouvelle, c’est que les organisations n’ont pas à transformer tous leurs domaines de connaissance d’un coup.

Une approche pragmatique consiste à commencer par un ou deux secteurs de service à fort volume.

Introduisez gouvernance et gestion de version. Mesurez la rapidité de publication, la réutilisation de la connaissance et la diminution des incidents. Mettez en place une télémétrie de santé de la connaissance. Puis convertissez progressivement la connaissance de confiance en automatisation régie.

Avec le temps, chaque amélioration renforce la base de l’autonomie.

Le service desk autonome ne pourra pas être créé en ajoutant de l’AI à un environnement de connaissance dépassé.

Il sera créé en ingénierant la base de connaissance dans laquelle l’AI pourra avoir confiance.

La question que les leaders doivent se poser est simple :

Votre AI peut-elle faire confiance à la connaissance dont elle dépend ?

Pendant des décennies, les organisations ont considéré l’infrastructure, les applications et les données comme des actifs stratégiques. À l’ère autonome, la connaissance d’entreprise mérite le même niveau de discipline.

Parce que toute recommandation, toute décision ou toute action automatisée par l’AI est en fin de compte limitée par la qualité de la connaissance qui la soutient.

Les organisations qui conçoivent la connaissance avec gouvernance, propriété et validation continue construiront des systèmes AI non seulement plus intelligents, mais aussi plus fiables, évolutifs et dignes de confiance.

L’avenir de l’informatique autonome ne sera pas défini par l’AI seule. Il sera défini par la connaissance que les entreprises choisissent d’ingénier. À l’ère autonome, la connaissance n’est plus de la documentation. C’est de l’infrastructure.

L’avenir de l’informatique autonome ne sera pas défini par l’AI seule.

Il le sera par la qualité, la fiabilité et la gouvernance de la connaissance qui l’alimente.

À l’ère autonome, la connaissance n’est plus de la documentation. C’est de l’infrastructure. Et de plus en plus, c’est un avantage concurrentiel.