Votre IA n'a aucune idée de ce que fait votre entreprise

J’entends ça tout le temps: « J’ai essayé ChatGPT. C’est pas mal, je suppose. Mais ça ne vaut clairement pas tout ce battage. »

Et franchement? Je comprends. Si vous ouvrez ChatGPT, lui demandez de vous aider sur un sujet lié à votre travail et recevez une réponse générique qui semble écrite par quelqu’un qui connaît vaguement votre secteur mais n’a jamais mis les pieds dans votre entreprise, oui, c’est décevant.

L’IA n’est pas en cause. Il lui manque quelque chose.

La brillante nouvelle recrue

Imaginez que vous engagiez quelqu’un qui sort de l’université. Cette personne a terminé en tête de sa promotion. L’ampleur de ses connaissances paraît presque injuste: elle a tout lu, travaille à une vitesse incroyable et sait croiser les disciplines comme peu de spécialistes en sont capables.

Mais elle n’a jamais travaillé dans votre entreprise. Elle ne connaît pas votre produit. Elle n’a jamais rencontré vos clients. Elle n’a aucune idée de ce que font vos concurrents, de la manière dont votre équipe est structurée, de ce que vous avez essayé l’an dernier sans succès ou des raisons qui vous ont conduit à prendre vos décisions.

Alors, quand vous lui demandez « Comment devrions-nous aborder la campagne commerciale du T3? », elle vous donne une réponse parfaitement raisonnable, digne d’un manuel. Et cette réponse vous semble… inutile. Parce qu’elle est générique. Elle repose sur ce que cette personne a appris à l’université, pas sur la réalité de votre entreprise.

C’est exactement ce qui se passe lorsque vous utilisez ChatGPT ou Claude sans leur donner de contexte sur votre entreprise. Vous parlez à la plus brillante nouvelle recrue imaginable, qui ne sait absolument rien de votre univers particulier.

Les modèles mentaux comptent plus que les prompts

Tout un secteur s’est construit autour de « l’ingénierie des prompts ». Bibliothèques de prompts, modèles de prompts, cours sur les prompts. Je n’en ai jamais utilisé un seul.

Les bibliothèques de prompts, c’est comme mémoriser des phrases dans une langue étrangère sans en comprendre la grammaire. Vous vous en sortirez peut-être dans quelques situations précises, mais dès que les choses sortent du scénario prévu, vous ne savez plus quoi faire.

Vous avez surtout besoin du bon modèle mental: une compréhension intuitive de l’outil et de la manière d’interagir avec lui.

La « brillante nouvelle recrue », c’est mon modèle mental pour l’IA. Une fois que vous l’avez intégré, beaucoup de choses deviennent claires:

• Pourquoi les questions génériques donnent des réponses génériques: vous ne demanderiez pas à une nouvelle recrue de repenser votre processus commercial dès son premier jour sans lui donner d’abord un briefing
• Pourquoi le contexte change tout: plus vous donnez d’informations, meilleur sera le résultat, exactement comme lorsque vous briefez un collègue
• Pourquoi l’IA invente parfois des choses: une nouvelle recrue qui ne connaît pas la réponse mais se sent obligée d’aider pourrait combler les blancs avec des suppositions qui semblent plausibles
• Pourquoi ses résultats s’améliorent radicalement avec les connaissances de l’entreprise: votre brillante nouvelle recrue a maintenant passé six mois à découvrir l’entreprise

Ce seul modèle mental améliorera davantage vos résultats avec l’IA qu’une centaine de modèles de prompts.

Les cinq erreurs que les gens commettent vraiment

J’ai maintenant vu beaucoup de gens utiliser l’IA. Pas dans des démos ou des tutoriels: au travail, pour de vrai. Et les mêmes schémas reviennent avec une régularité frappante.

1. L’utiliser comme un moteur de recherche

C’est l’erreur la plus courante. Les gens tapent une question comme ils la taperaient dans Google, reçoivent un paragraphe et se disent: « Bon, Google était plus rapide et me donnait au moins des liens. »

L’IA n’est pas un moteur de recherche. Un moteur de recherche trouve des informations existantes. L’IA génère un nouveau texte à partir de schémas appris. Ce sont deux choses fondamentalement différentes, qui demandent deux approches fondamentalement différentes. Avec l’IA, vous ne cherchez pas. Vous travaillez avec elle.

2. Ne pas donner de contexte

« Rédigez-moi un e-mail marketing » vous donnera un e-mail marketing. Un mauvais. Un e-mail générique.

« Rédigez-moi un e-mail marketing pour un produit SaaS B2B qui aide les hôpitaux suisses à gérer leur personnel infirmier temporaire. Notre public est composé de responsables RH débordés et sceptiques face aux nouveaux logiciels. Le ton doit être professionnel mais chaleureux, sans être trop commercial. Limitez-vous à 200 mots. »

Même outil. Résultat complètement différent. La différence, c’est le contexte.

3. Attendre de la magie d’un seul prompt

Les gens tapent un prompt soigneusement formulé, regardent le résultat, puis l’acceptent ou rejettent l’outil tout entier. Mais personne ne travaille comme ça: ni avec des collègues, ni avec des freelances, ni avec qui que ce soit.

Voyez-le comme une conversation. Commencez large, puis affinez. « Voici ce dont j’ai besoin. » « C’est la bonne direction, mais rendez-le plus spécifique aux hôpitaux. » « Bien, maintenant réduisez-le de moitié. » « En fait, commencez par le problème plutôt que par le produit. »

Trois ou quatre échanges comme ceux-là vous donneront quelque chose de vraiment bon. Un seul prompt n’y arrive presque jamais.

4. Avoir les mauvaises attentes

Certaines personnes attendent de l’IA qu’elle soit parfaite. D’autres s’attendent à ce qu’elle soit inutile. Les deux se trompent.

L’IA ressemble davantage à un premier jet très rapide que votre expertise doit ensuite affiner. Elle peut faire 80 % du travail en 10 % du temps, mais vous devez encore apporter les 20 % restants. Votre jugement. Votre connaissance de la situation précise. Votre goût.

Si vous attendez la perfection, vous serez déçu. Si vous n’attendez rien, vous ne découvrirez jamais ce que l’IA peut réellement faire.

5. Essayer de tout résoudre d’un coup

C’est la version organisationnelle du problème du prompt unique. Les entreprises tentent d’automatiser tout un workflow avec l’IA, échouent parce que le premier essai est brouillon, puis concluent que « l’IA n’est pas prête pour notre cas d’usage ».

Commencez petit. Une tâche. Une conversation. Une petite victoire. Puis construisez à partir de là.

Ce qui change quand l’IA connaît vraiment votre entreprise

La différence est spectaculaire.

Sans les connaissances de l’entreprise:

Vous demandez: « Comment devrions-nous nous positionner face à nos concurrents? »

Vous obtenez: un cadre générique sur les stratégies de différenciation. Les cinq forces de Porter. Le contenu habituel d’un MBA. Correct, mais inutile.

Avec les connaissances de l’entreprise:

Vous posez la même question. Mais l’IA a accès à votre analyse documentée de six concurrents précis. Elle connaît votre feuille de route produit. Elle connaît votre stratégie tarifaire. Elle sait ce que les clients ont dit à votre équipe commerciale au cours du mois écoulé.

La réponse devient la vôtre. Elle cite des concurrents précis, repère les points où votre feuille de route vous donne un avantage, signale un risque tarifaire récemment créé par un concurrent et propose un angle de positionnement basé sur de vrais retours clients.

Même IA. Même question. Valeur complètement différente.

Le déficit de connaissances et pourquoi il est si difficile à combler

J’en viens à la partie que la plupart des gens sautent parce qu’elle semble ennuyeuse: la gestion des connaissances.

Je sais: dès que quelqu’un dit « gestion des connaissances », tout le monde décroche. Disons-le autrement.

Pensez à la différence entre une personne qui a rejoint votre entreprise hier et une autre qui y travaille depuis dix ans. La seconde sait des choses qui ne sont écrites nulle part. Elle sait quels clients sont difficiles et pourquoi. Elle sait pourquoi un certain processus existe (et quelle partie est dépassée sans que personne ait pris la peine de la changer). Elle sait qui appeler quand quelque chose casse. Elle connaît les règles tacites, l’histoire, le contexte derrière les décisions.

C’est de ces connaissances-là que je parle. Et aujourd’hui, votre IA n’a presque accès à rien de tout ça.

Le problème est organisationnel, pas technologique. La plupart des entreprises ne consignent pas ces choses par écrit. Elles ne sont pas paresseuses: jusqu’ici, l’effort n’en valait simplement pas la peine. Qui va lire un document expliquant pourquoi la structure tarifaire a changé en 2023? Personne, en général.

Mais l’IA change l’équation. Écrire les choses apporte soudain un bénéfice direct et tangible: votre IA devient plus intelligente. Chaque élément de contexte que vous lui donnez améliore toutes les interactions futures, pour vous et pour chaque membre de votre équipe qui utilise le système.

Les trois types de connaissances dont votre IA a besoin

Toutes les connaissances ne se ressemblent pas, et vous ne les captez pas toutes de la même façon.

Règles et réglementations externes

Ce sont des faits qui existent en dehors de votre entreprise: lois, normes sectorielles, exigences de conformité. Vous ne pouvez pas vous fier à ce que l’IA a « appris » pendant son entraînement, car c’est précisément là que surviennent les hallucinations. Une IA qui cite avec assurance une réglementation inexistante est pire qu’une IA qui dit « Je ne sais pas. »

Ce que j’ai fait chez Carewell: j’ai utilisé Perplexity pour mener des recherches approfondies sur toute la réglementation suisse du travail applicable au travail temporaire, en donnant la priorité aux sources officielles. J’ai ensuite importé ces recherches dans notre système de connaissances. Maintenant, lorsque quelqu’un pose une question réglementaire, l’IA répond à partir de sources vérifiées et signale qu’il s’agit d’un sujet à revérifier avant d’agir.

Connaissances sur le produit et les opérations

C’est ce que votre entreprise construit, vend et fait. Documentation produit, processus, workflows, tarification: tout ce qui existe déjà quelque part, mais reste éparpillé entre les wikis, les slides et les boîtes mail des gens.

Vous pouvez en importer une partie directement. Mais le reste demande parfois des approches créatives. Pour notre produit, j’ai construit une simple extension de navigateur qui prend des captures d’écran annotées de chaque écran de notre application. Elle envoie chaque capture à un modèle d’IA qui rédige une description détaillée: ce que montre l’écran, comment fonctionne l’interface et vers quels autres écrans on peut passer. J’ai importé tout ça dans notre système. L’IA peut maintenant comprendre toute notre application et répondre à des questions précises sur n’importe quelle fonctionnalité ou n’importe quel écran.

Les connaissances dans la tête des gens

C’est le type de connaissances le plus difficile à capter et le plus précieux. Tout ce que votre équipe sait sans jamais l’avoir écrit. Ce qu’elle a appris lors de conversations avec les clients, en résolvant des problèmes, en essayant des choses qui n’ont pas fonctionné.

Chez Carewell, j’ai créé des questionnaires détaillés pour chaque membre de l’équipe, adaptés à leur rôle. Notre CEO a reçu des questions sur la stratégie, le positionnement sur le marché et la vision de l’entreprise. J’ai reçu des questions sur la gestion de produit et l’architecture IA. L’équipe commerciale a reçu des questions sur les tendances observées chez les clients et leurs objections.

Ça paraît simple, presque banal. Mais les réponses ont été incroyables. Tout à coup, l’IA avait accès à des points de vue et à des connaissances qui n’avaient jusque-là existé que dans la tête de chaque membre de l’équipe.

Construisez un système plutôt qu’une bibliothèque de prompts

C’est contre-intuitif: mieux votre système d’IA est configuré, moins vos prompts comptent.

Quand je parle à notre système d’IA chez Carewell, je dicte souvent une ou deux pages de pensées décousues. Ce n’est ni structuré ni optimisé. En gros, je réfléchis à voix haute. Et ça fonctionne très bien, parce que le système dispose déjà de tant de contexte, de tant d’instructions sur la manière de se comporter et de tant de contraintes intégrées qu’une entrée désordonnée produit malgré tout un excellent résultat.

Comparez ça avec une personne qui utilise une session ChatGPT vierge et un prompt soigneusement formulé, trouvé dans une bibliothèque. Elle obtiendra un résultat correct pour ce cas d’usage précis. Mais elle devra repartir de zéro à chaque fois.

C’est la différence entre mémoriser des phrases et parler la langue. Entre avoir une recette et savoir cuisiner.

Si vous voulez voir à quoi ressemble vraiment ce système dans la pratique — son architecture, sa base de connaissances et les habitudes quotidiennes — j’ai écrit un guide étape par étape: Construire un Company AI OS.

Commencez par le modèle mental

Vous n’avez pas besoin de construire tout un système de connaissances demain. Mais vous pouvez dès maintenant commencer à voir l’IA autrement.

La prochaine fois que vous ouvrez ChatGPT ou Claude, essayez ceci:

1. Avant de poser votre question, prenez 30 secondes pour donner à l’IA le même briefing qu’à un nouveau collègue compétent. Qui êtes-vous? Que fait votre entreprise? Quel est le contexte de cette tâche?
2. N’acceptez pas la première réponse. Remettez-la en question. Posez des questions complémentaires. Dites « C’est trop générique » ou « Adaptez davantage la réponse à ma situation ».
3. À la fin, comparez la qualité de la conversation avec celle d’une simple question tapée dans le vide.

C’est le modèle mental en action. Et une fois que vous aurez constaté la différence, vous voudrez rendre ce contexte permanent. C’est exactement ce que fait un Company AI Operating System.

L’IA n’est pas décevante. Elle attend que vous lui appreniez ce qu’elle doit savoir.