Comment nous avons construit une IA qui connaît notre entreprise

J’utilise des outils d’IA tous les jours depuis plus d’un an. ChatGPT, Claude, Gemini, Perplexity: tout y est passé. Ils sont incroyables. Mais il y a quelques mois, j’ai réalisé que je laissais de côté 90 % de leur potentiel.

Au début, chaque conversation repartait de zéro. J’expliquais mon entreprise, mon produit, mon marché, mon équipe, encore et encore. J’avais une révélation dans une conversation, puis je la perdais complètement à la suivante.

Puis les outils ont commencé à rattraper leur retard. Les GPT personnalisés dans ChatGPT. Les Gems personnalisés dans Gemini. Les Projects dans Claude. J’ai commencé à créer des fichiers de connaissances, avec une vue d’ensemble de l’entreprise, des descriptions de produits et le contexte du marché, puis à les joindre à chaque outil. Cela m’a beaucoup aidé. Chaque fois que je mettais un fichier à jour, la qualité des résultats s’améliorait sensiblement, parfois de façon sidérante. Du jour au lendemain, je pouvais faire avec un modèle des choses qui m’avaient paru impossibles.

Mais le workflow était infernal. J’utilisais plusieurs outils d’IA, chacun pour ses points forts, et chacun gérait les fichiers de connaissances à sa façon. Pour une mise à jour, je devais modifier le fichier sur mon ordinateur, supprimer l’ancienne version dans l’outil, téléverser la nouvelle, puis recommencer sur chaque plateforme. Mes fichiers étaient toujours obsolètes tant la mise à jour demandait d’efforts. ChatGPT a ensuite introduit les mémoires, des éléments qu’il retenait des conversations, et les autres outils ont suivi. Très bien en théorie. En pratique, je ne contrôlais presque rien de ce qui était mémorisé, et modifier ou corriger ces souvenirs était tout aussi pénible.

Avec le recul, cette étape était nécessaire. Elle m’a appris quelque chose d’important: le contexte propre à l’entreprise sépare une IA utile d’une IA impressionnante mais générique. Elle m’a aussi fait ressentir les limites d’un système sans boucle fermée, incapable d’apprendre de lui-même ou de rester à jour sans travail manuel. Je voulais bénéficier de l’effet cumulatif de meilleures connaissances sans cet entretien manuel permanent.

J’ai donc construit autre chose. Chez Carewell, la startup healthtech suisse dont je suis CPO & Chief AI Officer, j’ai créé ce que j’appelle un Company AI Operating System: un système de connaissances structuré qui donne à l’IA une mémoire permanente de notre entreprise, de nos décisions et de notre réflexion collective. Un système qui se met à jour à mesure que nous l’utilisons.

La différence est flagrante. Je suis passé d’une IA utilisée comme une brillante inconnue à l’IA la mieux informée de toute notre équipe.

Ce guide vous explique pourquoi cela compte et comment construire votre propre système.

Le problème: tout le monde utilise l’IA, personne n’en apprend rien

Voici à quoi ressemble l’IA dans la plupart des entreprises en 2026:

La personne du marketing utilise ChatGPT pour rédiger des publications sur les réseaux sociaux. Chaque fois, elle réexplique le ton de la marque, le public cible et le positionnement du produit. La personne responsable des ventes utilise Claude pour préparer ses rendez-vous clients. Chaque fois, elle recopie les mêmes informations sur l’entreprise et le client. Le CEO utilise Perplexity pour étudier la concurrence. Les conclusions restent dans son historique de navigation et nulle part ailleurs. Une nouvelle personne rejoint l’équipe et repart de zéro avec l’IA, comme toutes les autres avant elle.

Je vois cela partout. Chaque conversation repart de rien. Chaque découverte s’évapore. Collectivement, votre équipe passe des heures chaque semaine à réapprendre à l’IA ce qu’elle a déjà découvert auprès de quelqu’un d’autre, dans une autre fenêtre de chat.

C’est comme engager une brillante consultante qui devient amnésique chaque soir.

Ce qu’est réellement un Company AI Operating System

Un Company AI OS est une base de connaissances structurée qui fournit à l’IA un contexte persistant et partagé sur votre organisation. Au lieu d’avoir chacun des conversations isolées avec l’IA, tout le monde travaille avec le même « cerveau » d’IA, qui connaît votre entreprise en profondeur et devient plus intelligent au fil du temps.

Ce n’est pas un logiciel que vous achetez. C’est un système que vous construisez à partir de trois éléments:

1. Un dépôt de connaissances — des informations organisées sur votre entreprise (produit, marché, ventes, opérations, stratégie), stockées dans de simples fichiers texte
2. Des fichiers d’instructions — des règles qui indiquent à l’IA comment se comporter, quoi citer, quand être prudente et comment interagir avec votre équipe
3. Des boucles d’apprentissage — des habitudes et des intégrations qui injectent chaque jour de nouvelles connaissances dans le système

Voyez les choses ainsi: ChatGPT est la brillante nouvelle recrue qui sait tout sur le monde, mais rien sur votre entreprise. Un Company AI OS est cette même intelligence, enrichie d’une connaissance approfondie de votre activité: votre produit, vos clients, vos concurrents, vos décisions et l’expertise de votre équipe.

Et surtout, cette connaissance est partagée. Quand la personne responsable des ventes apprend quelque chose lors d’un rendez-vous client, cette connaissance devient accessible à toute l’équipe par l’intermédiaire de l’IA, au lieu de rester enfermée dans ses notes.

Pourquoi l’effort en vaut la peine

Le contexte détermine la qualité

Il existe un lien direct entre la précision des informations que vous donnez à l’IA et la qualité de sa réponse. Entrée générique, sortie générique.

Quand je demande à ChatGPT seul « Comment devrions-nous nous positionner face à nos concurrents sur le marché suisse du placement de personnel dans la santé? », j’obtiens une réponse raisonnable mais générique sur les stratégies de différenciation.

Quand je pose la même question à notre AI OS, il consulte notre analyse documentée de six concurrents précis. Il vérifie aussi nos playbooks commerciaux régionaux, notre feuille de route produit, notre stratégie tarifaire et les notes récentes sur nos clients. La réponse est la nôtre, fondée sur des éléments que nous seuls connaissons.

L’avantage s’accumule

C’est la partie qui m’enthousiasme. Les résumés de rendez-vous clients alimentent le système. Chaque décision produit est enregistrée avec sa justification. Nous consignons nos observations sur la concurrence et les désaccords dans l’équipe.

Après quelques semaines, votre IA sait des choses qu’aucune personne de votre équipe ne connaît à elle seule. Elle a lu chaque fiche concurrentielle, chaque décision documentée et chaque conclusion tirée de chaque réunion. Elle établit entre les domaines des liens auxquels personne n’aurait pensé.

Après trois mois, l’écart avec une conversation vierge dans ChatGPT est énorme. Cet écart constitue votre avantage concurrentiel et grandit chaque jour. J’ai expliqué plus en détail pourquoi il est si difficile de le combler plus tard.

Une mémoire institutionnelle qui fonctionne vraiment

Toutes les entreprises prétendent valoriser la documentation. Presque aucune ne le fait bien. Les comptes rendus de réunion finissent dans un Google Doc que personne ne lit. Les décisions sont prises dans des fils de discussion Slack, puis oubliées. Le raisonnement stratégique ne vit que dans la tête de la personne qui a fondé l’entreprise.

Un Company AI OS résout ce problème en faisant de la documentation un produit naturel du travail avec l’IA, plutôt qu’en demandant aux gens de documenter davantage. Après une conversation stratégique avec l’IA, celle-ci propose de consigner les décisions principales. Quand quelqu’un contredit les connaissances existantes, le système le signale. Quand une information vieillit, le système le remarque.

Résultat: la mémoire institutionnelle de votre entreprise fonctionne vraiment et reste accessible par une simple question.

Quand l’IA repère un désaccord dans votre équipe

Je ne m’attendais pas à ce que cela ait autant de valeur: le système détecte les points de vue contradictoires entre les membres de l’équipe.

Notre CEO pense que l’IA doit surtout accélérer l’exécution, sans piloter la stratégie créative. Je pense qu’elle peut produire des idées véritablement nouvelles si on lui donne un contexte assez précis. Les deux points de vue ont été consignés dans la base de connaissances à partir de conversations séparées.

Le système a signalé cette « divergence ». Son but n’était pas de créer un conflit, mais de faire ressortir une différence philosophique aux conséquences concrètes sur la manière dont nous formons notre équipe et concevons nos workflows. Au lieu de couver en silence pendant des mois, ce désaccord est devenu une discussion structurée dans laquelle les deux positions étaient clairement formulées.

La plupart des entreprises ont des dizaines de désaccords cachés de ce type. Ils ralentissent tout, car les gens travaillent à partir d’hypothèses différentes sans s’en rendre compte.

À quoi cela ressemble au quotidien

Je vais vous montrer ce qui change concrètement. Ces scénarios viennent réellement de Carewell.

Préparer un rendez-vous client: La personne responsable des ventes demande à l’IA: « Préparez-moi pour mon rendez-vous avec l’Hôpital X demain. » L’IA consulte l’historique du client chez nous et les notes issues des interactions récentes. Elle identifie quel concurrent lui fait une offre, les fonctionnalités produit pertinentes et la dynamique du marché régional. Trente minutes passées à fouiller dans les e-mails deviennent une question de trente secondes.

Une nouvelle recrue pose une question sur la réglementation: « Quelles sont les exigences d’autorisation pour le placement temporaire dans le canton de Vaud? » L’IA répond à partir de la base de connaissances. Mais comme il s’agit d’un domaine marqué comme réglementaire, elle ajoute automatiquement: « Cette question relève de la réglementation. Vérifiez auprès de l’équipe chargée de la conformité ou consultez les directives actuelles du SECO avant d’agir. » Le système sait quels sujets comportent un risque élevé et adapte sa réponse.

Consigner les connaissances en fin de journée: Chaque soir à 17 h, chaque membre de l’équipe reçoit un prompt très simple dans notre messagerie d’équipe: « Sur quoi avez-vous travaillé aujourd’hui? Des enseignements qui méritent d’être consignés? » Cela prend une à trois minutes. Sauter une journée ne pose aucun problème. Même une réponse d’une phrase a de la valeur. L’IA transforme ces réponses en résumé hebdomadaire de l’équipe: qui travaille sur quoi, où les efforts se recoupent et quels enseignements sont apparus. Notre équipe de direction peut maintenant prendre le pouls de toute l’entreprise, ce qui aurait auparavant nécessité une réunion générale hebdomadaire.

L’IA repère les contradictions: Un membre de l’équipe énonce une hypothèse sur le marché. L’IA signale: « Cela diffère de ce qui figure dans notre analyse de marché d’il y a deux semaines. Voici le point de vue existant et le vôtre. Dois-je créer une fiche de divergence ou mettre à jour les connaissances existantes? »

Le but n’est pas d’être tatillon. Le système maintient la base de connaissances exacte et veille à faire ressortir les différentes perspectives au lieu de les enterrer.

La boucle vertueuse

La valeur réelle vient de la façon dont le système devient plus intelligent au fil du temps, bien plus que de sa configuration initiale.

Les connaissances entrent grâce aux rituels quotidiens, aux comptes rendus de sessions et de réunions, et aux conversations d’équipe. Chaque interaction donne au système l’occasion d’apprendre quelque chose.

De meilleures réponses en sortent, car l’IA dispose de plus de contexte, d’historique et de connaissances transversales. La qualité des réponses progresse sensiblement d’une semaine à l’autre.

La confiance augmente, car l’équipe voit que l’IA fournit des réponses propres à l’entreprise plutôt que des conseils génériques. Elle commence à l’utiliser davantage.

Davantage de connaissances entrent, car les gens font confiance au système et veulent l’alimenter. Le CEO partage une réflexion stratégique. La personne responsable des ventes consigne une conversation avec un client. La personne responsable des opérations documente un nouveau workflow.

Et le cycle continue.

Mais cette boucle vertueuse a aussi besoin de se corriger elle-même:

• Suivi des lacunes: chaque fois que le système ne peut pas répondre à une question, il consigne la lacune. Après un mois, vous disposez d’une carte claire des connaissances manquantes.
• Suivi de la fraîcheur: les connaissances vieillissent. Une analyse concurrentielle devient obsolète chaque mois. Les informations réglementaires doivent être mises à jour lorsqu’un événement l’exige. Le système signale les entrées dont la date de révision est dépassée.
• Signalement des divergences: les avis contradictoires entre les membres de l’équipe sont consignés et soumis à la discussion, au lieu de continuer à couver.
• Suivi des erreurs: quand l’IA donne une mauvaise réponse, la correction est consignée. Les récurrences révèlent les lacunes systématiques.

Comment construire les connaissances

L’architecture, avec ses dossiers, ses fichiers et ses fichiers d’instructions, représente peut-être 20 % de l’effort. Les 80 % restants consistent à remplir le système de connaissances qui en valent la peine. Et « documentez simplement tout » ne fonctionne pas. Les gens ignorent ce qu’ils savent et ce qui manque.

Voici le processus en quatre phases qui a fonctionné pour nous.

Phase 1: recherche approfondie. Avant d’interroger qui que ce soit, nous avons construit une base de connaissances externes. Des dizaines de sessions de recherche approfondie avec Perplexity pour cartographier complètement notre marché: chaque segment de clientèle potentiel, chaque concurrent, le cadre réglementaire et les lois applicables. Nous avons tout synthétisé et stocké dans des fichiers Markdown structurés. J’ai écrit un guide séparé sur ce workflow de recherche si vous voulez connaître les détails.

Phase 2: entretiens menés par l’IA. C’est la partie contre-intuitive. Au lieu de rédiger moi-même la documentation, j’ai demandé à l’IA de m’interroger. Je ne posais pas les questions, c’est elle qui me les posait. Nous avons fait des dizaines de sessions sur le produit, la stratégie, les opérations et la vision. Elle a fait ressortir des connaissances tacites que je n’aurais pas pensé à documenter: des hypothèses sur lesquelles je m’appuyais, des liens entre des décisions que je n’avais jamais formulés explicitement. Tout cela aurait été perdu si j’avais tenté de l’écrire de zéro.

Phase 3: questionnaires pour l’équipe. Une fois qu’elle disposait des fondations issues de mes entretiens, l’IA a généré un questionnaire personnalisé pour chaque membre de l’équipe de direction. Pas une enquête générique, mais des questions ciblées en fonction du rôle de la personne et des lacunes qui subsistaient dans la base de connaissances. Notre CEO a répondu à 35 questions. Plusieurs l’ont amené à formuler des choses qu’il n’avait encore jamais partagées avec l’équipe.

Phase 4: détection des divergences. L’IA a comparé les réponses de tout le monde et trouvé six sujets sur lesquels les membres de l’équipe de direction avaient des visions fondamentalement différentes de l’avenir de l’entreprise. De vrais désaccords de fond, avec des conséquences pratiques, que personne n’avait encore mis au jour. Nous avons organisé des discussions ciblées et résolu chacun d’eux. Des tensions qui auraient pu couver en silence pendant des mois ont été traitées dans des conversations structurées.

J’ai écrit un guide complet sur ce processus d’extraction des connaissances, de la simple technique « posez-moi 5 questions », que vous pouvez essayer aujourd’hui, jusqu’à l’extraction complète à l’échelle d’une équipe qui transforme la façon dont une entreprise considère ses propres connaissances.

Comment construire votre propre système

Voici une procédure étape par étape fondée sur ce que nous avons construit chez Carewell. Je serai précis sur nos outils, mais l’architecture reste indépendante des outils: adaptez-la à la plateforme d’IA que vous préférez.

Étape 1: choisissez l’IA centrale

Vous avez besoin d’une plateforme qui prend en charge le contexte de projet, c’est-à-dire la possibilité de charger des fichiers et des instructions qui persistent d’une conversation à l’autre.

Ma recommandation: Claude avec Claude Code. Claude prend en charge les fichiers d’instructions, appelés CLAUDE.md, qui définissent le comportement de l’IA pour votre projet. Claude Code vous offre une interface en ligne de commande qui travaille directement avec votre système de fichiers. C’est parfait pour un dépôt de connaissances stocké dans Git. Pour explorer tout l’écosystème Anthropic, consultez mon guide de l’écosystème Claude.

Autres possibilités: vous pouvez construire un système similaire avec ChatGPT, grâce aux GPT personnalisés et aux Projects, même si la gestion des fichiers est moins flexible. La condition essentielle est un contexte de projet persistant, et pas seulement la mémoire d’une conversation.

Étape 2: configurez votre dépôt de connaissances

Créez un dépôt Git avec une arborescence organisée par domaine de connaissances:

company-ai-os/
├── knowledge-base/
│   ├── product/          # Ce que vous construisez
│   ├── market/           # Concurrents, dynamique du marché
│   ├── sales/            # Playbooks, enseignements tirés des clients
│   ├── company/          # Stratégie, valeurs, OKR
│   ├── operations/       # Processus, automatisations
│   └── technical/        # Infrastructure, outils
├── memory/
│   ├── decisions/        # Ce qui a été décidé et pourquoi
│   ├── insights/         # Enseignements et analyses
│   └── divergences/      # Les désaccords dans l'équipe
├── team/
│   └── profiles/         # Qui sait quoi, méthodes de travail
└── templates/            # Formats réutilisables pour les entrées

Tout est stocké dans de simples fichiers Markdown. Aucun format propriétaire, aucune base de données, aucun logiciel spécial. Markdown dans Git vous donne un historique des versions (qui a modifié quoi et quand), facilite la collaboration (plusieurs personnes peuvent contribuer) et assure la portabilité (si vous changez de plateforme d’IA, vos connaissances vous suivent).

Commencez petit. N’essayez pas de tout documenter dès le premier jour. Commencez par le domaine que vous connaissez le mieux, probablement votre produit ou une vue d’ensemble de votre entreprise. Un fichier bien écrit a plus de valeur que vingt dossiers vides.

Étape 3: rédigez vos fichiers d’instructions

C’est le cerveau du système. Les fichiers d’instructions indiquent à l’IA qui elle est, comment se comporter et quelles règles suivre. Dans l’écosystème Claude, ce sont des fichiers CLAUDE.md placés à la racine et dans les sous-répertoires.

Votre fichier d’instructions racine doit couvrir les points suivants:

Identité et but: « Vous êtes l’IA centrale de [Nom de l’entreprise]. Ce dépôt constitue la base de connaissances partagée et la mémoire institutionnelle de l’entreprise. »

Règles de comportement: comment l’IA doit-elle communiquer? Chez Carewell, nous avons configuré la nôtre pour qu’elle soit directe, remette les hypothèses en question et propose des analyses fondées sur les premiers principes face aux questions complexes.

Protocoles contre les hallucinations: ce point est essentiel. Configurez l’IA pour qu’elle:

• cite sa source pour chaque réponse factuelle
• utilise des niveaux de confiance: « vérifié » (contrôlé par recoupement), « hypothèse de travail » (considérée comme correcte, mais pas validée), « à valider » (potentiellement obsolète)
• ajoute des avertissements obligatoires pour les domaines à haut risque (réglementation, droit, engagements envers les clients)
• dise « Je ne dispose pas d’informations fiables à ce sujet » quand elle ne sait pas

Langue et ton: ce point est important dans les équipes multilingues. Nous avons configuré la nôtre pour qu’elle accepte des entrées en anglais, en français et en allemand, réponde dans la langue de la personne et applique les conventions suisses à ses réponses en allemand.

Les fichiers d’instructions des sous-répertoires fournissent un contexte propre à chaque domaine. Par exemple, votre fichier knowledge-base/regulatory/CLAUDE.md pourrait dire: « Ce domaine contient des informations réglementaires. Ajoutez toujours un avertissement demandant une vérification. Suggérez à la personne de consulter [Contact juridique] avant d’agir sur la base d’une information réglementaire. »

Étape 4: construisez votre mémoire institutionnelle

Au-delà des connaissances actuelles, votre AI OS doit saisir la façon dont votre entreprise réfléchit au fil du temps. Il existe trois types de mémoire:

Registres de décisions: quand une décision importante est prise, consignez ce qui a été décidé, les autres possibilités envisagées, la raison pour laquelle cette option l’a emporté et ses conséquences. Six mois plus tard, quand quelqu’un demande « pourquoi avons-nous fait comme ça? », l’IA a la réponse.

Enseignements: les leçons tirées de recherches, de conversations avec les clients, d’expériences et d’analyses. Ce ne sont pas des décisions, mais des observations qui orientent les décisions futures.

Divergences: les sujets sur lesquels les membres de l’équipe sont en désaccord. Cela peut sembler inconfortable, mais c’est précieux. Formulez-le de manière constructive: « Point de vue A (défendu par la personne A): nous devrions nous concentrer sur les entreprises clientes. Point de vue B (défendu par la personne B): les PME sont notre voie vers la croissance. Voici le raisonnement derrière chaque point de vue. » Une divergence est un signal à discuter, pas un problème à cacher.

Étape 5: créez des canaux de collecte

Le principal risque de tout système de connaissances est que personne ne l’alimente. La solution consiste à rendre la contribution absurdement simple et à rejoindre les gens là où ils travaillent déjà.

Pour les utilisateurs avancés (les membres techniques de l’équipe, la personne qui joue le rôle de référent IA): des sessions directes avec Claude Code ou Claude Desktop. Ces personnes travaillent directement avec le dépôt.

Pour toutes les autres personnes: intégrez le système à vos outils de communication existants. Chez Carewell, nous avons développé un bot dans notre messagerie d’équipe. N’importe qui peut mentionner l’IA avec @ pour lui poser une question ou partager un enseignement. L’IA pose des questions complémentaires, structure les informations et les soumet au dépôt pour validation.

Que votre équipe utilise Slack, Teams ou autre chose, le principe reste le même: ne demandez pas aux gens d’adopter un nouvel outil pour apporter des connaissances. Amenez l’IA jusqu’à eux.

Le rituel de fin de journée: chaque soir, chaque membre de l’équipe reçoit un message:

« Sur quoi avez-vous travaillé aujourd’hui? Des enseignements qui méritent d’être consignés? »

Deux questions. Une à trois minutes. Sauter une journée ne pose aucun problème. L’IA structure les réponses en entrées de journal de travail et génère un résumé hebdomadaire de l’équipe.

Le principe de conception: le pull plutôt que le push. Rendez le système si utile que les gens aient envie de l’alimenter.

Étape 6: intégrez-le à vos outils existants

Votre AI OS devient nettement plus utile quand il peut accéder à vos outils opérationnels. Mais commencez en lecture seule.

Gestion de projet (Jira, Linear, Asana): connectez ces outils en lecture seule afin que l’IA puisse répondre à des questions comme « Que contient le sprint actuel? » ou « Où en est la fonctionnalité X? » Chez Carewell, nous utilisons le protocole d’intégration d’Atlassian (serveur MCP) pour donner à Claude un accès direct en lecture à Jira et Confluence.

Documentation (Confluence, Notion, Google Docs): laissez l’IA consulter vos documents existants. Cela comble l’écart entre votre AI OS et vos outils actuels sans imposer de migration.

Messagerie d’équipe (Slack, Teams, etc.): en plus du bot de questions-réponses, configurez une collecte automatisée pour certains canaux. Quand quelqu’un partage une observation sur la concurrence dans votre canal de vente, l’IA peut proposer de la consigner.

Middleware d’automatisation (n8n, Zapier, Make): utilisez ces outils pour tout relier: les contrôles planifiés de la fraîcheur, les prompts du rituel quotidien, le traitement des transcriptions de réunions et les résumés hebdomadaires. Nous utilisons n8n, car il peut être auto-hébergé et ne facture pas à l’exécution.

Commencez en lecture seule. Laissez l’IA lire les données de vos outils, mais pas y écrire. N’ajoutez les droits d’écriture qu’une fois le système jugé fiable, et toujours avec validation humaine.

Étape 7: ne mettez pas tous vos œufs dans le même modèle

Chez Carewell, nous utilisons différents systèmes d’IA selon les tâches:

Couche	Système d’IA	Pourquoi
Intelligence organisationnelle (l’AI OS)	Claude	Meilleur système de contexte de projet, hiérarchie de fichiers d’instructions, raisonnement sur de longs contextes
Productivité individuelle (e-mails, documents, feuilles de calcul)	Gemini dans Google Workspace	Intégration native, aucune configuration, excellent pour les tâches personnelles
Chatbot d’assistance client	Modèle optimisé pour les coûts	Volume élevé, requêtes plus simples, coût par interaction plus bas
Recherche dans des documents	NotebookLM	Conçu spécifiquement pour l’analyse approfondie de documents téléversés

Un dépôt de connaissances dans Git est indépendant du modèle au niveau des données. Vos fichiers Markdown fonctionnent avec n’importe quel système d’IA. Si un meilleur modèle apparaît demain, vous changez de moteur sans perdre la moindre information.

Utilisez le meilleur outil pour chaque tâche.

Les pièges à éviter

Je vais parler franchement des erreurs possibles, car je les ai commises ou les ai évitées de peu.

Ne voyez pas trop grand dès le départ. La tentation est forte de créer dès le premier jour une belle arborescence avec vingt domaines de connaissances. Résistez. Commencez par un ou deux domaines que vous connaissez bien, remplissez-les de contenu réel et prouvez l’utilité du système avant de l’étendre. Des dossiers vides sont pires que pas de dossiers: ils signalent un système qui n’est que structure, sans substance.

N’imposez pas l’adoption. C’est la leçon la plus importante. Chez Carewell, nous avions essayé auparavant de rendre ClickUp obligatoire. L’équipe l’a ignoré. Pour l’AI OS, nous avons choisi l’approche inverse: je l’ai d’abord rendu utile pour moi, puis j’ai montré aux autres ce qu’il pouvait faire. Les gens adoptent les outils qui leur facilitent la vie, pas ceux qu’on leur ordonne d’utiliser. J’ai consacré un guide entier à la raison pour laquelle le push ne fonctionne pas.

Ne négligez pas les fichiers d’instructions. Sans règles de comportement claires, votre IA donne des réponses génériques, prudentes et dignes d’une grande entreprise. Les fichiers d’instructions la font passer d’« une IA généraliste qui a accès à quelques documents » à « un membre compétent de l’équipe qui comprend notre façon de travailler ». Prenez vraiment le temps de bien les rédiger.

N’oubliez pas la fraîcheur. Les connaissances vieillissent. Votre analyse concurrentielle d’il y a trois mois pourrait être dangereusement fausse aujourd’hui. Définissez dès le départ les attentes en matière de fraîcheur dans votre système: indiquez pour chaque entrée la fréquence à laquelle elle doit être révisée.

Ne stockez pas de données personnelles sensibles. Excluez du système les données personnelles des candidatures, les données de patients, les dossiers financiers détaillés et les identifiants. Un Company AI OS doit contenir des connaissances organisationnelles, pas des données personnelles qui créent des risques pour la protection des données et la sécurité.

Qui devrait construire ce système et qui devrait encore attendre

Ce système a du sens si:

• vous avez une équipe de 5 à 50 personnes dans laquelle le partage des connaissances constitue un frein
• votre équipe de direction utilise déjà l’IA individuellement et en voit la valeur
• vous avez au moins une personne prête à jouer le rôle de référent IA et à construire et entretenir le système
• votre entreprise grandit et vous craignez que les connaissances se perdent à mesure que l’équipe s’étoffe

Attendez encore si:

• votre équipe n’utilise pas encore l’IA individuellement. Commencez par le guide pour débuter. Les gens doivent d’abord faire personnellement l’expérience de la valeur de l’IA avant de faire confiance à un système partagé.
• personne ne veut entretenir le système. Sans personne pour le porter, un AI OS devient en quelques semaines un dépôt abandonné.
• vous êtes seul à la tête de votre entreprise. Un système de connaissances personnel peut suffire. Le système à l’échelle de l’entreprise devient précieux dès qu’il existe des connaissances à partager entre plusieurs personnes.

Construire ce système demande un véritable effort initial. Chez Carewell, il nous a fallu environ deux à trois semaines de travail concentré pour poser les fondations, migrer les connaissances existantes et intégrer l’équipe de direction. Les bénéfices sont considérables, mais ils ne sont pas immédiats. Il faut de la patience et accepter d’investir avant que les rendements commencent à se cumuler.

La suite

Nous utilisons notre AI OS chez Carewell depuis environ un mois, et il transforme déjà notre façon de travailler. L’IA donne des réponses qui semblent venir d’une personne expérimentée, présente dans l’entreprise depuis des années, plutôt que d’un chatbot générique. Les connaissances de notre équipe s’accumulent au lieu de s’évaporer. Les désaccords sont mis au jour et discutés au lieu de continuer à couver.

L’avantage concurrentiel vient d’une IA qui connaît votre entreprise. Qui connaît votre marché. Qui se souvient de ce que vous avez décidé six mois plus tôt et pourquoi. Qui relie des observations issues de toute l’expérience collective de votre équipe. Aujourd’hui, tout le monde peut accéder à l’IA.

Et contrairement à une conversation avec un chatbot, elle gagne en valeur chaque jour.

À mesure que votre système mûrit, surveillez le problème de la flagornerie. Plus votre IA connaît votre entreprise, plus vous vous appuierez sur elle pour réfléchir à la stratégie, et c’est précisément là qu’une validation sans esprit critique devient dangereuse. Veillez à ce que vos instructions système comprennent le type de cadre structuré pour la contradiction décrit dans ce guide.

Si vous voulez suivre notre parcours, abonnez-vous à la newsletter. Je partagerai nos avancées à mesure que nous étendrons le système et apprendrons de nos erreurs.

---

Outils mentionnés dans ce guide:

• Claude — IA centrale du système de connaissances
• Claude Code — Interface en ligne de commande pour les utilisateurs avancés
• ChatGPT — Autre plateforme d’IA possible
• Perplexity — Recherche assistée par IA
• NotebookLM — Outil de recherche documentaire