Laissez l’IA vous interviewer: comment extraire ce que vous savez vraiment

Il y a un problème dont presque personne ne parle dans le domaine de l’IA.

Tout le monde se concentre sur les prompts. Comment mieux les rédiger. Comment mieux les structurer. Bibliothèques de prompts, formations aux prompts, certifications en prompting. Mais le vrai goulot d’étranglement est ailleurs: vous ne savez pas quoi lui dire.

Je ne dis pas cela sur un ton condescendant. Je le pense littéralement. Les connaissances les plus précieuses dans la tête de n’importe quel professionnel sont tacites: des choses que vous connaissez si bien que vous avez oublié que vous les savez. L’instinct qui permet à un commercial expérimenté de repérer les prospects qui valent la peine d’être poursuivis. L’intuition qui indique à un responsable produit qu’une demande de fonctionnalité est en réalité le symptôme d’un problème plus profond. Le modèle mental qui révèle à un responsable des opérations quel processus doit être corrigé avant de céder.

C’est en lui donnant ces connaissances que l’IA devient vraiment utile. Mais comment extraire quelque chose que vous n’arrivez pas à formuler?

Inversez les rôles. Au lieu de poser des questions à l’IA, laissez-la vous en poser.

La technique « Posez-moi 5 questions »

C’est la version la plus simple, et vous pouvez l’essayer tout de suite. Ouvrez Claude, ou l’outil d’IA que vous utilisez, puis saisissez:

« Je veux [rédiger un document de positionnement / élaborer une stratégie / créer une présentation] sur [votre sujet]. Mais avant de commencer: posez-moi 5 questions ciblées qui vous aideront à produire un résultat beaucoup plus précis et utile. »

C’est tout. Un seul prompt. La suite est étonnamment efficace.

L’IA revient avec cinq questions. Elles sont généralement pertinentes, du genre à vous forcer à formuler des choses que vous n’aviez pas pensé à mentionner. Par exemple:

• « Quel est précisément le public visé, et quel est son niveau de compréhension actuel? »
• « Quelle est la seule chose que vous voulez qu’il retienne une semaine plus tard? »
• « Quelle est l’idée fausse la plus répandue sur ce sujet que vous voulez corriger? »
• « Quelles contraintes dois-je respecter: longueur, ton, format? »
• « Qu’avez-vous déjà essayé sans succès? »

Répondez aux questions. Deux minutes suffisent. Et la qualité du résultat fait un bond, ce qui surprend la plupart des gens. L’IA n’est pas devenue plus intelligente. Vous avez simplement comblé l’écart entre ce que vous savez et ce qu’elle sait de votre situation.

C’est ce que je veux dire quand je parle de la métaphore de la brillante nouvelle recrue. L’IA a d’immenses capacités générales, mais ne connaît rien à votre contexte précis. Ces cinq questions constituent le cadrage qui transforme une réponse générique en réponse utile.

La relance d’autocritique

Une fois que l’IA a produit une première version à partir de vos réponses, ajoutez ceci:

« À présent, critiquez votre propre réponse du point de vue d’un [investisseur / client / collègue] sceptique. Où le raisonnement est-il fragile? Que remettrait cette personne en question? »

L’IA repérera les lacunes de son propre résultat et, par extension, celles du cadrage que vous lui avez donné. Une boucle naturelle se crée: l’IA produit, critique, vous affinez, elle produit à nouveau. Chaque cycle s’améliore parce que le contexte s’enrichit.

D’après mon expérience, cette technique à elle seule améliore la qualité des résultats de près de 50 % par rapport au fait de confier une tâche à l’IA sans aucun contexte. Et elle ne prend peut-être que cinq minutes de plus.

Passer à l’échelle: l’entretien mené par l’IA

La technique des « 5 questions » fonctionne pour des tâches individuelles. Mais si vous voulez voir plus grand, par exemple construire une base de connaissances dans laquelle l’IA pourra puiser pendant des mois?

C’est là qu’intervient l’entretien complet mené par l’IA. Au lieu de 5 questions sur une tâche précise, vous laissez l’IA vous interroger en profondeur sur tout un domaine. Votre rôle. Votre entreprise. Votre marché. Votre processus de décision.

Voici comment j’ai procédé pour construire l’AI Operating System de notre entreprise:

Je me suis installé devant Claude et je lui ai dit:

« Je veux que vous acquériez une compréhension approfondie de mon rôle, de mon entreprise et de notre mode de fonctionnement. Interviewez-moi. Posez-moi une question à la fois. Commencez par une vue d’ensemble, puis approfondissez en fonction de mes réponses. Ne vous arrêtez pas avant d’estimer avoir une vision complète. »

J’ai ensuite passé quelques heures, réparties sur plusieurs séances, à répondre à des questions. Des dizaines. Claude m’interrogeait sur notre produit, je répondais, puis il enchaînait avec une question plus précise. Il me questionnait sur notre marché, je lui donnais une vue d’ensemble, puis il creusait la dynamique concurrentielle. Il m’a interrogé sur les décisions que j’avais prises, puis sur les raisons pour lesquelles j’avais choisi cette voie plutôt qu’une autre.

Le résultat m’a impressionné. L’IA a fait ressortir des choses que je n’avais pas pensé à documenter. Des hypothèses que je faisais sans m’en rendre compte. Des liens entre des décisions que je n’avais jamais explicités. Des connaissances tacites que j’avais accumulées pendant des mois, voire des années, sans jamais les mettre par écrit.

Après chaque séance, j’ai demandé à Claude de tout structurer dans des fichiers Markdown bien organisés. Les connaissances sur le produit ici. L’analyse de marché là. Les décisions stratégiques dans leur propre dossier. Chaque fichier portait un niveau de confiance: « vérifié », « hypothèse de travail » ou « à valider ».

Cet ensemble de fichiers est devenu la base de notre AI Operating System. Et comme nous avions extrait ces connaissances au fil de conversations au lieu de les rédiger à partir d’une page blanche, il a capté des nuances qu’une documentation classique aurait manquées.

Étendre l’approche à l’équipe

L’entretien individuel est puissant. La version en équipe change la donne.

Voici ce que nous avons fait chez Carewell. Après avoir constitué la base de connaissances initiale à partir de mes propres entretiens, j’ai généré des questionnaires sur mesure pour chaque membre de l’équipe de direction.

Pas des questions génériques d’enquête. Des questions ciblées et propres à chaque domaine, fondées sur le rôle de la personne et sur ce que l’IA savait déjà, ou ignorait encore, de l’entreprise. Notre CEO a reçu des questions sur la vision stratégique, l’appétit pour le risque et le positionnement concurrentiel. Notre responsable des ventes, sur les relations clients, les schémas d’objections et les retours du marché. Notre responsable des opérations, sur les goulots d’étranglement dans les processus, les possibilités d’automatisation et les difficultés de mise à l’échelle.

Les questions étaient conçues pour mettre mal à l’aise, mais de manière productive. « Quel est le principal risque existentiel pour l’entreprise dont personne ne parle? » « Sur quel point pensez-vous que nous nous racontons des histoires? » « Qu’est-ce que notre produit ne devrait explicitement PAS faire? » Ce ne sont pas les questions que vous trouvez dans une enquête d’entreprise classique.

Notre CEO a répondu à 35 questions. Il m’a dit ensuite que plusieurs l’avaient amené à réfléchir à des choses qu’il n’avait jamais formulées: des hypothèses sur l’entreprise qui guidaient ses décisions sans qu’il les ait jamais mises par écrit ni partagées avec l’équipe.

Tous les membres de l’équipe de direction ont fait le même exercice. L’ensemble du processus a pris environ deux semaines, chacun répondant à son rythme.

La mine d’or: la détection des divergences

C’est l’étape qui rapporte le plus.

Une fois que tout le monde avait répondu à son questionnaire, j’ai intégré toutes les réponses dans l’AI Operating System et posé une question simple:

« Comparez les réponses de l’équipe de direction. Sur quels points les membres sont-ils en désaccord? Où leurs hypothèses fondamentales diffèrent-elles? »

L’IA a relevé six divergences. Six points sur lesquels les membres de l’équipe de direction avaient des visions fondamentalement différentes de l’orientation, de la stratégie ou des priorités de l’entreprise. Bien au-delà de simples nuances de formulation, c’étaient de vrais désaccords de fond avec des conséquences pratiques.

Un exemple: notre CEO pensait qu’une fonctionnalité précise du produit devait devenir l’interface principale pour les clients. Je pensais qu’elle devait compléter l’interface existante sans la remplacer. Nous avions tous les deux travaillé pendant des mois en partant de nos hypothèses respectives. Aucun de nous n’avait explicitement exposé sa position à l’autre.

L’IA a fait plus que signaler le désaccord. Elle l’a structuré: voici la position A et son raisonnement, voici la position B et le sien, voici l’effet concret du désaccord sur notre feuille de route produit, et voici une piste de résolution.

Nous avons organisé une discussion. En moins d’une heure, nous nous étions mis d’accord sur une approche: tester les deux options auprès d’un petit groupe d’utilisateurs et laisser les données trancher. Un désaccord qui aurait pu couver sans être formulé pendant des mois a été mis au jour et résolu de manière structurée.

La plupart des entreprises ont des dizaines de divergences cachées de ce type. Elles ralentissent tout, parce que les gens travaillent à partir d’hypothèses différentes sans s’en rendre compte. Le processus d’entretien mené par l’IA les met au jour systématiquement.

Les quatre phases

Si vous voulez appliquer cela dans votre entreprise, voici la séquence qui a fonctionné pour nous:

Phase 1: recherche approfondie

Avant d’interroger qui que ce soit, construisez une base de connaissances externe. Utilisez Perplexity ou des outils de recherche similaires pour cartographier votre marché en profondeur. Concurrents, réglementation, tendances sectorielles, segments de clientèle potentiels. Stockez le tout dans des fichiers Markdown structurés.

C’est important parce que l’IA a besoin de contexte pour poser de bonnes questions. Si elle comprend déjà votre marché, ses questions seront beaucoup plus précises et utiles.

Phase 2: entretiens menés par l’IA avec le fondateur ou un dirigeant

Commencez par la personne qui possède le plus de connaissances transversales, généralement un fondateur, le CEO ou un membre expérimenté de la direction. Laissez l’IA l’interroger dans tous les domaines: produit, stratégie, marché, opérations, vision. Plusieurs séances, des dizaines de questions.

Après chaque séance, intégrez les réponses structurées à votre base de connaissances.

Phase 3: questionnaires pour l’équipe

Générez des questionnaires sur mesure pour chaque membre de l’équipe de direction. L’IA peut le faire à partir de ce qu’elle a appris lors de la phase 2: elle sait quelles lacunes subsistent, quelles hypothèses doivent être validées et quels domaines exigent un second regard.

Laissez aux gens le temps de répondre avec soin. Une semaine suffit généralement. Présentez l’exercice comme une extraction de connaissances; personne n’est évalué.

Phase 4: détection des divergences et alignement

Ajoutez toutes les réponses au système. Demandez à l’IA de repérer les contradictions, les désaccords et les hypothèses fondamentalement différentes au sein de l’équipe. Consignez chaque divergence dans une fiche qui énonce clairement les deux positions, leur effet concret et une piste de résolution.

Organisez ensuite une discussion ciblée pour chaque divergence. Pas de réunion plénière de trois heures: des conversations courtes et structurées sur des désaccords précis. Les données plutôt que les débats.

Le principe 80/20 pour construire un système d’IA

Si vous avez lu mon guide sur la construction d’un Company AI Operating System, vous en connaissez l’architecture: dossiers, fichiers Markdown, fichiers d’instructions, règles de comportement. Cette structure compte, mais elle ne représente peut-être que 20 % de l’effort.

Les 80 % restants sont les connaissances elles-mêmes. Et le processus que j’ai décrit ici, recherche, entretiens, questionnaires, détection des divergences, vous permet de remplir le système de connaissances qui ont vraiment de la valeur.

La plupart des entreprises qui tentent d’alimenter une IA en connaissances échouent à cette étape. Elles construisent une belle structure de dossiers, puis la laissent vide, ou la remplissent d’une documentation superficielle que n’importe quelle IA aurait pu générer à partir d’informations publiques. La valeur vient des connaissances qui se trouvent dans la tête des gens: les connaissances tacites, les hypothèses inexprimées, les désaccords cachés.

Une mise en garde: quand vous vous faites interviewer, vérifiez que l’IA ne se contente pas de valider vos réponses au lieu de les approfondir. Les LLM ont un problème de flagornerie: ils vous diront que votre point de vue est pertinent alors qu’ils devraient vous demander « en êtes-vous sûr? ». Demandez à l’IA de remettre vos hypothèses en question pendant l’entretien au lieu de simplement les consigner.

Extraire ces connaissances demande une méthode précise. Demander aux gens de « simplement documenter ce qu’ils savent » ne fonctionne pas: ils ignorent ce qu’ils savent et ce qui manque. En laissant l’IA piloter le processus d’extraction, vous résolvez les deux problèmes.

Commencez petit

Vous n’avez pas besoin de lancer un projet d’extraction des connaissances en quatre phases pour tirer parti de cette approche. Commencez par la technique des « 5 questions » pour votre prochain projet. Essayez ensuite un entretien plus long: demandez à l’IA de vous interroger sur votre rôle pendant 30 minutes. Regardez ce qu’elle en tire.

Si les résultats vous surprennent, et ce sera probablement le cas, vous comprendrez pourquoi cette approche fonctionne à toutes les échelles. La technique reste la même: au lieu de chercher laborieusement à formuler ce que l’IA doit savoir, laissez-la déterminer les questions à poser.

C’est une meilleure façon de cadrer le travail. Et un meilleur cadrage donne de meilleurs résultats. À chaque fois.