Imaginons : vous cherchez des éléments pour préparer une présentation d'entreprise. Vous savez que ces informations se trouvent quelque part, mais vous ne savez pas exactement où. Dans Confluence, sur SharePoint ou dans un e-mail datant de trois mois ? Ou bien sont-elles simplement dans la tête d'un collègue ? Vous cherchez, vous demandez autour de vous et, au final, vous trouvez trois documents différents contenant des informations contradictoires. Cela vous dit quelque chose ?
La fragmentation des connaissances est l'une des forces les plus nuisibles au sein des organisations modernes.
À première vue, cela ne semble pas constituer une crise majeure, mais chaque jour, les équipes perdent beaucoup de temps à réinventer la roue. De plus, des décisions sont prises sur la base d’informations incomplètes et les connaissances disparaissent dès qu’un collègue quitte l’entreprise. Le Context Engineering permet d’organiser les connaissances provenant de différentes sources de manière à ce que les humains et l’IA aient accès, au bon moment, à des informations actualisées et fiables.
Context Engineering
Le réflexe est évident : tout regrouper en un seul endroit centralisé. Mais ce n’est ni réaliste ni nécessaire. Le Context Engineering ne consiste pas à centraliser toutes les informations dans un système unique. La véritable question est la suivante : « Comment s’assurer que le contexte pertinent, à jour et fiable soit disponible au moment où un humain ou une IA en a besoin ? »
C’est une question qui a un impact considérable. Grâce aux quatre étapes ci-dessous, vous pouvez mettre en œuvre le Context Engineering pour tirer le meilleur parti de l’IA :
Répondre : l'IA trouve des informations pertinentes et y apporte une réponse ciblée.
Apprendre : les retours d'expérience et les nouvelles perspectives enrichissent le contexte disponible.
Conseiller : l'IA utilise ce contexte pour formuler des propositions ou des recommandations.
Agir : l'IA peut mener certaines actions, à condition que la politique appropriée soit en place et dans le respect des cadres convenus.
Étape n° 1 : Répondre
Wageningen University & Research était confrontée à un défi que de nombreuses organisations connaissent bien : des informations dispersées sur des dizaines de milliers de pages web, une fonction de recherche qui renvoyait plus de 64 000 résultats pour la requête « PhD » et des visiteurs qui devaient alors déterminer eux-mêmes lesquels de ces résultats étaient pertinents. De ce fait, il fallait souvent trop de temps au visiteur pour trouver la bonne réponse à sa question.
Vous l’avez sans doute déjà deviné : la solution réside dans le contexte. Afin de proposer la réponse la plus pertinente possible, les informations de chaque page sont analysées en détail. Chaque passage de texte est :
découpé en fonction du type de contenu : une page de recherche ne se traite pas de la même manière qu'un article de blog ;
enrichi de métadonnées : une page peut présenter Hans et Gretel dans le premier paragraphe, mais ne parler ensuite que de « lui » et « elle ». Si cette page est découpée en fragments de texte isolés, chaque fragment perd son contexte. En faisant lire la page entière par l’IA et en ajoutant des noms sous forme de métadonnées à chaque fragment de texte, le système sait que « lui » fait ici référence à Hans. Si vous effectuez une recherche sur « Hans », tout le texte qui parle de « lui » plus loin s’affiche également ;
indexé selon des milliers d’axes : chaque fragment de texte est converti en chiffres qui en capturent le sens. Prenons deux axes : « logement » et « véhicule ». Une maison obtient un score élevé sur l’axe « logement », mais faible sur celui de « véhicule ». Un camping-car marque des points sur les deux. En réalité, des milliers d’axes de ce type sont utilisés. Cela permet au système de déterminer la pertinence du texte en fonction de sa signification.
Par ailleurs, nous souhaitons fournir au système des informations sur le public cible (qui pose la question ?) et aider ce public à affiner sa recherche grâce à l’extension de requête. Par exemple, lorsqu’un utilisateur tape « journée portes ouvertes », le système propose des suggestions telles que « quand a lieu la journée portes ouvertes » ou « comment s’inscrire à la journée portes ouvertes » afin de clarifier la question.
Il s’agit de questions supplémentaires générées afin d’apporter une réponse plus complète au terme de recherche « journée portes ouvertes ». Sur la base de tout ce contexte, le moteur de recherche peut réorganiser chaque source d’information afin de ne partager avec le visiteur que les réponses les plus pertinentes.
Étape n° 2 : Apprendre
Chaque conversation avec l'IA est une source de nouveau contexte. Une personne qui effectue une recherche sur le site web de Wageningen University & Research avec les mots-clés « journée portes ouvertes » pose en réalité plusieurs questions : quand cela a-t-il lieu ? Comment s'inscrire ? Où cela se passe-t-il ?
Le système apprend ces nuances au fil des conversations, sans que l’utilisateur s’en rende compte. L’IA est capable de reconnaître des schémas récurrents sur plusieurs conversations et d’enrichir ainsi la couche contextuelle de manière plus ciblée. Elle tente ainsi d’évaluer qui pose la question et à quelle étape du parcours utilisateur se trouve cette personne, afin de fournir des réponses plus pertinentes.
Ce même principe s’applique également en interne, sous la forme d’un « company brain » : un point d’accès unique aux connaissances déjà présentes au sein de votre organisation. Mises à jour de projets, comptes-rendus, décisions communiquées par e-mail : tout est consultable et accessible à l’ensemble de l’équipe. Les connaissances n’ont pas besoin d’être centralisées à un seul endroit pour être toujours accessibles.
Pensez également au moment où un collègue quitte l’entreprise. Une personne ayant des années d’expérience dans les projets emporte avec elle, lors de son départ, une quantité considérable de connaissances contextuelles. Avec un « company brain », ces connaissances ne disparaissent pas. En consignant de manière structurée les connaissances importantes relatives aux projets, les décisions et les enseignements tirés, une plus grande partie de ces connaissances reste disponible lorsqu’un collègue quitte l’entreprise.
Étape n° 3 : Conseiller
Pour cette étape, prenons un autre exemple : un centre d'accueil pour enfants dispose d’une petite équipe qui vérifie manuellement si la législation et la réglementation externes ont une incidence sur sa propre politique. Surveiller les sites web, recueillir des informations, rechercher les documents pertinents et les adapter : un processus chronophage et source d’erreurs, qui peut facilement encombrer un poste de travail de dizaines de post-it.
Avec la couche contextuelle appropriée, l’IA prend en charge la majeure partie de ce travail :
Collecte : recueillir en continu des informations provenant de sources publiques externes.
Évaluation : déterminer si un signal a un impact sur les documents de politique interne.
Recherche : identifier les documents pertinents.
Conseil : proposer des modifications en respectant le ton propre à l'organisation.
Le collaborateur ne se trouve plus au début du processus, mais à la fin : pensez au contrôle, à l'ajustement et à la validation. L'IA conseille, l'humain décide.
Comment mettre cela en œuvre au sein de votre organisation ? Identifiez les processus dans lesquels les collaborateurs consacrent beaucoup de temps à la collecte et à la comparaison d’informations avant de prendre une décision. C’est précisément là que l’IA peut fournir une première analyse ou une proposition, tandis que l’évaluation finale reste du ressort d’un collaborateur.
Étape n° 4 : Agir
La quatrième étape est la plus avancée. L'IA exécute réellement des actions. Cela ne se fait pas de manière autonome, mais dans des cadres clairement définis et lorsque les conditions préalables appropriées sont réunies. Ces conditions préalables ne sont pas facultatives. Il n'est possible d'agir correctement que si les trois étapes précédentes ont été correctement mises en place. Parmi les éléments importants, on peut citer par exemple :
Une couche d'autorisation : qui détermine précisément quelles actions l'agent est autorisé à effectuer (et lesquelles il ne peut pas effectuer) ;
un « human-in-the-loop » : un collaborateur qui intervient à la fin du processus pour contrôler, valider ou corriger ;
une relation de confiance : établie au fil des étapes précédentes, car on ne laisse un agent agir qu'après avoir d'abord observé comment il répond, apprend et conseille.
La confiance ne se construit pas en un jour. Elle se développe à mesure que le contexte s'enrichit et que le système fait ses preuves.
Par où pouvez-vous commencer ?
Identifiez les tâches chronophages. Où votre équipe perd-elle des heures à chercher, analyser ou produire des rapports ? Vous pourrez ensuite structurer le processus. Ce dernier doit être compréhensible, car l’IA renforce un processus performant sans en corriger un défaillant. Déterminez alors seulement où déployer l’IA. Quelle étape – réponse, apprentissage, conseil ou action – correspond à votre situation et à vos ambitions ?
Une première application n'a pas besoin d'être ambitieuse. Choisissez un processus clairement défini où un contexte fiable peut faire une réelle différence, et développez-le à partir de là. Il peut s’agir d’un moteur de recherche alimenté par l'IA, d’un « company brain » ou d’une autre application facilitant la réponse, l’apprentissage, le conseil ou l’action.
N’oubliez pas que la simple mise à disposition de l’information ne suffit pas. Réfléchissez également à la responsabilité de la source, à la manière dont vous maintenez l’information à jour et aux sources que l’IA est autorisée ou non à utiliser. La qualité de la réponse dépend toujours de la qualité du contexte fourni.
La base détermine le plafond
Souhaitez-vous explorer les avantages de l'ingénierie contextuelle pour votre organisation ? Il est utile de commencer par analyser vos sources d'information, vos processus et vos ambitions en matière d'IA. Cela permettra de clarifier le contexte nécessaire et d'identifier les domaines où une première application pourrait apporter le plus de valeur.
Pour les organisations souhaitant s'engager dans cette démarche, nous proposons Bonzai : notre plateforme d'IA unifiée pour l'intégration, la gouvernance et l'orchestration de l'IA. Cette infrastructure permet de construire cette couche de contexte de manière évolutive, conforme et contrôlée.
