Solution · AI Operations
Maintenir à jour la connaissance de l'IA : la fonction qui évite que votre assistant réponde avec la politique de l'an dernier
Une IA vaut ce que vaut la connaissance dont elle tire, et cette connaissance périme toute seule. La base montée le premier jour se désynchronise de la réalité — un tarif change, une politique, une procédure — et l'assistant continue de répondre avec l'ancienne version. La maintenir à jour, ce n'est pas « re-téléverser les fichiers » de temps en temps : c'est une fonction opérationnelle qui détecte ce qui a changé, réingère juste ça, valide et invalide les réponses périmées, avec un propriétaire et une cadence par source.
Le problème
Vous avez monté la base de connaissance le premier jour et depuis elle vieillit toute seule : l'IA répond avec l'ancienne version et les gens cessent de s'y fier
- La connaissance a été chargée une fois — un déversement de fichiers dans un vector store — et personne n'a défini qui la met à jour, avec quel déclencheur ni quelle validation ; donc en quelques mois elle décrit une opération qui n'existe plus.
- L'ancienne et la nouvelle version du même fait coexistent : l'assistant tombe parfois juste et répond parfois avec le tarif, la politique ou la procédure du trimestre passé, et l'utilisateur ne sait laquelle croire.
- Quand quelque chose change à la source — l'ERP, le CRM, le wiki, le système de tickets — la base ne s'en aperçoit pas : pas de détection de changements ni de réingestion des deltas, donc la mise à jour dépend de quelqu'un qui s'en souvient.
- Personne ne mesure la fraîcheur : on ne sait pas quelles sources sont à jour, lesquelles n'ont pas été rafraîchies depuis des mois, ni combien de réponses sont données sur du contenu périmé, jusqu'à ce qu'un client ou un employé se plaigne.
Le coût de ne rien changer
Une base de connaissance qui vieillit ne tombe pas en panne le jour de la signature : elle tombe à trois ou six mois, quand le mélange d'ancien et de neuf mine la confiance et que les gens cessent d'utiliser l'assistant — la raison documentée pour laquelle tant de déploiements d'IA perdent leur adoption juste au moment où ils devraient décoller. Et le coût est double : d'un côté vous jetez l'investissement du projet, car une IA en laquelle personne n'a confiance est une licence chère jamais ouverte ; de l'autre, chaque réponse avec la politique périmée est un risque réel — un engagement mal chiffré, une donnée de conformité fausse, une promesse qui ne s'applique plus. La connaissance ne s'entretient pas seule, et la traiter comme un montage unique au lieu d'une opération est la façon silencieuse dont un projet meurt d'un succès apparent.
La solution
Nous montons et opérons la connaissance de l'IA comme fonction vivante —détection de changements, réingestion des deltas, validation et invalidation du périmé— avec une cadence et un propriétaire par source
- 1Nous séparons la connaissance par comportement au lieu de tout mettre dans le même sac : le stable (explications, procédures, définitions) vit dans un référentiel documentaire ; ce qui change en direct (statut, prix, disponibilité) se lit des systèmes opérationnels — ERP, CRM, ticketing — sur le moment, pas figé dans une copie qui périme. C'est la discipline d'intégrer l'IA à vos systèmes appliquée à la connaissance.
- 2Nous montons le pipeline de rafraîchissement : il détecte ce qui a changé dans chaque source, réingère et réindexe uniquement les deltas — il ne retraite pas tout chaque nuit — et fixe la cadence par source, de minutes pour ce qui change vite (tickets, wiki) à quotidienne pour la documentation, en respectant les limites de chaque système.
- 3Nous validons avant de publier et invalidons le périmé : le nouveau contenu passe un contrôle qualité avant d'entrer, et quand une source change, les réponses qui dépendaient de l'ancienne version sont marquées périmées pour que l'IA cesse de les servir. Le douteux escalade vers une personne au lieu de publier à l'aveugle.
- 4Nous ajoutons un propriétaire, une trace et une mesure : chaque source a un responsable et un déclencheur de mise à jour, chaque rafraîchissement journalise ce qui a changé et quand, et un tableau de bord montre la fraîcheur réelle. Tout mesuré : âge moyen par source, couverture des sources à jour, réponses servies sur du contenu périmé et délai entre un changement et sa prise en compte par l'IA.
Ce qui change
Ce que tu arrêtes de perdre
L'IA cesse de répondre avec l'ancienne version car la connaissance se rafraîchit au rythme de chaque source — pas une fois par an — donc l'adoption ne chute pas à trois mois par méfiance.
Mécanisme
Le rafraîchissement est bon marché à soutenir car il réingère uniquement les deltas — ce qui a changé — au lieu de retraiter toute la base chaque nuit, en respectant les limites de chaque système.
Mécanisme
La fraîcheur devient gouvernable : chaque source a un propriétaire, une cadence et une trace, donc vous pouvez prouver ce que l'IA savait et quand, au lieu de découvrir la donnée périmée dans la plainte d'un client.
Mécanisme
Ce que nous mesurons : âge moyen par source, couverture des sources à jour, % de réponses servies sur du contenu périmé et délai entre un changement et sa prise en compte par l'IA.
Ce que nous mesurons
Fiche technique
- Travail supprimé
- laisser la connaissance dont dépend votre IA se charger une fois et vieillir toute seule —sans détection de changements, sans réingestion des deltas, sans validation ni propriétaire— jusqu'à ce qu'elle réponde avec la politique, le tarif ou la procédure de l'an dernier
- Mise en place habituelle
- 3–5 semaines
- Entrée
- vos sources de connaissance (wiki, docs, Notion, SharePoint) et vos systèmes en direct (ERP, CRM, ticketing) d'où l'IA tire ses réponses, et les changements qui s'y produisent chaque jour
- Sortie
- un pipeline qui détecte ce qui a changé dans chaque source, réingère et invalide uniquement les deltas, valide avant de publier et maintient la fraîcheur avec un propriétaire, une cadence et une trace par source
- Compatible avec
- NotionSharePointGoogle DriveConfluence
- Peut se connecter à
- Votre ERP / CRM / système de ticketingVotre vector store / moteur de récupération (RAG)
- Ce qu’on mesure
- âge moyen par sourcecouverture des sources à jour% de réponses sur du contenu périmédélai entre un changement et sa prise en compte par l'IA
- Adapté pour
- entreprises avec RAG, assistants internes ou agents en production qui tirent d'une base de connaissance et constatent que l'adoption chute ou que les réponses se périment après quelques mois
- Pas adapté pour
- ceux qui n'ont pas encore d'assistant ou de RAG en production : on construit d'abord la capacité, puis on opère sa fraîcheur ; et le choix éditorial de ce qu'est la bonne politique, qui reste au propriétaire de chaque source
Questions fréquentes
Ça commence là où ça finit. Monter le RAG, c'est construire la capacité : connecter les sources, les indexer et faire répondre l'assistant. Maintenir la connaissance à jour, c'est l'opérer ensuite : détecter ce qui change, réingérer juste ça, invalider le périmé et soutenir la fraîcheur mois après mois. Un RAG bien monté que personne n'entretient vieillit pareil ; c'est pourquoi c'est une fonction continue, pas un projet qui se clôt.
Parce que c'est cher, lent et fragile. Retraiter toute la base chaque nuit consomme des ressources, se heurte aux limites de chaque système et, malgré tout, ne distingue pas ce qui a changé de ce qui non. La façon qui tient est l'inverse : détecter le changement à la source et réingérer uniquement ce delta, à la cadence dont chaque source a besoin — minutes pour ce qui change vite, quotidienne pour le stable. Moins cher, plus frais, et avec une trace de ce qui a été mis à jour et quand.
Nous l'opérons, et c'est le point. La fraîcheur ne s'installe pas, elle s'entretient : les sources changent, de nouvelles apparaissent et les cadences se règlent. Nous vous montons le pipeline et le tableau de bord, et nous l'opérons comme fonction d'AI Operations — avec un propriétaire, des SLAs et une mesure — pour que la connaissance dont votre IA tire reste à jour sans dépendre de quelqu'un qui s'en souvient. Si vous préférez l'opérer vous-même, nous vous le laissons monté et le critère écrit.
On le monte chez toi ?
Tu as ciblé le problème. On livre la solution et on la laisse mesurée.