capinorium · Article · Stratégie et PME
Préserver le savoir d'expérience avant le départ des baby-boomers : ce qu'un système de connaissances à base d'IA peut apporter
Une PME ne préserve pas son savoir d'expérience avec la seule IA, mais en trois étapes : d'abord, des personnes recueillent le savoir avec méthode ; ensuite, les experts valident les résultats ; et seulement après, un système de connaissances assisté par IA rend ce fonds vérifié consultable, avec des droits d'accès. La technique facilite la recherche et la transmission. Elle ne remplace pas le travail consistant à extraire le savoir tacite de la tête des personnes.
La pression du temps est réelle. Selon le rapport court IW 39/2026 de l'Institut de l'économie allemande, la population active potentielle de l'Allemagne diminuera d'environ 4,3 millions de personnes d'ici 2036, car environ 1,3 million de personnes atteignent chaque année l'âge de la retraite alors que seulement 800 000 environ arrivent (IW, 15/06/2026). Les dirigeants vieillissent aussi : 57 % ont 55 ans ou plus, et d'ici fin 2029 environ 545 000 PME prévoient une transmission (KfW Research, Fokus n° 526, 09/01/2026). Le rapport 2025/2026 de la DIHK sur la main-d'œuvre qualifiée cite expressément la perte de savoir propre à l'entreprise comme un risque. Personne n'a toutefois encore chiffré de façon fiable la quantité de savoir réellement perdue. La question du rôle qu'un système d'IA peut jouer de façon réaliste n'en est que plus importante.
D'abord recueillir : le savoir tacite ne figure dans aucun document
Le savoir d'expérience le plus précieux est rarement écrit. Le guide du Fraunhofer IPK décrit des routines qui se déroulent « inconsciemment, par habitude » et ne deviennent visibles que par des questions ciblées. L'expertise, selon lui, ne se transfère pas de manière technocratique.
L'institut propose donc une démarche animée. Lors d'entretiens de transfert organisés par blocs thématiques, l'expert raconte, un animateur extérieur au métier pose des questions et le successeur réfléchit. Des cartes des savoirs et des tâches, un réseau d'interlocuteurs et un plan de transfert hiérarchisé consignent les résultats. La fiche produit de l'IPK cite comme voie la plus fiable une période de transition généreuse avec doublon de poste. Ces méthodes datent de 2016, mais ne sont pas dépassées : les modèles de langage n'ont pas changé le problème consistant à rendre visible le savoir tacite.
Dans son livre blanc 2026, la Plattform Lernende Systeme confirme cette limite : l'IA générative a des difficultés avec le savoir tacite acquis par la pratique. L'IA peut néanmoins alléger la tâche, par exemple en transcrivant des entretiens enregistrés et en pré-structurant des ébauches de règles pratiques ou de FAQ. Les questions de relance restent l'affaire d'une personne.
Ensuite valider : les experts vérifient ce que le système dira plus tard
Avant qu'un contenu n'entre dans un système de connaissances, il devrait être validé par la personne dont il reflète le savoir. Cela ressemble à de la bureaucratie, mais c'est le seul moment où les erreurs de fond peuvent encore être corrigées à moindre coût. La validation précise en outre quelles affirmations ne valent que sous certaines conditions, par exemple pour une installation ou un client donnés.
Pour la planification du projet, cela signifie que la ressource rare est le temps des experts sur le départ. Qui ne commence qu'au cours de la dernière année de travail aura du mal à recueillir et vérifier tous les blocs thématiques. Le plan de transfert devrait donc fixer quel savoir est préservé en premier et qui est responsable de la validation.
Seulement après, vers un système RAG avec droits d'accès
Pour accéder au fonds vérifié, la génération augmentée par récupération (RAG) convient. Le système recherche dans ses propres documents les passages pertinents pour une question et un modèle de langage en tire une réponse. Le modèle n'est pas entraîné avec les données de l'entreprise. Les contenus peuvent donc être corrigés ou supprimés un par un. Ces applications se répandent : selon Bitkom, 22 % des entreprises allemandes d'au moins 20 salariés utilisent l'IA dans la gestion interne des connaissances, deux fois plus que l'année précédente. Les utilisateurs citent la protection des données comme principal obstacle.
La Plattform Lernende Systeme recommande d'appliquer les droits via des rôles et des politiques directement lors de la récupération. Des chercheurs de Microsoft argumentent dans le même sens : avant de charger un contenu dans le contexte du modèle, il faut vérifier que tous les participants y sont autorisés (Bhatt et al., arXiv 2509.14608).
La RAG n'élimine pas les erreurs. Une étude de Stanford a relevé des taux d'hallucination de 17 à 33 % dans des outils commerciaux de recherche juridique utilisant la RAG (Magesh et al., 2024). Ce chiffre concerne la recherche juridique et ne se transpose pas directement aux bases de connaissances techniques. Il montre cependant que même des systèmes citant leurs sources donnent de mauvaises réponses. Selon la Plattform Lernende Systeme, les hallucinations ne sont pas faciles à détecter automatiquement. Elle recommande des boucles de validation et une combinaison de contrôle humain et automatique. Cela inclut des questions de test issues de l'entreprise, des références aux sources dans chaque réponse et une personne responsable des corrections sur le fond.
Comité d'entreprise et salariés dès le départ
Un système de connaissances propre à l'entreprise enregistre généralement qui a demandé quoi. Selon l'opinion répandue dans la doctrine juridique allemande, la simple aptitude objective à la surveillance suffit à déclencher la codétermination au titre du § 87, al. 1, n° 6 de la loi allemande sur l'organisation des entreprises (BetrVG), même sans intention en ce sens (CMS). Une décision du tribunal du travail de Hambourg, qui n'a pas retenu de droit de codétermination pour un usage privé de ChatGPT, ne peut pas être transposée sans autre à des systèmes propres ayant accès aux données d'utilisation (Gleiss Lutz, 27/03/2024). Il s'agit d'une analyse, non d'un conseil juridique ; le cas particulier doit être examiné par des spécialistes.
Indépendamment de la situation juridique, le succès dépend de la disposition des experts. L'IPK prévoit expressément des entretiens préalables à cet effet. Qui veut préserver son savoir d'expérience devrait donc planifier recueil, validation et technique comme un projet commun et construire le système de connaissances en dernière étape. Si vous souhaitez vérifier si un tel système a du sens pour votre entreprise, et sous quelle forme, une évaluation avec capinori peut être une première étape adaptée.
Questions fréquentes sur le savoir d'expérience et les systèmes de connaissances à base d'IA
Comment une PME préserve-t-elle le savoir d'expérience avant un départ à la retraite ?
Une PME préserve le savoir d'expérience de la manière la plus fiable par des entretiens de transfert animés, des cartes des savoirs, un plan de transfert et, si possible, un doublon de poste en chevauchement. Ces méthodes sont décrites par le Fraunhofer IPK. Un système de connaissances à base d'IA peut ensuite rendre consultable le savoir recueilli et validé par les experts, mais ne remplace pas le recueil.
L'IA peut-elle saisir d'elle-même le savoir d'expérience tacite ?
Non, l'IA ne peut pas saisir d'elle-même le savoir d'expérience tacite, car il réside dans des routines et des jugements et ne figure dans aucun document. La Plattform Lernende Systeme constate que l'IA générative a des difficultés en la matière. L'IA peut en revanche transcrire des enregistrements d'entretiens et pré-structurer des ébauches que les experts vérifient ensuite.
Qu'est-ce que la génération augmentée par récupération (RAG) dans un système de connaissances ?
La génération augmentée par récupération (RAG) est une méthode dans laquelle un système recherche dans ses propres documents les passages pertinents pour une question et un modèle de langage en tire une réponse. Le modèle de langage n'est pas entraîné avec les données de l'entreprise. C'est pourquoi les contenus d'un système RAG peuvent être corrigés, supprimés ou dotés de droits d'accès un par un.
La génération augmentée par récupération (RAG) empêche-t-elle les mauvaises réponses ?
Non, la génération augmentée par récupération (RAG) réduit le risque de mauvaises réponses, mais ne l'élimine pas. Une étude de Stanford a relevé des taux d'erreur de 17 à 33 % dans des outils juridiques utilisant la RAG ; ce chiffre vaut pour la recherche juridique, pas directement pour le savoir technique. Il faut des références aux sources, des questions de test issues de l'entreprise et un contrôle humain.
Le comité d'entreprise doit-il être associé à un système de connaissances à base d'IA ?
Pour un système de connaissances à base d'IA propre à l'entreprise qui enregistre des données d'utilisation, le comité d'entreprise doit en règle générale être associé selon l'opinion répandue en Allemagne, au titre du § 87, al. 1, n° 6 BetrVG, car l'aptitude objective à la surveillance suffit déjà (CMS). Ce n'est pas un conseil juridique ; le cas concret doit être examiné par un spécialiste.
Quelle est la diffusion de l'IA dans la gestion des connaissances des entreprises allemandes ?
Selon Bitkom, 22 % des entreprises d'au moins 20 salariés utilisent l'IA dans la gestion interne des connaissances, contre 11 % l'année précédente. L'enquête auprès de 603 entreprises a été menée à l'été 2026. Les utilisateurs d'IA citent la protection des données comme principal obstacle. Le chiffre ne dit rien des microentreprises.
Sources (11)
- Institut de l'économie allemande (IW) : Deschermeier, P. ; Schäfer, H. : Die Babyboomer erreichen das Rentenalter, IW-Kurzbericht 39/2026 (en allemand). Page de l'étude ; communiqué du 15/06/2026. Site
- KfW Research : Nachfolge-Monitoring Mittelstand 2025, Fokus Volkswirtschaft n° 526, 09/01/2026 (Dr Michael Schwartz) (en allemand). PDF
- DIHK : Fachkräftereport 2025/2026, 19/12/2025 (en allemand). Site
- Fraunhofer IPK : Wissen erfolgreich bewahren. Ein Leitfaden zum systematisch begleiteten Wechsel von Fach- und Führungskräften, 2016 (en allemand). PDF
- Fraunhofer IPK : fiche produit transfert de connaissances et préservation de l'expérience, non datée (en allemand). PDF
- Plattform Lernende Systeme : Generative KI verantwortungsvoll einsetzen. Impulse für Unternehmen und Industrie, livre blanc, 2026, DOI 10.48669/pls_2026-2 (en allemand). PDF
- Bitkom : communiqué sur « KI in der Wirtschaft 2026 », 14/09/2026 (en allemand). Site
- Magesh, V. et al. : Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools, arXiv, 30/05/2024 (en anglais). arXiv
- Bhatt, S. et al. : Position: Enterprise AI Must Enforce Participant-Aware Access Control, arXiv 2509.14608 (en anglais). arXiv
- CMS : KI-Transformation und Betriebsrat – Mitbestimmung richtig gestalten, Legal Update (en allemand). Site
- Gleiss Lutz : Arbeitsgericht Hamburg zu ChatGPT: Kein Mitbestimmungsrecht des Betriebsrats, 27/03/2024 (en allemand). Site
Rudy Winklhofer est propriétaire et Director R&D de capinori GmbH.
Autres articles de Rudy Winklhofer
