L’IA d’entreprise va bien au-delà de la simple réponse aux questions.
La première vague d’IA générative a offert au personnel et à la clientèle un moyen conversationnel de trouver des informations. La génération augmentée par récupération, ou RAG, a amélioré ces expériences en récupérant du contenu d’entreprise pertinent et en le fournissant à un grand modèle de langage avant que celui-ci ne génère une réponse.
C’était une avancée significative. Mais l’expérience restait essentiellement informationnelle : une personne posait une question, le système récupérait des informations et le modèle répondait.
L’IA agentique change la donne. Un agent IA peut interpréter un objectif, déterminer les systèmes ou les sources de connaissances à consulter, rassembler du contexte supplémentaire et initier des actions. Il peut rédiger une réponse d’assistance, compléter un questionnaire de sécurité, déclencher un workflow de publication, commander un composant de remplacement ou planifier l’intervention d’un technicien ou d’une technicienne.
Lorsque l’IA franchit le cap de la simple explication pour contribuer activement à la mise en œuvre, la connaissance d’entreprise ne peut plus être reléguée au rang de simple documentation de référence. Elle devient une infrastructure opérationnelle.
Des réponses récupérées à l’action autonome.
Une implémentation RAG classique commence par une question. Le système recherche dans une source de connaissances définie, récupère les passages pertinents, les ajoute au prompt du modèle et génère une réponse fondée sur ce contenu.
Cette approche permet aux organisations d’exploiter des informations privées, actuelles ou restreintes sans réentraîner un modèle généraliste. Elle peut également préserver les contrôles d’accès lorsque la récupération s’effectue à l’aide des identifiants de l’utilisateur ou de l’utilisatrice.
Lors de sa session Adobe DITAWORLD 2026 sur l’impact de l’IA générative sur la stratégie de contenu, Fabrice Lacroix, founder and CEO de Fluid Topics, a présenté la progression des grands modèles de langage vers le RAG, l’IA agentique et le Model Context Protocol. Il a décrit comment le RAG récupère la connaissance d’entreprise, l’ajoute à un prompt et s’appuie sur un modèle généraliste pour formuler une réponse.
Le défi surgit lorsque les connaissances requises sont réparties dans de nombreux référentiels. Lacroix a décrit des scénarios d’entreprise impliquant « 10, 15 ou 20 applications » susceptibles de contenir des connaissances pertinentes. Le système doit parcourir ces sources, fusionner les résultats, déterminer si suffisamment de contexte a été trouvé et maintenir les informations copiées synchronisées avec les systèmes d’origine.
Model Context Protocol, ou MCP, repose sur une approche différente. MCP est un protocole qui permet aux systèmes d’IA de se connecter à des outils externes, à des applications et à des sources d’information. Plutôt que de recevoir un ensemble prédéfini de contenus extraits, un agent peut décider quelle source disponible interroger, ce qu’il doit demander et s’il a besoin d’informations supplémentaires.
Comme l’a expliqué Lacroix : « C’est le LLM de l’agent qui réfléchit, raisonne et interroge les points de terminaison pour collecter des informations et construire le contexte. » C’est précisément ce qui rend l’IA agentique fondamentalement différente. Le système d’IA ne se contente pas de générer du langage. Il participe à un processus.
Prenons un scénario de maintenance. Une machine signale un problème de pression hydraulique. L’agent devra peut-être consulter la documentation technique pour diagnostiquer le problème, identifier la configuration concernée dans un système de gestion du cycle de vie des produits, localiser une pièce de substitution dans un catalogue, confirmer sa disponibilité dans un système ERP, organiser l’expédition et planifier l’intervention d’un technicien ou d’une technicienne.
Lacroix a illustré par cet exemple un processus qui pourrait autrement mobiliser entre deux et dix personnes et qui devrait parfois fonctionner à l’échelle mondiale, 24 heures sur 24. L’opportunité est considérable. La dépendance à des connaissances fiables l’est tout autant.
Dette de contenu : l’IA révèle ce que les entreprises pouvaient ignorer jusqu’ici
La diffusion de contenu traditionnelle masquait de nombreux problèmes. Une page fréquemment consultée avait plus de chances d’être relue, corrigée et mise à jour. Un sujet obsolète enfoui dans un référentiel pouvait ne générer qu’un faible trafic et causer peu de dommages visibles. Des procédures en doublon pouvaient coexister pendant des années, car les utilisateurs et les utilisatrices empruntaient des chemins de navigation familiers et tombaient rarement sur la version contradictoire. Les systèmes conversationnels et agentiques suppriment cette protection.
Dans son discours d’ouverture d’Adobe DITAWORLD 2026, Vivek Kumar, Senior Director of Products at Adobe, a expliqué que l’IA rend chaque sujet, chaque procédure et chaque fragment de contenu potentiellement accessible. Le sujet le moins consulté d’un référentiel peut soudainement devenir la source d’une réponse. Il a illustré ce risque en évoquant un assistant IA qui avait récupéré une procédure n’ayant pas été mise à jour depuis quatre ans, parce qu’elle semblait pertinente pour la question du client.
« Ce problème de documentation existait bien avant l’IA », a déclaré Kumar. « L’IA l’a mis en lumière. »
Le problème fondamental n’est pas un manque de contenu. C’est l’absence de connaissances fiables.
Une procédure est un contenu, tout comme une description de produit, un sujet de dépannage, une politique ou une instruction de service. La connaissance naît lorsque ces composants intègrent le contexte qui précise à quoi ils s’appliquent, comment ils s’articulent entre eux, la version qui fait autorité, qui les a validés et à quelle date ils deviennent obsolètes.
Pour l’IA, ces distinctions sont essentielles. Une instruction techniquement correcte peut néanmoins s’avérer inadaptée à une version du produit, à un marché, à un droit client, à une condition d’exploitation ou à une juridiction réglementaire donnés. Un agent a besoin de bien plus qu’un texte qui ressemble à la question posée : il lui faut la preuve que le contenu sélectionné est adapté à l’action envisagée.
L’ampleur globale du problème de contenu est documentée dans « Component Content Management Systems: Supercharge Long-Form Content for Personalized and Consistent Experiences », une étude Forrester Consulting de 2021 commandée par Adobe. Fondée sur une enquête menée auprès de 450 décideurs et décideuses dans des organisations comptant au moins 500 salariés et salariées et un chiffre d’affaires annuel d’au moins 500 millions de dollars américains, cette étude révèle que 64 % des personnes interrogées considéraient répondre aux exigences modernes de création de contenu comme un défi. Elle a également révélé que 68 % d’entre elles identifiaient le manque de réutilisation du contenu comme un défi de gestion de contenu, tandis que 58 % peinaient à maintenir la cadence de publication et de mise à jour. L’IA agentique ne fait pas disparaître ces faiblesses : elle leur ouvre au contraire une voie plus rapide vers les processus métier.
Structure : le contenu se transforme en savoir exploitable par les machines.
C’est ici qu’entrent en jeu le contenu structuré et un système de gestion de contenu par composants, ou CCMS, avec un rôle désormais central.
Un CCMS gère l’information sous forme de composants modulaires, et non uniquement sous forme de documents complets. Ces composants peuvent embarquer des métadonnées explicites, des relations, des conditions, un historique des versions, un statut de révision et des références de réutilisation. Ils peuvent être assemblés en plusieurs publications et distribués via des sites web, des applications, des bases de connaissances, des systèmes d’assistance ou des expériences d’IA.
L’apport pour l’IA va bien au-delà de la simple facilité d’analyse du XML par une machine. Le véritable avantage réside dans le fait que la structure rend le sens et le contrôle explicites.
Les métadonnées peuvent identifier le produit, le modèle, l’audience, la langue, la région, l’état du cycle de vie, la date d’entrée en vigueur et la classification de sécurité. Les taxonomies fournissent des termes contrôlés. Les relations connectent les concepts, les procédures, les avertissements, les composants et les preuves à l’appui. Les versions et les lignes de base identifient précisément quel contenu a été validé pour une version particulière. Les workflows de révision attestent que le jugement humain a été exercé avant que le contenu ne fasse autorité.
Kumar a décrit cette évolution comme une progression allant d’un référentiel de contenu à un graphe de connaissances. « La connaissance émerge du contenu connecté », a-t-il déclaré. « Les relations comptent, le contexte compte, le sens compte. »
Cette base permet aux systèmes d’IA de récupérer des unités de connaissance plus petites et plus précises, tout en préservant les informations nécessaires à leur évaluation. Elle offre également aux organisations un moyen de retracer une réponse ou une action générée par l’IA jusqu’au document source qui l’a alimentée.
L’étude Forrester apporte un soutien quantitatif à cette approche. 69 % des personnes interrogées ont indiqué que conserver le contenu dans un format flexible tel que XML facilite la réutilisation ou la syndication. Le rapport a également révélé que 80 % ou plus des personnes interrogées au sein d’organisations utilisant un CCMS ont estimé que celui-ci contribuait à éliminer les risques liés à la conformité réglementaire, à la réputation, aux finances et aux ressources humaines, associés à la création de contenu et à sa diffusion.
Ces résultats convergent vers une même conclusion : les organisations ne peuvent pas répondre à la demande croissante des humains et des machines en multipliant les documents déconnectés. Elles ont besoin d’un contenu pouvant être régi une seule fois, compris dans son contexte et réutilisé de façon fiable.
Gouvernance intégrée au contrôle de l’IA
De nombreux programmes d’IA se concentrent avant tout sur le modèle, l’interface ou le framework d’agents. Ce sont des investissements visibles, mais ils ne peuvent pas compenser une gouvernance du contenu défaillante.
Une base de connaissance d’entreprise dédiée à l’IA agentique doit répondre à plusieurs questions opérationnelles :
- S’agit-il de la version approuvée actuelle ?
- S’applique-t-il à ce produit, à cette audience, à cette région et à ces circonstances ?
- A-t-il été relu par l’expert métier ou par l’experte métier approprié(e) ?
- Cet utilisateur, cette utilisatrice ou cet agent peut-il y accéder ?
- Quel autre contenu en dépend ?
- Qu’est-ce qui a changé, qui l’a modifié et quand ?
- Le système peut-il citer la source utilisée pour la réponse ou l’action ?
Ce sont des préoccupations bien connues dans le monde du CCMS, mais l’IA agentique leur confère une portée commerciale plus large.
- La gestion des versions devient une garantie contre les instructions obsolètes.
- Les métadonnées deviennent un mécanisme de routage pour les agents.
- Le statut de validation devient un indicateur de confiance.
- L’historique d’audit devient une preuve pour la conformité et les enquêtes.
- Les contrôles d’accès empêchent les agents d’exposer des informations restreintes ou d’agir sur celles-ci.
Le rapport Forrester révèle qu’une documentation incorrecte ou peu claire représente un risque majeur pour les opérations d’assistance. Plus de la moitié des personnes interrogées ont identifié comme défis majeurs la fragmentation de la stratégie de contenu, les silos de contenu, la révision et la collaboration, la personnalisation, la diffusion omnicanale et la vélocité du contenu.
Un CCMS ne suffit pas à éliminer tous les risques ni à rendre automatiquement fiable chaque action d’IA. Cela indique cependant que les entreprises associent déjà les contrôles de contenu structuré à la réduction des conditions propices au risque.
La supervision humaine reste indispensable. Si les systèmes agentiques peuvent accélérer les tâches courantes, les entreprises doivent continuer à délimiter clairement les actions nécessitant une révision, une validation ou une escalade. L’objectif n’est pas de retirer les personnes de chaque processus, mais de réserver le jugement humain aux décisions à plus forte valeur ajoutée.
Adobe Experience Manager Guides comme socle de connaissance d’entreprise.
Adobe Experience Manager Guides offre un socle de contenu structuré capable de soutenir ce modèle.
Les entreprises peuvent gérer le contenu DITA modulaire, les métadonnées, les versions, les références, les révisions, les traductions et la publication depuis un environnement gouverné. Les interfaces de programmation d’application, ou API, permettent de connecter les opérations de contenu aux autres systèmes d’entreprise, tandis que les sorties structurées peuvent alimenter des sites web, des applications, des bases de connaissances, des expériences conversationnelles et d’autres usages en aval.
Dans « The Business Value of Adobe Experience Manager Guides », une étude IDC Business Value Study de novembre 2022 commanditée par Adobe, IDC a présenté les résultats d’entretiens approfondis avec six entreprises utilisant Experience Manager Guides. IDC a calculé des bénéfices annuels moyens de 3,8 millions $ par organisation, un ROI de 287 % sur trois ans, et un délai de retour sur investissement de 13,9 mois pour les entreprises participantes.
L’étude a également révélé que les équipes de rédaction technique étaient 17 % plus efficaces après avoir adopté Experience Manager Guides. Elle a fait état d’une réduction de 16 % des efforts liés aux doublons, représentant une valeur de productivité annuelle moyenne de 437 570 $ par organisation.
Ces résultats ne doivent pas être considérés comme des résultats garantis pour toute implémentation. Ils montrent que le socle de contenu nécessaire à la préparation à l’IA peut également générer une valeur mesurable, grâce à la réduction des doublons, à des opérations de contenu plus efficaces et à une productivité accrue.
Adobe a également démontré des capacités assistées par IA pour l’importation, la création, la modification, le balisage et la validation de contenu structuré. Lors de sa session Adobe DITAWORLD 2026 consacrée à l’utilisation de l’IA dans Experience Manager Guides pour gagner en efficacité et produire du contenu à l’échelle, Mike Buoy, senior solution consultant at Adobe, a présenté des workflows dans lesquels les auteurs et les autrices examinaient les plans proposés et suivaient les modifications avant de les accepter. Cette approche avec humain dans la boucle permet à l’IA d’accélérer le travail de contenu tout en préservant le contrôle de l’organisation sur ce qui intègre la base de connaissances fiable. Les déploiements à grande échelle illustrent toute l’importance de ce contrôle.
Lors de sa session Adobe DITAWORLD 2026, Brian Scordinsky, client technology director supporting global assurance at EY, a décrit EY Atlas comme une plateforme de connaissances d’assurance mondiale opérant à l’échelle de l’entreprise.
EY Atlas prend en charge plus d’un million de documents, trois millions de pages de contenu rendu, plus de 40 langues et 66 canaux géolocalisés. La plateforme sert plus de 200 000 utilisateurs et utilisatrices et reçoit plus de un million de visites par mois. Son environnement AEM Guides maintient 12,7 millions de métadonnées et 42 millions de références de liens.
Scordinsky a décrit Atlas comme « la face avant d’une chaîne d’approvisionnement de connaissances mondiale ». Derrière cette expérience se trouve un écosystème structuré qui prend en charge la création de contenu, la publication, la recherche, les abonnements, les analyses, la sécurité, la localisation et, de plus en plus, des expériences d’agents alimentées par l’IA générative.
Une session Adobe DITAWORLD 2024 connexe a révélé qu’EY Atlas servait plus de 200 000 utilisateurs et utilisatrices, dont plus de 26 000 clients et clientes, et était soutenu par plus de 600 producteurs et productrices de contenu. Lors de cette session, Scordinsky a déclaré : « AEM fait le gros du travail pour nos opérations de contenu. » Il a ajouté que les métadonnées gérées dans AEM Guides alimentent la recherche et permettront à terme de prendre en charge les grands modèles de langage et les expériences de chat par IA générative.
À cette échelle, les métadonnées, les versions, les liens et les contrôles de publication ne sont pas de simples détails administratifs. Ils constituent le modèle opérationnel des connaissances de confiance.
Construire la couche de connaissances avant de faire passer la couche d’agents à l’échelle.
Les entreprises peuvent se lancer dans une initiative d’IA agentique sans avoir à restructurer l’intégralité de leur contenu. Elles doivent en revanche identifier les connaissances qui orienteront les actions à haute valeur ou à haut risque, puis rendre ce contenu fiable en priorité.
Une approche concrète commence par quatre priorités.
1. Identifier les décisions et les actions que l’agent prendra en charge.
Définissez le processus métier avant de sélectionner le contenu. Déterminez ce que l’agent sera autorisé à recommander, à initier ou à finaliser, et les cas où la validation humaine restera obligatoire. Cela permet de déterminer quelles sources de connaissances sont critiques et quel niveau de confiance est requis.
2. Évaluer le contenu sous-jacent à ces actions.
Examinez les connaissances que l’agent utilisera. Repérez les doublons, les directives contradictoires, les métadonnées manquantes, les versions obsolètes, les responsabilités floues, les sources inaccessibles et les lacunes dans l’historique d’approbation.
L’objectif est de réaliser une évaluation des risques ciblée portant sur les informations qui guideront les décisions assistées par l’IA, plutôt qu’un inventaire exhaustif du contenu.
3. Structurer et gouverner les connaissances à forte valeur ajoutée.
Décomposez les documents volumineux en composants réutilisables lorsque cela est pertinent. Appliquez des métadonnées contrôlées. Établissez des relations entre les procédures, les produits, les éléments, les politiques et les concepts associés.
Définissez des règles de révision, de validation, de gestion des versions, d’accès, de conservation et de cycle de vie, afin que les personnes et les systèmes d’IA puissent distinguer les connaissances à jour du contenu incomplet, obsolète ou inadapté.
4. Connecter le contenu via des interfaces gouvernées.
Les API et les services compatibles MCP permettent de mettre la connaissance d’entreprise à la disposition des agents sans renoncer aux autorisations, au contrôle des sources ni à la traçabilité.
Chaque connexion doit préserver suffisamment de contexte pour que l’agent comprenne la signification du contenu, ses conditions d’application et son niveau de fiabilité.
Cette séquence est essentielle. Relier un agent à un plus grand nombre de référentiels risque de lui donner simplement un accès plus rapide à davantage d’incohérences, sans améliorer pour autant la qualité des connaissances.
Connaissance d’entreprise : une infrastructure désormais stratégique.
Le rôle stratégique du CCMS évolue. Il demeure une plateforme de création, de gestion, de traduction et de publication de contenu. Mais il devient aussi la couche de connaissances gouvernée entre l’expertise d’entreprise et l’action pilotée par l’IA.
Kumar a résumé cette évolution en des termes directs : « Ce que l’on considérait autrefois comme une infrastructure de documentation devient rapidement une infrastructure d’IA. »
Dans la prochaine phase de l’IA d’entreprise, le volume de contenu et le nombre d’agents ne seront pas des critères décisifs. La victoire reviendra aux organisations capables de fournir aux machines des connaissances structurées, actuelles, contextuelles, respectueuses des autorisations et traçables.
Quand l’IA se contentait de répondre à des questions, un contenu de faible qualité générait de mauvaises expériences. Dès lors que l’IA peut agir, la qualité de la connaissance d’entreprise devient un enjeu de maîtrise stratégique.
Les organisations qui se préparent à l’IA agentique doivent commencer par identifier le contenu qui sous-tend leurs décisions les plus importantes, évaluer s’il est suffisamment structuré et gouverné pour soutenir l’action, et combler les lacunes de connaissances les plus critiques avant de passer à l’échelle. Adobe Experience Manager Guides peut fournir le socle de contenu structuré nécessaire pour transformer les informations d’entreprise en connaissances fiables et réutilisables, au service des expériences optimisées par l’IA et des workflows.
Prochaines étapes
Découvrez comment Adobe Experience Manager Guides peut vous aider à transformer le contenu d’entreprise structuré en un socle de connaissances gouverné, au service des expériences optimisées par l’IA et des workflows agentiques.
