Second cerveau IA : organiser la mémoire de son entreprise

Un second cerveau IA est un système qui conserve les informations utiles de l’entreprise et aide à les retrouver, à les relier et à les utiliser. Pour qu’il serve au quotidien, chaque réponse doit permettre de revenir à une source, de connaître son statut et de repérer les informations manquantes. On peut commencer avec un seul dossier et quelques questions récurrentes.

Prenons une situation simple. Un client demande pourquoi la formation n’apparaît pas dans le devis. Le commercial se souvient d’une discussion. Le chef de projet retrouve un ancien compte rendu. Personne ne sait si la formation a été proposée, acceptée ou retirée. L’IA devient utile si elle retrouve la décision qui fait foi et explique ce qui a changé.

Dans ce guide, vous allez construire un premier dossier de mémoire, puis le tester sur une décision qui a changé. Le registre à copier permet de commencer avec vos documents actuels.

Que faut-il mettre dans un second cerveau IA ?

Commencez par les informations que vous cherchez plusieurs fois : décisions validées, dossiers actifs, procédures et réponses réutilisables. Pour chaque élément, conservez son origine, sa date, son responsable et son état. Une proposition, une décision acceptée et une ancienne règle ne doivent pas être présentées comme trois vérités équivalentes.

Voici une structure de départ que vous pouvez adapter :

Vous pouvez conserver ces éléments dans des fichiers ou dans un outil documentaire. La première difficulté à résoudre est leur qualité : un document nommé « final-v3-vraiment-final » reste ambigu, même lorsqu’une IA sait le lire.

Évitez aussi de confondre mémoire personnelle et mémoire partagée. Une note de travail privée peut contenir des hypothèses qui n’ont jamais été validées. Avant de la rendre consultable par l’équipe, précisez ce qui est adopté et ce qui reste à discuter.

Comment l’IA retrouve-t-elle les informations ?

Une approche courante consiste à rechercher des passages dans les documents, puis à les fournir au modèle pour construire sa réponse. C’est le principe du RAG, ou génération augmentée par recherche documentaire. La qualité dépend notamment des passages retrouvés et des informations disponibles, comme l’explique la documentation Microsoft sur le RAG.

Le parcours à rechercher est simple :

Question de l’utilisateur → documents autorisés → passages pertinents → réponse avec sources → vérification.

Cela ne suppose pas forcément d’entraîner un nouveau modèle. Cela ne garantit pas non plus que la bonne version sera sélectionnée. Les règles de classement, les dates et les droits d’accès doivent être prévus dans le système, puis testés.

Pour approfondir ces contrôles, consultez notre guide sur les assistants documentaires fiables.

Exemple : retrouver une décision qui a changé

L’exemple suivant est fictif. Il illustre le résultat attendu d’un système correctement préparé ; ce n’est pas une mesure de performance d’un produit.

Le dossier « Catalogue Atlas » contient trois pièces :

À la question « La formation est-elle comprise ? », la réponse attendue serait :

La formation ne fait pas partie du périmètre validé le 5 septembre. Elle était proposée dans D1, puis reportée dans D2. D3 ne contient pas de nouvel accord sur son inclusion. Il faut confirmer séparément son périmètre et sa date.

Une réponse qui se contente de citer D1 serait trompeuse. Une réponse qui fusionne les trois pièces en annonçant une formation incluse et bientôt programmée ajouterait un engagement inexistant.

Le bon test consiste à demander aussi : « Qui a validé ce changement ? » Si cette information manque aux documents fournis, le système doit le signaler.

Une nouvelle date ne suffit pas à créer une nouvelle règle

Si vous demandez seulement « utilise le dernier document », vous risquez de donner trop de poids à D3. Il est plus récent, mais ne valide aucun changement. Le statut du document compte autant que sa date.

Une façon de préparer les pièces est d’ajouter deux champs : « remplace » et « remplacé par ». Lorsqu’un accord évolue, la nouvelle note pointe vers l’ancienne. L’historique reste consultable pour expliquer une décision, tandis que la réponse opérationnelle indique clairement la règle applicable.

Une routine pour entretenir cette mémoire

Nous proposons de traiter l’information en quatre étapes, sans automatiser la validation au départ.

1. Capturer. Enregistrer la pièce d’origine avec sa date et son contexte.
2. Qualifier. Indiquer s’il s’agit d’une idée, d’une proposition, d’un fait vérifié ou d’une décision.
3. Valider. Faire confirmer les décisions importantes par la personne responsable.
4. Actualiser. Relier une nouvelle décision à celle qu’elle remplace, en conservant l’historique.

Le modèle de registre fourni contient ces champs. Une ligne peut suffire pour une décision simple. Un dossier plus complexe mérite une note dédiée, avec des liens vers les pièces originales.

Fixez également une règle de sortie : quand un projet se termine, qui archive les documents ? Quand une procédure change, qui signale l’ancienne version ? Sans propriétaire, la mémoire accumule progressivement des réponses contradictoires.

Comment savoir si le système rend vraiment service ?

Préparez un petit jeu de questions dont vous connaissez déjà les réponses. Mélangez des demandes faciles, des changements de décision, une information absente et une question portant sur un document auquel l’utilisateur ne doit pas avoir accès.

Pour chaque réponse, relevez :

• la bonne décision a-t-elle été retrouvée ?
• la source citée justifie-t-elle précisément la réponse ?
• une ancienne version a-t-elle été utilisée à tort ?
• le système a-t-il signalé ce qu’il ne savait pas ?
• les droits de l’utilisateur ont-ils été respectés ?

Mesurez aussi le temps de vérification. Une réponse obtenue rapidement mais difficile à contrôler peut déplacer le travail plutôt que le réduire.

Les informations accessibles doivent correspondre au rôle de chacun. La CNIL recommande d’encadrer les usages et les données pouvant être transmis aux outils d’IA. Son guide d’utilisation de l’IA générative aide à préparer ce cadrage. Notre ressource sur les données à transmettre à une IA propose une première grille de lecture.

Par où commencer cette semaine ?

Choisissez un dossier actif sur lequel plusieurs personnes cherchent régulièrement les mêmes informations. Rassemblez les pièces nécessaires, qualifiez leur statut et écrivez cinq questions de contrôle. Vous aurez alors un périmètre assez concret pour comparer une recherche manuelle et une assistance IA.

Votre premier livrable peut tenir dans un dossier contenant les sources, un registre des décisions et une feuille de résultats. Si une réponse est fausse, notez l’origine du problème : pièce absente, statut ambigu, mauvaise recherche ou mauvaise interprétation. Cette distinction vous dira quoi corriger avant d’ajouter davantage de documents.

Faut-il importer tous les fichiers de l’entreprise ?

Pour le premier essai, un périmètre réduit facilite la vérification. Choisissez des pièces dont quelqu’un connaît l’histoire et peut confirmer l’usage. Vous pourrez élargir le corpus lorsque les réponses, les droits et les mises à jour auront été testés sur ce premier dossier.

Peut-on ensuite préparer des rendez-vous à partir de cette mémoire ?

Oui, si les sources nécessaires sont accessibles dans le périmètre autorisé. Le guide pour préparer un rendez-vous client décrit le résultat à obtenir : une fiche courte, des faits sourcés et des questions qui restent à résoudre.

Si ce fonctionnement doit être partagé par votre équipe, découvrez Initial Brain. Le point de départ est votre mémoire de travail : les documents utiles, les décisions à retrouver et les personnes autorisées à les consulter.

Sources consultées le 21 septembre 2026. Méthode et exemple proposés par Initial IA ; aucun gain de temps client n’est revendiqué.