Entreprise & équipes

Comment construire une mémoire d’entreprise utilisable par l’IA

Réponse courte

Une mémoire d’entreprise utile à l’IA doit organiser le contexte par portée, type et validité : faits vérifiés, décisions, règles, hypothèses, résultats et historique. Elle doit aussi savoir qui peut lire ou modifier quoi. Sans gouvernance ni temporalité, un grand corpus documentaire reste difficile à réutiliser correctement.

Plusieurs compartiments de verre et de pierre sombre, vides et cloisonnés, reliés entre eux par quelques points de contexte et des fils ambre.

Une entreprise possède déjà énormément de mémoire. Elle est dispersée dans les e-mails, les comptes rendus, les tickets, les fichiers, les outils métier, les habitudes des équipes et les personnes qui « savent pourquoi on fait comme ça ».

Le problème n’est pas d’ajouter encore un endroit où stocker de l’information. Le problème est de rendre cette mémoire exploitable par une IA sans lui donner un vrac de documents contradictoires.

Commencez par les questions auxquelles l’IA doit répondre

Avant de choisir une technologie, listez les situations où le contexte manque réellement :

  • pourquoi cette règle existe-t-elle ?
  • quelle décision est encore active ?
  • qu’avons-nous déjà essayé ?
  • quel client a obtenu une exception et pourquoi ?
  • quel incident similaire a déjà eu lieu ?
  • qui est responsable de cette décision ?
  • cette procédure est-elle encore valide ?

Ces questions décrivent beaucoup mieux la mémoire nécessaire qu’une liste de bases de données.

Séparez la connaissance générale de l’histoire de l’organisation

Une procédure RH, une documentation produit ou un contrat sont des documents. Ils peuvent être très bien servis par une recherche documentaire ou du RAG.

L’histoire de l’organisation est différente. Elle contient :

  • décisions prises ;
  • raisons ;
  • exceptions ;
  • changements ;
  • résultats observés ;
  • questions ouvertes ;
  • responsabilités ;
  • engagements spécifiques.

Ce contexte a une dimension temporelle et relationnelle.

Définissez des types simples

Un modèle trop sophistiqué échoue souvent parce que personne ne le maintient. Commencez avec quelques types compréhensibles :

Fait vérifié : une information actuelle et sourcée.

Décision : un choix adopté.

Règle : une instruction qui doit être suivie.

Hypothèse : une possibilité encore incertaine.

Résultat observé : ce qui s’est effectivement produit après une action ou une décision.

Historique : une information qui a été vraie mais ne doit plus guider l’action courante.

Cette dernière catégorie est essentielle. Supprimer tout ce qui est ancien fait perdre le raisonnement. Garder tout comme actif crée des erreurs.

La portée compte autant que le contenu

Une mémoire d’entreprise ne doit jamais devenir une permission globale pour l’IA.

Une information peut appartenir :

  • à une personne ;
  • à une équipe ;
  • à un projet ;
  • à un client ;
  • à une organisation entière.

Le même utilisateur peut avoir accès à plusieurs espaces sans que ces espaces puissent se lire entre eux.

La gouvernance doit être résolue côté serveur. Elle ne doit pas dépendre du fait que le modèle « se comporte bien ».

Conservez la provenance

Pour une IA, « le directeur a validé cette règle le 12 septembre » et « un assistant a résumé une conversation en disant que cette règle semblait validée » ne sont pas la même chose.

Conservez autant que possible :

  • auteur ou source ;
  • date ;
  • statut ;
  • lien avec la décision précédente ;
  • niveau de confirmation.

La provenance permet de corriger les erreurs au lieu de simplement les accumuler.

Évitez la mémoire automatique sans frein

Une organisation produit beaucoup de bruit : brainstorming, messages informels, hypothèses, erreurs, formulations provisoires. Tout transformer automatiquement en mémoire permanente est une mauvaise idée.

Avant d’écrire, un système devrait se demander si l’information est durable, réutilisable et correctement attribuée.

Dans le doute, mieux vaut parfois ne rien écrire.

Mesurez la valeur sur des tâches réelles

Une mémoire d’entreprise ne doit pas être évaluée sur le nombre d’éléments stockés.

Mesurez plutôt :

  • combien de fois une équipe évite de refaire une recherche ;
  • combien d’erreurs liées à une décision obsolète sont évitées ;
  • combien de temps il faut pour reprendre un projet ;
  • si un nouvel arrivant comprend plus vite le pourquoi des choix ;
  • si les réponses de l’IA sont plus justes avec la mémoire que sans.

Une mémoire qui grossit sans améliorer ces résultats devient une nouvelle dette documentaire.

Commencez petit

Choisissez un périmètre où la continuité fait réellement mal : un projet long, une équipe support, un produit complexe, un portefeuille client.

Prouvez que la mémoire aide dans ce périmètre avant de vouloir représenter toute l’entreprise.

La séparation entre privé et partagé est détaillée dans pourquoi une mémoire personnelle ne doit pas devenir automatiquement une mémoire d’entreprise, et les risques de mélange dans mémoire d’équipe : comment éviter qu’une IA mélange les sources. Pour les décisions qui changent, voyez quand une décision change, que devient l’ancienne ?. Pour distinguer documents et mémoire, lisez mémoire IA vs RAG et Notion, Obsidian ou Nawame. Les pages Entreprise et Sécurité précisent le cadre.

Les limites de cette approche

Une mémoire d’entreprise dépend d’abord de la qualité des sources et de la discipline des équipes : aucun modèle de données ne corrige des décisions mal documentées. Ces conseils décrivent une méthode générale, pas une fonction particulière de Nawame, et ne remplacent ni un cadrage juridique ni une politique d’accès propre à votre organisation.

Votre prochain prompt ne devrait pas devoir contenir toute votre histoire.

Commencez à construire une mémoire que vos IA pourront retrouver lorsque cela comptera.

Commencer gratuitement