VISION CEO — S1 • ARTICLE 1

Context architecture : votre IA n’est pas trop faible, elle n’a rien sur quoi s’appuyer

— 8 min de lecture —

L’industrie vient de nommer ce que vous refusez d’ouvrir en réunion de direction depuis dix-huit mois. VentureBeat cette semaine, plusieurs praticiens IA enterprise cette semaine : le RAG ne suffit plus pour les agents autonomes. La prochaine bataille n’est pas une bataille de modèles — c’est une bataille de “context architecture”. Traduction : la performance de vos agents dépend de la qualité du contexte que vous leur fournissez, pas de la taille du modèle que vous avez acheté.

Ce constat a une conséquence immédiate. 60% des organisations françaises ont lancé au moins un projet IA depuis dix-huit mois. Moins d’une sur cinq constate un impact significatif sur ses résultats — les chiffres McKinsey 2026 ne laissent pas de place à l’interprétation. Ce n’est pas un écart d’adoption. Ce n’est pas un problème de talent. C’est un problème de fondations.

Le cabinet vient de signer une deuxième mission chez ce client — dix-huit mois après la première. L’associé demande à son équipe d’utiliser l’IA pour préparer le brief d’entrée en capitalisant sur les enseignements de la mission précédente. L’IA produit une analyse correcte, générique, interchangeable avec ce que n’importe quel cabinet concurrent aurait livré avec le même prompt. Ce qu’elle n’a pas trouvé : les points de tension organisationnelle cartographiés en mission 1, les décideurs informels identifiés, les angles d’intervention qui avaient fonctionné — et ceux qui avaient échoué. Ces apprentissages existent. Dans les notes de fin de mission que personne n’a relues, les emails archivés, les livrables que le rapport final a simplifiés jusqu’à l’effacement. L’agent fonctionne. Il n’a rien sur quoi s’appuyer.

En septembre 2025, l’équipe de recherche Anthropic a formulé ce constat avec précision : le goulot d’étranglement du déploiement IA n’est plus la capacité du modèle — c’est l’architecture de la connaissance. Ce que votre IA produit dépend de ce qu’elle trouve. Ce qu’elle trouve dépend de ce que vous avez structuré. Cet article nomme les trois dysfonctions qui font que vos fondations ne sont pas prêtes — et ce qu’il en coûte de continuer à l’ignorer.

⸻

Ce que le modèle ne compensera jamais

Gartner 2026 signale 40% d’annulations de projets agentiques sur les dix-huit derniers mois. Pas des pilotes explorés puis abandonnés — des projets en production retirés. Gartner appelle ça le “silent chaos” : des agents déployés sur des fondations désordonnées, incapables de tenir la promesse initiale, retirés silencieusement pour ne pas alimenter les discussions sur le ROI en réunion de direction suivante.

Le problème n’est pas que ces organisations ont mal paramétré leurs modèles. C’est que le modèle le plus puissant du monde, posé sur une connaissance non structurée, produit du désordre à grande vitesse. La qualité des outputs IA est proportionnelle à la qualité de ce sur quoi on les pose — pas à la taille des paramètres ni au budget de la plateforme.

L’analogie n’est pas celle d’un moteur insuffisant. C’est celle d’un moteur sans carburant. Vous pouvez upgrader le moteur indéfiniment — si le réservoir est vide ou contaminé, le moteur tourne à vide. La couche connaissance est le carburant. La plupart des organisations investissent sur le moteur sans regarder le réservoir.

⸻

Les trois dysfonctions que personne n’ouvre en réunion de direction

Les organisations qui échouent sur leurs projets IA ne manquent pas de budget, de modèle, ni de plateforme. Elles manquent d’une chose que personne n’a nommée dans leur feuille de route : une connaissance activable.

Trois dysfonctions l’expliquent. Elles sont visibles. Elles sont mesurables. Aucune ne figure dans un budget IA.

La connaissance dans les têtes. La connaissance critique de votre organisation vit dans les têtes de deux ou trois personnes par domaine. Pas dans un système — dans des cerveaux humains non remplaçables. Quand vous déployez un agent sur ce territoire, il ne trouve rien d’activable. Il produit exactement ce que votre concurrent peut produire avec le même modèle et un prompt générique : une réponse correcte, sans mémoire, sans contexte propriétaire, sans valeur différenciante. Ce n’est pas de la mauvaise implémentation. Ce n’est pas un problème de temps de formation. C’est une erreur structurelle déguisée en mode de fonctionnement normal — et aucun budget IA ne la corrige.

Le pilote sur sol propre. La majorité des pilotes IA réussissent dans des conditions qui ne correspondent pas à la réalité de production. L’équipe a sélectionné les données les plus structurées, les cas les plus simples, les processus les mieux documentés. Les métriques de succès sont réelles — elles ne mesurent pas ce que l’organisation doit traiter quotidiennement. Le pilote passe. Le déploiement à grande échelle révèle les 70% de cas que le pilote n’a jamais vus. Ce n’est pas de la prudence que de valider sur sol propre. C’est de la validation sélective déguisée en démarche prudente — et elle garantit que vous ne mesurez pas le vrai problème avant de l’avoir mis en production.

L’investissement qui creuse l’écart. MIT CISR mesure une perte de 12,6 points de croissance pour les organisations qui investissent dans les outils sans investir dans les fondations de connaissance correspondantes — quelle que soit la taille de la structure. Chaque euro investi dans un outil IA sans structuration préalable de la couche connaissance n’est pas neutre — il amplifie le désordre existant à une vitesse plus élevée. Un budget IA sans fondations n’est pas un investissement différé en attente de ROI. C’est de la prise de risque déguisée en roadmap d’innovation.

Ces trois dysfonctions ne sont pas indépendantes. Elles se renforcent : la connaissance dans les têtes rend les pilotes sur sol propre inévitables, ce qui justifie des investissements plateforme sans remise en question des fondations, ce qui garantit que la connaissance reste dans les têtes. Le cycle est auto-validant — jusqu’au moment où il ne l’est plus.

⸻

Ce que les organisations qui réussissent ont structuré

Ce qui distingue ces organisations n’est pas un outil. C’est une décision que leur direction a prise — et que la vôtre n’a probablement pas encore mise à l’agenda. McKinsey 2026 mesure l’écart : les organisations qui ont structuré leur couche connaissance voient leurs projets IA se renforcer à chaque itération ; les autres les voient stagner sur un périmètre de plus en plus étroit. La différence n’est pas la plateforme. Ce n’est pas le budget modèle. C’est la structure sous-jacente : ces organisations ont des pipelines qui transforment ce qu’elles apprennent en connaissance activable — capturée, reliée, navigable, disponible pour les outils et les agents quand ils en ont besoin.

Ce n’est pas de la documentation. Ce que l’industrie commence à appeler “context architecture” — fournir le bon contexte, au bon moment, avec la bonne gouvernance — c’est exactement ce que j’appelle le cerveau d’entreprise. La formulation est nouvelle. Le problème ne l’est pas.

Le cerveau d’entreprise n’est pas un wiki partagé que personne ne met à jour. Ce n’est pas un outil de notes d’équipe. C’est la couche entre la connaissance des individus et la capacité des agents à agir avec pertinence dans le contexte spécifique de votre organisation. Sans cette couche, vos agents sont des consultants qui arrivent le premier jour de mission : sans brief, sans contexte historique, sans mémoire des problèmes déjà résolus. Compétents en général, inutiles sur votre réalité particulière.

Ce que votre organisation doit construire n’est pas un référentiel de plus. C’est un pipeline qui garantit que ce que l’organisation apprend devient activable — et reste activable quand les experts qui portaient ce savoir partent. La mémoire institutionnelle ne peut plus être une propriété des individus. C’est une responsabilité d’architecture.

⸻

La bifurcation n’attend pas votre prochain budget cycle

Les organisations qui ont commencé à structurer leur couche connaissance ne le font pas parfaitement. Elles font quelque chose de plus décisif : elles créent un pipeline. Ce qui est appris devient activable. Chaque nouveau projet IA s’appuie sur plus de contexte que le précédent. L’effet est non-linéaire — chaque connexion supplémentaire dans une connaissance structurée vaut plus que la précédente. Il s’emballe.

Les organisations qui continuent d’investir dans les modèles sans structurer la connaissance créent l’effet inverse. Chaque déploiement révèle plus de désordre. Chaque pilote réussit sur un périmètre plus étroit. Le “silent chaos” de Gartner n’est pas un événement ponctuel — c’est un état qui s’installe progressivement, invisible jusqu’au moment où la direction s’interroge sur le retour de deux ans d’investissement IA.

Ce schéma ne dépend ni de la taille ni du secteur. La bifurcation ne se joue pas en 2027. Elle se joue dans vos projets en cours, dans les outils IA que vous avez déjà achetés, dans la décision que vous prendrez ou ne prendrez pas sur la couche connaissance avant que l’écart avec vos concurrents ne soit visible.

⸻

La couche connaissance est la seule variable de votre transformation IA que vous contrôlez encore entièrement. La fenêtre pour la construire se ferme — l’effet composé de ceux qui ont commencé rend le rattrapage plus coûteux à chaque trimestre.

⸻

Matthieu Riboulet
Directeur Conseil | Delivery · Infrastructure cognitive · IA agentique