Intelligence artificielle : pourquoi la connaissance métier fait toute la différence

L’intelligence artificielle générative a profondément renouvelé notre manière d’interagir avec les technologies numériques. Comprendre une question formulée en langage naturel, analyser un document, synthétiser des informations ou produire un contenu sont désormais des capacités accessibles à un nombre croissant d’organisations. Mais lorsqu’il s’agit de les appliquer à des processus professionnels, une question essentielle se pose, une IA capable de comprendre le langage est-elle pour autant capable de comprendre un métier ?

Dans la gestion des ressources humaines, des finances, de la maintenance ou encore de la santé, chaque activité repose sur des règles spécifiques, des référentiels, des obligations réglementaires et des pratiques professionnelles qui ne peuvent être ignorés. Une information peut être parfaitement interprétée sur le plan linguistique, mais conduire à un résultat inadapté si son contexte métier n’est pas correctement pris en compte. C’est toute la différence entre une IA généraliste, capable de traiter une grande diversité de demandes, et une IA intégrée à un logiciel métier, conçue pour intervenir dans un environnement professionnel précis.

L’enjeu n’est donc plus seulement de disposer de modèles d’intelligence artificielle performants, mais de leur donner accès aux connaissances nécessaires pour produire des résultats réellement exploitables.

Les organisations disposent d’une quantité considérable de connaissances, souvent réparties entre leurs logiciels, leurs documents, leurs bases de données et l’expérience de leurs collaborateurs. Cette connaissance ne se limite pas aux informations enregistrées dans les systèmes. Elle comprend également les règles qui encadrent leur utilisation, les relations entre les données et les contraintes qui déterminent les décisions possibles.

Prenons le domaine des ressources humaines. Comprendre une demande de formation ne consiste pas uniquement à identifier des mots-clés. Il faut pouvoir rapprocher des besoins exprimés différemment, tenir compte des compétences recherchées, des obligations de formation et des contraintes d’organisation.

De la même manière, dans la gestion financière, extraire des informations d’un document ne suffit pas. Leur exploitation suppose de comprendre leur signification, leur cohérence et les règles qui encadrent les opérations de gestion.

La véritable valeur de l’IA apparaît lorsqu’elle parvient à relier la compréhension des informations à la connaissance des processus métier. Cette approche nécessite de structurer et de rendre accessibles des connaissances parfois dispersées, en s’appuyant notamment sur des référentiels partagés et des données fiables.

Pour un éditeur de solutions logicielles comme Berger-Levrault, cette dimension est fondamentale. La connaissance accumulée au contact des professionnels et intégrée progressivement dans les solutions logicielles constitue un socle précieux pour développer des capacités d’intelligence artificielle adaptées aux réalités du terrain.

L’IA générative excelle dans l’interprétation d’informations hétérogènes, la compréhension du langage et l’identification de rapprochements sémantiques. En revanche, elle n’est pas toujours l’outil le plus approprié pour appliquer des règles strictes ou garantir le respect de contraintes déterministes. Or, les logiciels professionnels doivent souvent concilier ces deux exigences qui sont de comprendre des situations complexes et d’appliquer des règles précises. C’est pourquoi l’avenir de l’IA métier repose sur une approche hybride, associant intelligence artificielle générative, systèmes de règles et méthodes d’optimisation.

L’IA peut, par exemple, analyser des informations exprimées librement, identifier des similitudes ou proposer des correspondances. Des mécanismes déterministes peuvent ensuite vérifier des conditions, appliquer des contraintes ou calculer une solution conforme aux règles définies. Ces différentes technologies ne s’opposent pas, elles se complètent. Cette complémentarité permet de tirer parti de la souplesse de l’IA générative tout en conservant la précision et la prévisibilité nécessaires aux applications professionnelles. Elle contribue également à rendre les traitements plus maîtrisables. Certaines décisions peuvent être encadrées par des règles explicites, tandis que les propositions issues de l’IA restent soumises à des mécanismes de vérification adaptés à leur criticité.

L’objectif n’est pas de confier indistinctement toutes les opérations à un modèle d’IA, mais de mobiliser la technologie la plus pertinente à chaque étape d’un processus métier.

La pertinence d’une IA métier dépend aussi de la qualité et de l’accessibilité des informations qu’elle utilise. Dans de nombreuses organisations, les données sont réparties entre plusieurs applications, parfois construites à des périodes différentes et répondant à des besoins distincts. Cette fragmentation complique leur exploitation et multiplie les opérations de rapprochement.

Pour apporter une réelle valeur, l’IA doit pouvoir mobiliser les bonnes informations, au bon moment, tout en respectant les droits d’accès et les règles de sécurité. Cela suppose de travailler sur plusieurs dimensions complémentaires que sont la qualité des données, leur structuration, leur traçabilité et l’interopérabilité entre les systèmes.

Les architectures ouvertes, les API et les protocoles d’interconnexion, comme le Model Context Protocol (MCP), ouvrent de nouvelles possibilités pour permettre aux systèmes d’IA d’interagir avec des services et des logiciels métier. Mais la connexion technique ne constitue qu’une première étape. Encore faut-il que les informations échangées conservent leur signification et puissent être utilisées dans le bon contexte. Une donnée n’a pas nécessairement le même sens selon le processus dans lequel elle intervient. Sa compréhension nécessite de connaître son origine, ses relations avec d’autres informations et les règles qui encadrent son utilisation.

Une IA véritablement utile ne doit donc pas seulement accéder aux données, elle doit pouvoir les interpréter dans leur contexte métier.

La connaissance métier, l’association de différentes approches technologiques et l’accès à des données fiables constituent les fondations d’une IA adaptée aux environnements professionnels. Mais c’est leur combinaison, au sein des logiciels et des processus existants, qui permet de transformer ces capacités en bénéfices concrets pour les utilisateurs.

Prenons l’exemple de la planification de formations, un processus qui nécessite de collecter et de consolider les besoins exprimés par notamment les agents de mairie de les rapprocher des formations disponibles et d’organiser les sessions en tenant compte de nombreuses contraintes. Lors des rencontres du club utilisateurs CUSMA 2026, Berger-Levrault a illustré comment différentes technologies peuvent se compléter pour simplifier ce travail. L’IA générative permet d’analyser les demandes, d’identifier les besoins similaires et de proposer des correspondances avec les catalogues de formations. Des méthodes d’optimisation et des règles métier peuvent ensuite intervenir pour organiser les sessions en tenant compte des contraintes de planification. L’ensemble s’appuie sur les données du SIRH afin de replacer ces opérations dans leur contexte métier.

En orchestrant ces capacités, il devient possible de simplifier l’ensemble du processus plutôt que d’automatiser uniquement certaines tâches isolées. Les informations peuvent être préparées, les vérifications facilitées et les opérations répétitives réduites, tout en laissant aux professionnels la maîtrise des décisions qui nécessitent leur expertise.

La valeur de l’IA ne réside donc pas uniquement dans ce qu’elle est capable de produire, mais dans la manière dont elle contribue à améliorer le fonctionnement d’un processus métier.

Cette distinction est essentielle pour évaluer les bénéfices réels de l’intelligence artificielle. Au-delà de la qualité des réponses produites par les modèles, il s’agit de mesurer les gains à l’échelle des usages, le temps économisé, la réduction des ressaisies, la fiabilité des traitements ou encore la simplification des parcours utilisateurs. Cette approche invite également à repenser la manière dont l’IA est intégrée aux logiciels. Plutôt que de multiplier les assistants conversationnels ou les fonctionnalités indépendantes, l’enjeu est de proposer des capacités intelligentes directement là où elles apportent de la valeur, au sein des activités quotidiennes des professionnels.

C’est dans cette perspective que s’inscrivent les travaux de Berger-Levrault. En associant recherche sur les architectures d’IA, exploitation des connaissances métier et collaboration avec les équipes produit, Berger-Levrault explore de nouvelles façons d’intégrer ces technologies aux logiciels professionnels, avec un objectif central de faire de l’intelligence artificielle un levier d’efficacité opérationnelle, et non une couche technologique supplémentaire.

Ces principes se traduisent concrètement dans les solutions que Berger-Levrault propose aux collectivités.

Le collègue virtuel qui contribue au bon fonctionnement de la mairie

Dans WeMagnus, la solution de gestion tout-en-un pour collectivités de moins de 5 000 habitants, l’assistant intelligent s’appuie sur les contenus métiers de Berger-Levrault liés à l’application, sur la documentation de l’assistance et sur l’aide en ligne pour répondre aux questions quotidiennes des secrétaires généraux de mairie. WeDelib fait partie de cette solution.

La rédaction assistée des projets de délibération

Dans WeDelib, la solution de gestion des assemblées délibérantes, l’IA by BL permet de rédiger un projet de délibération complet et formaté, avec visas et références légales, à partir d’un simple objet. Elle s’insère dans un cycle délibératif géré de bout en bout, des ordres du jour et convocations à la transmission au contrôle de légalité, en passant par la gestion des présences, du quorum et des votes.

Partenaire essentiel pour les agents administratifs confrontés à des questions juridiques

Légibase Collectivités. L’assistant intelligent de Légibase Collectivités s’appuie sur la base documentaire juridique et pratique pour répondre à une question formulée simplement. Il sélectionne et synthétise les informations les plus pertinentes. Chaque réponse est accompagnée de sources et de liens directs vers les contenus.

Dans ces trois cas, l’IA est intégrée au cœur du logiciel et s’appuie sur des contenus et des données métier de confiance, au sein des outils que les agents utilisent au quotidien

À mesure que les modèles d’intelligence artificielle se généralisent, leur seule performance ne suffira pas à différencier les solutions professionnelles. La capacité à comprendre les métiers, à exploiter des données fiables, à appliquer des règles spécifiques et à s’intégrer aux environnements de travail constituera un facteur essentiel de création de valeur.

Cette évolution invite à considérer l’IA non comme une technologie isolée, mais comme une composante d’un système plus large, associant connaissances, données, logiciels et expertise humaine. C’est précisément dans cette articulation que se situe l’ambition de Berger-Levrault, mettre les avancées de l’intelligence artificielle au service de solutions qui répondent aux exigences concrètes des professionnels.

En effet demain, la différence ne se fera pas seulement entre les logiciels qui utilisent l’IA et ceux qui ne l’utilisent pas, mais entre ceux qui disposent de capacités d’IA et ceux qui savent véritablement les mettre au service des métiers.