Dans mon premier article, j’expliquais qu’une intégration utile de l’intelligence artificielle repose souvent sur une architecture hybride : l’IA interprète une demande libre, le logiciel applique les règles métier et l’utilisateur conserve la décision finale. Une question restait ouverte : où placer durablement les connaissances, les sources, les contrôles et les validations pour que cette méthode soit réutilisable au-delà d’un prompt ou d’un outil ?
Imaginez cette demande : « Prépare un devis pour un client avec cinq ordinateurs, cinq stations d’accueil, dix heures de prestation et une remise de 5 % sur le matériel. » Une IA peut la transformer en données structurées. Mais elle ne devrait ni inventer un prix, ni décider seule d’une remise, ni envoyer le document sans contrôle.
Un chatbot peut résumer un document, préparer une réponse ou clarifier une idée. Le fonctionnement devient plus fragile lorsque la tâche doit être répétée, partagée ou reliée à des données réelles.
Un long prompt ne définit pas toujours quelle source fait autorité, dans quel ordre exécuter les étapes, comment traiter une exception ou quand demander une validation. Les corrections améliorent parfois le résultat du moment, mais restent souvent enfermées dans la conversation.
C’est ce qui m’a marqué lors de l’« Atelier Base », organisé par Innovaud le 13 août 2026 à Lausanne. J’y ai retrouvé plusieurs principes déjà présents dans ZIGOMA, mais sous une forme plus explicite. Je remercie Marie-Laure Gallez, Responsable Projet IA, ainsi que Charles-Edouard Bardyn, à l’origine de BASE, pour leur disponibilité et le temps consacré à mes questions. Les interprétations présentées ici restent les miennes.
BASE signifie « Bâtir des Assistants avec une Structure d’Expertise ». Ce n’est pas un nouveau modèle d’IA. Sa documentation officielle le présente comme un standard ouvert accompagné d’une implémentation de référence, permettant de décrire une méthode de travail dans des fichiers lisibles, modifiables et réutilisables.
Trois éléments suffisent pour en comprendre l’idée. Le processus décrit les étapes et les contrôles. Les compétences regroupent les connaissances nécessaires. Les sources indiquent les références à consulter : catalogue, fiche client, politique tarifaire ou modèle de document. La méthode ne reste ainsi plus dispersée entre les prompts, le code, la documentation et les anciennes conversations.
ZIGOMA est un ERP — un progiciel de gestion intégré — multi-entreprise en développement. Un ERP centralise les principaux processus d’une organisation ; « multi-entreprise » signifie qu’une même plateforme peut gérer plusieurs sociétés tout en séparant leurs données.
Avant l’atelier, les éléments nécessaires au devis existaient déjà, mais à plusieurs endroits. Les instructions destinées à l’IA se trouvaient dans les prompts et la logique applicative. Les règles de calcul et de contrôle étaient intégrées dans l’ERP. Les données clients et articles provenaient de la base, tandis que certaines conventions restaient dans la documentation. La validation finale appartenait déjà à l’utilisateur, mais la méthode n’était pas regroupée dans une structure unique, facile à relire et à faire évoluer.
J’ai commencé à structurer séparément les processus, les compétences, les sources, l’orientation vers le bon processus et les points de validation. Ces éléments sont développés et testés dans mon environnement local et dans le dépôt du projet. Ils ne sont pas encore déployés en production ni utilisés par des utilisateurs externes avec des données réelles.
Pour un devis, l’IA transforme la demande en données structurées : client, articles, quantités, heures de prestation et remise. ZIGOMA consulte ensuite la fiche client et le catalogue officiel. Les prix, les taxes, les totaux et les champs obligatoires restent calculés ou vérifiés par des règles déterministes, fixées à l’avance dans l’ERP.
L’utilisateur contrôle le client, les articles, les quantités, la remise et les conditions du devis. Il peut corriger le résultat et doit le valider avant l’enregistrement définitif ou l’envoi. L’IA n’a donc pas besoin d’un accès général à toutes les données : chaque processus doit limiter cet accès aux informations nécessaires à la tâche.
Le premier résultat observé est qualitatif. La structure clarifie quelle source fait autorité, quelle règle reste exécutée par le logiciel et quand l’utilisateur intervient. Le NIST AI RMF Measure Playbook recommande également de documenter la supervision humaine et de suivre les exceptions, les mécanismes d’escalade et les décisions « go/no-go ».
BASE ne rend pas l’IA infaillible. Une vérification exige un point de référence extérieur à la génération : une source, une règle, un calcul, un test ou le jugement d’une personne responsable. BASE ne remplace pas non plus la gestion des accès, la sécurité informatique ou les obligations de conformité.
Structurer les connaissances demande du temps, une maintenance et des responsabilités définies. Une question ponctuelle peut rester dans un chat. Une tâche répétitive, partagée ou sensible mérite davantage de structure.
Cette intégration reste expérimentale et je ne dispose pas encore d’une mesure fiable du temps gagné ou des erreurs évitées. Mais un premier bilan se dégage. BASE m’a aidé à rendre explicite ce qui restait dispersé entre les prompts, la logique applicative, la documentation et ma propre connaissance du projet. Je distingue désormais plus clairement ce qui relève de l’interprétation par l’IA, de l’exécution déterministe par l’ERP et de la validation humaine.
C’est le principal apprentissage que je retire de cette expérience : avant de rechercher un modèle toujours plus performant, il peut être plus utile de structurer les connaissances, les règles et les responsabilités qui entourent son usage.
Les prochains tests porteront sur deux indicateurs : le nombre de corrections nécessaires avant la validation d’un devis et la capacité du système à indiquer clairement les sources et les règles utilisées. Ils permettront de vérifier si cette organisation réduit les ambiguïtés et améliore la traçabilité
Avant de vous demander quel modèle d’IA votre entreprise devrait adopter, savez-vous déjà où se trouvent ses connaissances, quelles règles doivent rester déterministes et quelles décisions doivent rester humaines ?
Article du même auteur : Pourquoi intégrer l’IA dans les logiciels métiers ? Bénéfices, gains de temps et conditions de réussite
Sources :
Crédit photo : Canva
Building AI-powered business applications that transform operational needs into reliable, production-ready solutions.
