Connaissances d'entreprise pour agents IA : une source, tous les agents

Les connaissances d'entreprise pour les agents IA sont un ensemble consultable de décisions, de procédures et de faits qui permet aux agents de répondre à partir de ce que votre entreprise sait réellement. Votre entreprise a déjà un cerveau. Il n'est simplement pas écrit. Le travail ne consiste pas à acheter un chatbot pour chaque outil. Il consiste à écrire ce savoir en un seul endroit et à laisser chaque agent le consulter de la même façon. À la fin de ce guide, vous connaîtrez les quatre éléments et aurez rédigé vos premières entrées. Les étapes 1 et 2 prennent un après-midi.

Ce que sont les connaissances d'entreprise pour les agents IA

Une base de connaissances enfermée dans un seul outil de chat devient le prochain silo. L'architecture repose sur quatre éléments, dont aucun n'est lié à un fournisseur :

Ce guide fait partie de la série « Loops We Run ». Le guide principal, comment nous dirigeons notre entreprise avec des agents IA, présente le reste.

Les connaissances vivent en un seul endroit, un pipeline garde l'index à jour, et chaque agent y accède par un seul serveur MCP.

Vous n'entraînez aucun modèle

« Entraîner l'IA sur nos données » est la mauvaise image. Un bon agent consulte ses sources avant de répondre, comme un nouvel employé qui garde le classeur ouvert. Cette consultation s'appelle la récupération (retrieval) : l'agent envoie la question à un outil de recherche, lit les passages renvoyés et répond à partir d'eux en citant la source. Rien n'est réentraîné. Pour changer une réponse, changez l'entrée.

Voici Larchmoor Cycles, la boutique fictive de nos exemples

Tous les exemples utilisent Larchmoor Cycles, un magasin de vélos imaginaire doté d'un atelier de réparation et d'un service de location.

Étape 1 : choisir un domaine et lister les questions auxquelles il doit répondre

Partez des questions que les gens posent déjà. Une base de connaissances construite à partir d'un inventaire de documents répond à des questions que personne ne pose. Choisissez un domaine et notez les questions de ce mois-ci à son sujet, venues des clients et du personnel, avec leurs mots.

Larchmoor choisit les locations et les retours. La liste de Maren :

1. Puis-je rapporter un casque que j'ai essayé en boutique ?
2. Quel est le montant de la caution pour un vélo de location ?
3. Que se passe-t-il si je rends un vélo de location abîmé ?
4. Puis-je être remboursé plutôt que recevoir un avoir ?
5. Combien de temps prend une intervention sur les freins ?
6. Êtes-vous ouverts le dimanche ?

Gardez cette liste : c'est le test de l'étape 6.

Étape 2 : rassembler ce que sait votre entreprise en un seul endroit

Écrivez-le au moment où cela se produit, un fait par entrée, sinon ce ne sera jamais écrit. Aujourd'hui, ce que sait Larchmoor se trouve dans la tête de Maren, dans sa boîte mail et dans trois vieux documents.

Cet endroit unique contient deux types de contenu, qui forment ensemble votre base de connaissances d'entreprise pour agents IA. La documentation couvre les procédures, les politiques et les prix que vous rédigez déjà : returns-policy, rentals, repair-prices, opening-hours. Les entrées capturées contiennent les décisions, les procédures et les faits que chacun apprend en travaillant. Chaque entrée a un titre, le fait, la raison pour laquelle il est valable, un responsable, une date de dernière vérification, une portée et, s'il expire, une date de validité.

title:  Rental deposit is 100 per bike
fact:   Every rental bike takes a 100 deposit, refunded when it comes back undamaged.
why:    Chose 100 over 50 because a bent wheel costs about 100 to replace.
owner:  Maren
scope:  public

Chaque entrée contient un seul fait qu'un agent peut utiliser seul, avec sa portée et, s'il expire, une date.

Pour un examen complet de vos données, lisez préparer ses données pour l'IA. Pour la mémoire entre deux sessions de code, voyez pourquoi Claude Code oublie le contexte.

Vous voulez que nous mettions cela en place avec votre équipe ? Dites-nous quelles questions vos clients et vos employés posent chaque semaine.

Étape 3 : rendre le tout consultable par le sens

Les clients n'emploient jamais vos mots, donc une recherche par les mots seuls les laisse sans réponse.

Nous découpons chaque document en passages d'environ 8 000 caractères, coupés en fin de phrase, avec 200 caractères partagés entre passages voisins. 8 000 caractères suffisent pour contenir une règle entière avec son exception. Le chevauchement de 200 évite qu'une phrase soit coupée en deux. Chaque passage est stocké avec sa source, son titre et sa date de dernière mise à jour, puis transformé en embedding.

Un embedding est une liste de nombres qui capture ce que veut dire un passage. Deux textes qui veulent dire la même chose obtiennent des nombres proches, même sans aucun mot en commun.

La recherche note le sens et les mots ensemble et les fusionne en un seul classement. C'est une recherche sémantique doublée d'une correspondance de mots. Le sens trouve « Retours des équipements de protection » pour un client qui a tapé « casque ». Les mots restent les plus efficaces pour les références de pièces, les noms et les prix. Si la recherche par le sens est indisponible, la recherche se replie sur les correspondances de mots et signale le résultat comme dégradé, pour que l'agent réponde quand même. Utilisez un service de recherche que vous avez déjà, ou n'importe quel index vectoriel ou hybride.

La question parle de casque et le passage d'équipements de protection ; la recherche par le sens le classe tout de même en premier.

Étape 4 : garder l'index à jour avec un pipeline

Un index vieux d'une semaine répond avec les prix de la semaine dernière. Le pipeline compte plus que le moteur de recherche. Un long document est relu à la mise à jour : quand il est ajouté pour la première fois, ou quand une personne en enregistre une nouvelle version et demande au système de le relire. Rien ne le relit de lui-même.

Le pipeline se déclenche de deux façons :

Zéro passage écrit est un échec, jamais « terminé ». L'exécution indique une cause et fait une nouvelle tentative. L'identifiant de chaque passage est construit à partir de sa source et d'une empreinte de son texte, si bien que lancer le pipeline deux fois ne crée jamais de doublons.

Étape 5 : donner à chaque agent une seule porte d'entrée, un serveur MCP

Chaque agent se connecte par un seul serveur, et ce sont ses accès, jamais sa question, qui décident de ce qu'il peut voir. MCP (Model Context Protocol) est un standard ouvert qui permet à un agent IA d'appeler des outils sur un serveur. Un nouvel agent se connecte sans qu'il faille reconstruire les connaissances pour lui.

Le serveur de connaissances de Larchmoor a un seul outil en lecture seule, search_knowledge, qui prend une question et un nombre maximal de résultats. Nous renvoyons par défaut les 5 meilleurs passages : assez pour que l'agent compare les sources, assez peu pour qu'il les lise en entier. Chaque résultat porte son rang, son score, son titre, sa source, sa date de dernière mise à jour et un extrait.

Chaque entrée a un champ scope, et le serveur filtre chaque recherche selon les accès de l'agent connecté (sa clé ou sa connexion). Le chat de la boutique ne voit que public ; le Claude de Teo et le ChatGPT de Maren voient public et internal. Aucun client ne peut accéder aux entrées internes à force de questions.

Tout agent compatible MCP se connecte avec l'adresse du serveur et une clé ou une connexion. Une question hors sujet ne renvoie rien, et la consigne de Maren demande au chat de le dire au lieu de deviner.

Étape 6 : poser de vraies questions, une exécution retracée

Testez avec de vraies questions et corrigez les connaissances, jamais la réponse. Une question de la liste de Maren, retracée :

1. Un client sur larchmoor.example.com demande au chat : « Puis-je rapporter un casque que j'ai essayé en boutique ? »
2. Le chat appelle le serveur MCP. Sa clé a la portée public.

search_knowledge(query="return a helmet tried on in the shop", limit=5)

3. Le serveur renvoie 3 passages classés :

L'agent interroge un seul outil MCP et reçoit des passages classés, chacun avec sa source, avant d'écrire sa réponse.

4. Le chat répond à partir du passage 1 : « Les équipements de protection non utilisés peuvent être rapportés sous 30 jours avec le ticket de caisse. La politique ne couvre pas les équipements essayés en boutique, j'ai donc transmis votre question à l'équipe. » Source : politique de retour.
5. C'est un manque, pas une mauvaise réponse. Maren tranche et écrit une entrée, portée public : « Les casques essayés en boutique peuvent être rapportés sous 30 jours s'ils n'ont pas été portés à l'extérieur. » Pourquoi : les clients essaient les tailles en magasin.
6. L'entrée est indexée à l'enregistrement. L'index passe de 40 à 41 passages.
7. La même question place désormais l'entrée de Maren en premier, et le chat répond à partir d'elle en citant sa source.
8. Teo demande à son Claude, portée internal : « Comment monte-t-on des pneus tubeless sur un vélo de location ? » L'entrée de procédure arrive en premier. Rien n'a été reconstruit pour ce deuxième agent.

Une question est validée quand la réponse cite une entrée, nomme sa source, et que cette entrée est le seul endroit où la règle est écrite. Faites de même pour chaque question de votre liste de l'étape 1.

Ce qui tourne mal, et la règle née de chaque échec

Chaque échec que nous avons rencontré était silencieux : quelque chose semblait indexé ou à jour, et ne l'était pas.

La liste à revoir reçoit aussi toute entrée utilisée dans 5 recherches ou plus et non vérifiée depuis 90 jours. Transformer les échecs en règles est une boucle à part entière : construire un système d'IA qui s'améliore tout seul.

Deux entrées contradictoires donnent deux réponses ; remplacez l'ancienne, réindexez et datez les faits qui expirent.

Vous voulez que nous construisions cela pour votre entreprise ?

Le premier domaine est la partie difficile. Ensuite, écrire des entrées devient une habitude. Chez Neomanex, nous construisons avec vous la base de connaissances, le pipeline et le serveur MCP, connectés aux agents que vous utilisez déjà. Votre équipe continue d'écrire les entrées. Dites-nous quelles questions reviennent chaque semaine.