L'IA et les savoirs tacites : ce qu'elle peut faire, ce qu'elle ne fera jamais 

L'intelligence artificielle est partout dans les discours sur la gestion des connaissances. Elle analyse, synthétise, classe, restitue. Elle promet de capturer ce que les collaborateurs savent — et de le conserver même après leur départ. 

Cette promesse est réelle. Et elle est incomplète.

Car entre ce que l'IA peut effectivement faire et ce qu'elle ne pourra pas faire — du moins dans l'état actuel des technologies — il existe un écart considérable. Un écart que la plupart des organisations découvrent trop tard, après avoir investi dans des outils qui ne livrent qu'une fraction de la valeur attendue.

Cet article adopte un positionnement délibérément prospectif : cartographier les limites d'aujourd'hui avec précision, identifier les avancées déjà disponibles, et proposer le modèle hybride qui permet d'agir efficacement — maintenant.

Qu'est-ce qu'un savoir tacite ? — Définition de référence

Le savoir tacite est une connaissance que son détenteur maîtrise sans pouvoir l'exprimer complètement par des mots ou des procédures. Concept formalisé par le philosophe Michael Polanyi dans les années 1960 — résumé par sa formule célèbre : « nous savons plus que nous ne pouvons dire » — et opérationnalisé en management par Ikujiro Nonaka et Hirotaka Takeuchi (1995).

Il se distingue du savoir explicite (documentable, transmissible par écrit) par son caractère contextuel, incorporé et souvent inconscient. Un commercial senior qui « sent » qu'un client va partir avant que les indicateurs ne le montrent, un ingénieur qui sait exactement jusqu'où forcer une machine sans déclencher une panne, un DRH qui devine les tensions dans une équipe avant qu'elles n'éclatent : voilà des savoirs tacites.

Selon la littérature de knowledge management, 80 à 90 % du savoir organisationnel demeure tacite — propriété des personnes, seulement partiellement documenté.

                  80 à 90 %                                              39%                                               7 cas

        du savoir organisationnel.                   des compétences actuelles.          d'application IA analysés en 

 demeure tacite et non documenté.                obsolètes d'ici 2030                             France et en Suisse

    Bassetti Group/Duperrin 2026.                 World Economic Forum 2025.             OpenScience.fr, 2025

1. Ce que l'IA peut faire — et fait déjà bien

Quelles sont les capacités réelles de l'IA en matière de gestion des savoirs ?

Il serait aussi inexact de surestimer l'IA que de la sous-estimer. Sur certains périmètres, elle apporte une valeur ajoutée réelle et mesurable.

Structuration et nettoyage des savoirs explicites

Les bases de connaissances traditionnelles souffrent chroniquement de redondances, d'obsolescence et de manque de pertinence. L'IA générative résout ces problèmes efficacement : analyse sémantique des documents, identification des doublons, mise à jour automatique, suggestion de liens entre contenus. C'est le périmètre où le retour sur investissement est le plus immédiat et le plus documenté.

Détection de patterns dans les décisions passées

En analysant des historiques de décisions, de tickets, d'échanges ou de résolutions de problèmes, l'IA peut identifier des schémas récurrents dans les prises de décision d'un expert — et les formaliser en ressources structurées. C'est ce que font déjà des outils comme Automation

Anywhere ou certaines plateformes de process mining.

Facilitation des entretiens de capture

L'IA peut jouer un rôle de « socraticien augmenté » : poser les bonnes questions à un expert, détecter les incohérences dans ses explications, reformuler ses réponses pour en extraire la structure sous-jacente. C'est ce que les chercheurs d'OpenScience.fr appellent la « maïeutique assistée par l'IA » — une approche prometteuse, déjà testée sur 7 cas d'application en France et en Suisse.

Personnalisation de la diffusion des savoirs

Une fois les savoirs formalisés, l'IA peut adapter leur restitution au profil de chaque collaborateur — niveau d'expertise, contexte métier, historique d'interaction. Newsletters personnalisées, suggestions contextuelles, accès intelligent aux ressources : c'est le Knowledge Management de 2026, tel que le décrit SoDoc dans son panorama annuel. 

2. Les quatre limites structurelles de l'IA — ce qu'elle ne fera pas

Quelles sont les limites fondamentales de l'IA face aux savoirs tacites ?

Le Panorama IA 2026, publié conjointement par la French Tech, Vivatech et le cabinet Eleven, est explicite : aucune combinaison de LLM, de RAG, de fine-tuning ou de modèles spécialisés ne permet, par elle-même, de capter ce qui fait marcher un processus dans la pratique. Ces briques retrouvent des contenus, des formats et des règles explicites — mais pas les exceptions, les arbitrages et les conventions non écrites.

Limite 1 — L'intelligence de situation

L'IA capte des contenus, des échanges, des procédures, parfois des fragments de raisonnement. Elle ne capte pas l'intelligence de la situation — cette capacité à savoir quoi faire, quand, avec qui, et de quelle manière, dans un contexte précis chargé d'antécédents et de contraintes non formulées.

Exemple concret : Un directeur commercial expérimenté qui décide de ne pas relancer un client pendant trois semaines parce qu'il « sent » que ce n'est pas le bon moment — cette décision repose sur une lecture de signaux faibles que ni un CRM ni une IA ne peuvent capturer à partir des données disponibles.

Limite 2 — Les savoirs tacites inconscients

Une part significative du savoir tacite est inconsciente : son détenteur ne sait pas qu'il sait. Il ne peut donc pas le verbaliser, même s'il est interrogé avec les meilleures questions du monde. L'IA ne peut capturer que ce que l'expert peut exprimer — elle bute sur le même mur que n'importe quel dispositif de knowledge management.

Exemple concret : La recherche publiée sur OpenScience.fr (2025), basée sur 7 cas terrain, l'identifie comme l'un des deux obstacles majeurs à la pérennisation des savoirs tacites dans les projets IA — avec des enjeux d'interprétabilité et de biais cognitifs.

Source : OpenScience.fr, 2025 : Duperrin.com, juin 2026

Limite 3 — La résistance des experts

La capture des savoirs tacites peut ne pas être souhaitée par les acteurs métier. Un expert dont le savoir est capturé et formalisé peut percevoir cette démarche comme une menace sur son irremplaçabilité — et donc sur sa position dans l'organisation. L'IA ne résout pas ce problème : elle l'amplifie parfois.

Exemple concret : La même étude OpenScience.fr souligne que la capture peut « introduire une intermédiation empêchant le développement ultérieur des savoirs tacites issus de l'expérience du réel ». Autrement dit : trop capturer peut stériliser l'apprentissage organisationnel.

Source : OpenScience.fr, 2025

Limite 4 — Les hallucinations et la confiance

Dans des contextes sensibles ou réglementés — industrie, santé, finance — le risque d'hallucinations de l'IA constitue un frein majeur à l'adoption. Une base de connaissances qui restitue des informations incorrectes avec assurance est plus dangereuse qu'une absence de documentation.

Exemple concret : Bassetti Group le formule clairement dans son analyse IA & Knowledge Management : les hallucinations restent l'un des principaux obstacles à l'adoption de l'IA dans les organisations qui gèrent des connaissances critiques.

Source : Bassetti Group, 2025

3. Ce que la recherche nous dit sur l'avenir proche

L'IA va-t-elle surmonter ces limites dans les prochaines années ?

Partiellement. Les chercheurs identifient plusieurs pistes prometteuses — sans qu'aucune ne constitue une solution complète à court terme.

Le modèle GenAI SECI

Des chercheurs d'ArXiv (2026) ont proposé une évolution du modèle SECI de Nonaka intégrant l'IA générative comme facilitateur de la conversion des savoirs — notamment pour accélérer le passage du tacite à l'explicite. Cette approche reste expérimentale mais ouvre des perspectives réelles pour les organisations disposant de données comportementales riches.

La maïeutique augmentée

L'approche la plus opérationnelle à court terme : utiliser l'IA pour structurer et enrichir les entretiens d'experts, pas pour les remplacer. En posant des questions de relance, en détectant les zones floues, en reformulant les réponses, l'IA amplifie la capacité humaine d'extraction — sans prétendre y substituer son propre jugement.

Le jumeau numérique de l'expert

Encore expérimental, le concept de « digital twin » de l'expert vise à créer un modèle computationnel qui simule les comportements décisionnels d'un expert à partir de ses historiques.

Des travaux de recherche publiés en 2023-2024 (Inoue, Nishimura & Uchihira) explorent cette voie dans des contextes industriels et de soins.

Les communautés de pratique augmentées par l'IA

Le Knowledge Management de 2026 converge vers un modèle hybride : des communautés humaines de partage de savoirs, amplifiées par des outils IA qui facilitent la connexion entre porteurs de savoirs complémentaires, la détection de besoins non exprimés, et la circulation des connaissances implicites à travers des formats adaptés à chaque profil.

4. Le modèle hybride — la seule réponse opérationnelle

Quelle est la bonne approche pour capturer les savoirs tacites en entreprise en 2026 ?

"La connaissance tacite ne se capte pas par défaut. Elle se construit, se structure, se transmet avec méthode, rigueur et regard humain."

 TAKOMA, cabinet de knowledge management, juin 2026

Le modèle efficace n'est pas IA versus humain. C'est IA et humain, chacun sur son périmètre de compétence réelle.

____________________________________________________________________________________

                          CE QUE L'IA FAIT MIEUX                                                      CE QUE L'HUMAIN FAIT MIEUX

____________________________________________________________________________________

                     Structurer et nettoyer                                                      Lire l'intelligence de situationl.                                                 ,                     les savoirs explicites.   

                     Détecter les paterns                                                                 Verbaliser les savoirs                                                  ,                  dans les décisions âssées                                              inconscients ( avec accompagnement  

                 Personnaliser la restitution                                                         Juger de la pertinence.                                  ,    ,                  des savoirs documentés                                                            contextuelle d'un savoir 

                  Maintenir et mettre à jour                                                          Transmettre par l'exemple,                                ,                les bases de connaissance                                                     le compagnonnage, le mentorat   

Comment déployer ce modèle hybride concrètement ?

Trois étapes structurantes, dans l'ordre :

Étape 1 — Cartographier avant de capturer

Identifier les porteurs de savoirs critiques (compétences rares, relations clés, rôles pivot) et les savoirs à risque de disparition dans les 24 mois. L'IA peut contribuer à cette cartographie en analysant les données RH, les organigrammes et les historiques de projets — mais la qualification  finale reste humaine.

Étape 2 — Organiser des entretiens de capture structurés

Le mentorat et les entretiens guidés restent les dispositifs les plus efficaces pour faire émerger les savoirs tacites verbalisables. L'IA peut enrichir ces sessions : transcription en temps réel, détection des zones non explicitées, génération de questions de relance, structuration automatique des livrables post-entretien.

Étape 3 — Construire une base de connaissances vivante

Les savoirs capturés doivent être intégrés dans une base accessible, maintenue et mise à jour en continu. C'est ici que l'IA apporte sa valeur maximale : organisation sémantique, restitution personnalisée, détection de lacunes, mise à jour automatique au fil des nouvelles décisions documentées.

Ce que Terra Nexio retient de cette analyse

L'IA est un outil puissant pour le knowledge management. Elle n'est pas une solution complète pour les savoirs tacites — et prétendre le contraire expose les organisations à des déceptions coûteuses.

Les limites à retenir :

• Elle ne capte pas l'intelligence de situation — le cœur du savoir expert

• Elle bute sur les savoirs inconscients — ceux que l'expert lui-même ne sait pas formuler

• Elle amplifie les erreurs quand la base documentaire est pauvre ou incohérente

• Elle ne crée pas la confiance nécessaire à la transmission volontaire

La bonne question n'est pas « l'IA peut-elle capturer nos savoirs tacites ? ». C'est : « comment organisons-nous la collaboration entre l'IA et nos dispositifs humains de transmission pour maximiser ce que nous préservons ? »

Le mentorat intergénérationnel structuré reste, en 2026, le dispositif le plus efficace pour transmettre ce que l'IA ne peut pas encore capturer. L'IA, elle, est le