L'IA ne manque pas de connaissances — elle manque de contexte fiable

Récemment, OpenAI a annoncé que ChatGPT for Healthcare peut se connecter au système de dossiers médicaux électroniques Epic, et accéder via des plugins à des sources de données médicales officielles comme PubMed, ClinicalTrials.gov et DailyMed.

Cela signifie que l'IA ne répond plus seulement à des questions médicales générales. Avec les autorisations adéquates, elle peut combiner les consultations d'un patient, ses résultats d'analyses, ses changements de traitement et les avis des médecins pour aider le personnel soignant à organiser l'information — et pointer vers les dossiers originaux qui étayent chaque conclusion.

Lien de l'article : OpenAI : ChatGPT can now connect to healthcare sources

Cette nouvelle m'a rappelé que les grands modèles d'aujourd'hui ne manquent en fait plus vraiment de connaissances générales.

Un modèle peut expliquer ce qu'est le diabète — et aussi ce que sont la trésorerie, la TVA ou les comptes clients. Mais il ne sait pas ce qui s'est passé lors de la dernière analyse du patient qui se trouve devant lui, ni de quel client provient exactement tel paiement reçu le mois dernier par l'entreprise qui se trouve devant lui.

Ce qui limite vraiment la valeur de l'IA, ce n'est souvent pas qu'elle sache trop peu — c'est qu'elle ne comprend pas l'objet réel qu'elle traite à l'instant.

L'IA ne manque pas de connaissances. Elle manque de contexte fiable.

Dans le domaine médical, ce contexte comprend les dossiers électroniques, les résultats d'analyses, l'historique des traitements et les références médicales faisant autorité.

Dans la finance d'entreprise, il comprend les transactions bancaires, les factures, les reçus, les contrats, les informations sur les clients et fournisseurs, les traitements comptables historiques, ainsi que les règles fiscales et comptables du pays où l'entreprise opère.

Sans ce contexte, aussi intelligent soit le modèle, il ne peut donner que des réponses générales.

Il peut expliquer à une entreprise ce qu'est la TVA — mais il ne peut pas juger si cette facture précise doit facturer la TVA. Il peut expliquer comment une catégorie de dépenses est habituellement comptabilisée — mais il ne sait pas si ce paiement est une dépense professionnelle, une dépense personnelle ou un prêt d'actionnaire. Il peut décrire des méthodes de gestion de trésorerie — mais il ne sait pas quels paiements l'entreprise doit effectuer la semaine prochaine.

C'est aussi la différence fondamentale entre SnapLedger et un chatbot généraliste.

Ce que SnapLedger doit faire, ce n'est pas seulement se brancher sur un modèle plus puissant, mais relier les informations réelles dispersées en différents endroits : les transactions du compte bancaire, les reçus photographiés au téléphone, les factures reçues par e-mail, les documents conservés dans My Vault, les livres déjà constitués — et les règles concrètes qui s'appliquent à cette entreprise.

Ce n'est que lorsque ces informations forment un contexte fiable et continuellement mis à jour que Snappy peut vraiment comprendre :

À quelle facture correspond probablement cette transaction bancaire ; Quel document attend encore son enregistrement de paiement ; Quelle dépense nécessite une explication de l'utilisateur ; Quel revenu pourrait affecter le seuil d'assujettissement à la TVA ; Et ce que l'utilisateur devrait traiter en priorité à sa prochaine connexion.

Mais « connecter plus de données » n'est pas une fin en soi.

Dans le domaine médical, tout le monde ne devrait pas voir l'intégralité d'un dossier. De même, en finance, tout agent, employé ou prestataire externe ne devrait pas avoir accès à toutes les informations d'une entreprise.

Un contexte fiable doit remplir plusieurs conditions à la fois : la source des données est claire, les identités sont vérifiées, les permissions sont contrôlées, et chaque conclusion peut être retracée jusqu'à la preuve originale.

C'est pourquoi SnapLedger effectue un owner check après le téléversement des documents — pour éviter autant que possible que les justificatifs de l'un atterrissent dans les livres d'un autre. C'est pourquoi un document, une fois entré dans une relation comptable formelle, ne peut pas être supprimé à volonté. Et c'est pourquoi chaque jugement donné par l'IA doit pouvoir renvoyer à la facture, à la transaction bancaire et à la règle applicable concernées.

L'écart de capacités entre les grands modèles pourrait se réduire à l'avenir — mais le contexte d'entreprise n'en deviendra pas moins important.

Bien au contraire : plus les modèles se banalisent, plus la partie vraiment précieuse viendra probablement des structures de données, des relations d'affaires, des systèmes de règles et des flux de travail qu'une entreprise a accumulés dans la durée.

Je crois de plus en plus que la compétition entre SaaS AI-native ne porte pas seulement sur qui se branche sur le modèle le plus fort.

Plus important encore : qui sait organiser des informations dispersées en un contexte fiable — puis laisser l'IA, sous les bonnes permissions et les bonnes règles, transformer ce contexte en action.

La connaissance permet à l'IA de répondre aux questions. Le contexte fiable permet à l'IA de participer vraiment au travail.