Sortir le savoir de la tête des expert·es : un problème vieux de quarante ans (contenu en anglais)

Toute organisation qui a voulu documenter le savoir-faire d’un·e employé·e chevronné·e connaît le problème : l’essentiel de ce qui fait l’expertise ne se raconte pas. Invité·es à décrire des interventions pratiquées des centaines de fois, des chirurgien·nes ont omis 71 % des étapes de connaissance et 73 % des décisions. Même avec les meilleures méthodes, le tiers du savoir reste dans leur tête.

La cause tient à l’expertise elle-même : à force de pratique, le savoir devient automatique, hors de portée de la conscience. Demandez à une clinicienne d’expérience comment elle a su, elle répondra que « ça avait l’air anormal ». L’entretien classique – s’asseoir avec la personne pour lui faire expliquer sa méthode – récolte donc ce qui peut se dire, et laisse dans l’ombre le savoir tacite.

Le problème a quarante ans : en 1984, l’informaticien Edward Feigenbaum le nommait le « goulot d’acquisition des connaissances », celui-là même qui a fait s’effondrer les systèmes experts. Six vagues de solutions ont suivi, toutes butant sur le coût de la captation, la péremption et le jugement qui ne se transmet pas.

D’où un verdict plus nuancé que le discours ambiant : les grands modèles de langage font s’effondrer le coût de la captation. Ils ne changent en revanche rien au problème de l’articulation : le savoir tacite ne devient pas exprimable parce que l’outil qui pose la question est plus habile. S’y ajoute un risque neuf : là où les systèmes experts produisaient des erreurs manifestes, ceux-ci en produisent de fluides et plausibles, plus difficiles à repérer.

À noter : un cas concret de cette captation à partir des traces existantes – en Allemagne, DHL entraîne ses outils d’IA sur ses manuels officiels et demande aux employé·es d’expérience de corriger et de compléter la matière avant leur départ à la retraite, afin de bâtir une mémoire que tout le monde pourra consulter.