Manent s'appuie sur la science

Chaque extrait indexé porte son localisateur (fichier, section, page — jusqu'au timecode d'une vidéo) dès l'extraction, jamais reconstruit après coup. Chaque réponse affiche ses sources et ouvre l'original à la page citée.

Ancrer la génération dans des documents récupérés (retrieval-augmented generation) réduit les erreurs factuelles et rend chaque réponse vérifiable par un humain.

Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS.

Chaque réponse est décomposée en affirmations, et chacune est vérifiée contre les sources citées. Une affirmation non appuyée est signalée — jamais maquillée.

Les modèles de langage produisent des énoncés plausibles mais parfois non fondés — un risque documenté par la recherche, qui impose une vérification indépendante de la génération. Une étude de 2026 (DELEGATE-52, Microsoft Research) montre que même les meilleurs modèles déforment silencieusement des documents sur de longues tâches — ce qui rend cette vérification, à chaque réponse, indispensable.

Ji, Z. et al. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys.
Laban, P. et al. (2026). LLMs Corrupt Your Documents When You Delegate (DELEGATE-52). Microsoft Research.

Chaque réponse est classée : extraite mot à mot de vos documents, synthèse marquée comme interprétation, questions de précision, ou constat honnête de angle mort documentaire. Un contenu de sécurité n'est jamais reformulé — il est cité tel qu'écrit.

Un système de prédiction fiable doit pouvoir s'abstenir quand sa confiance est insuffisante (classification sélective); les modèles portent un signal de confiance qui peut être exploité à cette fin. À l'inverse, un modèle qui ne sait pas s'arrêter dérive en silence — c'est le mécanisme mis en évidence par DELEGATE-52.

El-Yaniv, R. & Wiener, Y. (2010). On the Foundations of Noise-free Selective Classification. Journal of Machine Learning Research.
Kadavath, S. et al. (2022). Language Models (Mostly) Know What They Know.
Laban, P. et al. (2026). LLMs Corrupt Your Documents When You Delegate (DELEGATE-52). Microsoft Research.

Chaque question interroge à la fois un index lexical et un index sémantique, fusionnés puis reclassés — le code « RR42 » exact et « la machine fait un bruit bizarre au démarrage » trouvent tous deux leur page.

Le cadre probabiliste BM25 reste l'un des fondements les plus robustes de la recherche documentaire; le combiner à la recherche sémantique couvre les deux familles de questions du terrain.

Robertson, S. & Zaragoza, H. (2009). The Probabilistic Relevance Framework: BM25 and Beyond. Foundations and Trends in Information Retrieval.

Aucune fiche de connaissance ne devient officielle sans l'approbation de VOS experts. Chaque publication est réversible — une fiche retirée disparaît des réponses immédiatement.

Les lignes directrices d'interaction humain-IA recommandent de garder le contrôle humain sur les actions à conséquence et d'offrir des corrections efficaces et réversibles.

Amershi, S. et al. (2019). Guidelines for Human-AI Interaction. ACM CHI.

Quand la documentation ne répond pas, la conversation devient un brouillon de fiche structurée (symptôme, cause, correctif) soumis à validation. Le savoir de vos meilleurs devient un écrit — et les écrits demeurent.

Le savoir organisationnel critique est largement tacite : il vit dans la tête des experts et se perd avec les départs s'il n'est pas explicité et structuré.

Nonaka, I. & Takeuchi, H. (1995). The Knowledge-Creating Company. Oxford University Press.
DeLong, D. W. (2004). Lost Knowledge: Confronting the Threat of an Aging Workforce. Oxford University Press.

De l'inventaire d'arrivée (chaque fichier, son statut, son devis) au rapport d'audit, chaque document, extrait et réponse est traçable. Rien n'entre ni ne sort du système sans trace.

La crédibilité d'une synthèse repose sur la traçabilité de chaque élément vers sa source — la discipline que PRISMA 2020 impose aux revues scientifiques, appliquée ici à la documentation technique.

Page, M. J. et al. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ.

Trois scénarios (prudent, typique, favorable), chaque hypothèse visible et ajustable, et des signaux mesurés sur votre corpus. Après le démarrage, le rendement réel mesuré en usage remplace la projection.

Structure inspirée des principes publics de la méthodologie Total Economic Impact™ de Forrester — bénéfices ajustés au risque, hypothèses transparentes (texte public : forrester.com/policies/tei). Manent n'est ni affilié à, ni endossé par Forrester.
McKinsey Global Institute (2012). The Social Economy. Les « interaction workers » — gestionnaires, ingénieurs, professionnels et personnel administratif — passent près de 20 % de leur semaine à chercher de l'information interne ou la personne qui sait; une base de savoir cherchable peut en récupérer jusqu'à 35 %, soit environ 6 % de la semaine rendus à des tâches à valeur.

Un espace isolé par client (vos données ne croisent jamais celles d'un autre), des rôles hiérarchiques, un journal d'événements, et la recherche comme l'effacement des renseignements d'une personne sur demande.

Le cadre québécois de protection des renseignements personnels : consentement, minimisation, droit à l'effacement, responsabilité démontrable.

Loi 25 (LQ 2021, c. 25) — Loi modernisant des dispositions législatives en matière de protection des renseignements personnels, Québec. Texte officiel sur LégisQuébec; toutes les dispositions sont en vigueur depuis septembre 2024. Information générale — pas un avis juridique.

L'assistant suit le technicien sur mobile : question dictée, réponse sourcée, fiche guidée une question à la fois. Les lunettes de réalité augmentée se préparent — le téléphone reste le cerveau, les lunettes un affichage.

L'assistance en contexte de tâche, mains occupées, est un axe documenté depuis l'origine de la réalité augmentée industrielle.

Caudell, T. P. & Mizell, D. W. (1992). Augmented Reality: An Application of Heads-Up Display Technology to Manual Manufacturing Processes. IEEE HICSS.