Découvrez toutes les newsletters thématiques gratuites d'Archimag dédiées aux professionnels de la transformation numérique, des bibliothèques, des archives, de la veille et de la documentation.
Le déploiement massif des systèmes d’intelligence artificielle générative (GenIA) dans les organisations pose, avec une acuité nouvelle, une question que les records managers, archivistes et documentalistes connaissent par cœur : comment garantir qu’une information produite aujourd’hui sera encore compréhensible, vérifiable et exploitable demain ? La réponse, les professionnels de l’information la portent depuis des décennies dans leurs référentiels, leurs plans de classement et leurs politiques de conservation. Et il est temps de la transposer au monde de l’IA.
Une IA sans mémoire documentaire
Depuis 2022 et l’irruption des grands modèles de langage (LLM) dans le quotidien professionnel, une réalité s’impose : les interactions avec ces systèmes ne laissent, par défaut, presque aucune trace exploitable. Un analyste soumet un prompt complexe à un assistant IA, obtient une réponse qui oriente une décision stratégique, et, trois semaines plus tard, personne n’est capable de reconstituer le contexte exact de cet échange, la version du modèle utilisée, ni même le détail précis de la question posée.
Lire aussi : Comment surveiller les biais algorithmiques des modèles d’IA ?
Les experts en records management identifient dans cette lacune un déjà-vu troublant. Dans les années 1990, l’essor de la messagerie électronique avait créé exactement le même vide : des millions de décisions prises par e-mail, hors des circuits documentaires officiels, sans politique de conservation ni qualification juridique. Il a fallu une décennie de travail normatif pour combler ce fossé. Le chantier de gouvernance de l’IA s’annonce d’une ampleur comparable.
Le "lineage" des prompts
Un prompt n’est pas un simple message. C’est le résultat d’une intention, d’un contexte métier, d’une version de modèle et d’une longue série d’itérations. Le prompt engineering reconnaît que la formulation d’une requête est une compétence documentaire à part entière : elle encode des hypothèses, délimite un périmètre, oriente une réponse. Ne pas conserver cette formulation avec ses métadonnées, c’est perdre une information fondamentale sur la genèse de tout contenu produit en aval.
Les métadonnées essentielles du prompt
Par analogie avec les normes Iso 23081, on peut définir un ensemble minimal de métadonnées à associer à chaque prompt archivé :
- identifiant unique du prompt (UUID ou hash cryptographique),
- horodatage précis (date, heure, fuseau horaire),
- identité de l’auteur (avec gestion des droits et des rôles),
- version exacte du modèle sollicité (nom, numéro de version, fournisseur),
- paramètres de configuration (température, top-p, longueur maximale, etc.),
- contexte applicatif (système utilisé, intégration métier concernée),
- finalité déclarée (usage prévu de la réponse),
- référence aux documents sources éventuellement soumis au modèle (Rag).
Le prompt comme unité documentaire
Faut-il considérer le couple prompt-réponse comme une unité documentaire à part entière ? De plus en plus ! Dans un contexte réglementé, toute décision assistée par IA doit pouvoir être justifiée. Cela suppose de produire non seulement la réponse fournie, mais aussi la question posée, le moment où elle l’a été, et avec quel outil.
Des organisations ont déjà mis en place des référentiels de prompts approuvés, versionnés et documentés, sur le modèle des référentiels de requêtes SQL ou des bibliothèques de templates documentaires. Des outils dédiés apparaissent, comme Langfuse, Agenta, Maxim AI ou encore Humanloop.
L’archivage des réponses : authenticité, intégrité et durabilité
Si la gestion des prompts commence à susciter de l’intérêt, l’archivage des réponses reste un chantier largement sous-estimé. Les enjeux sont considérables : une réponse générée par un LLM en 2026 pourrait être contestée, citée en justice ou réévaluée à l’aune de nouvelles connaissances en 2030. Sera-t-il encore possible, à cette date, de déterminer ce que le modèle a produit, dans quel état de sa base d’entraînement et avec quelle probabilité ?
Lire aussi : Le document est mort ! Vive le document !
En archivistique, l’authenticité d’un document garantit qu’il est bien ce qu’il prétend être. Pour les sorties d’IA, cette garantie est structurellement problématique : un texte généré par un LLM ne porte aucune signature intrinsèque, ne contient aucun marqueur natif permettant de l’identifier comme tel a posteriori et peut être modifié sans trace visible. Les solutions envisagées empruntent directement à l’arsenal de la dématérialisation documentaire : signature électronique appliquée à la sortie au moment de sa génération, empreinte cryptographique, horodatage qualifié. Ces mécanismes sont transposables aux réponses d’IA.
Durabilité des formats et des contextes d’interprétation
Un second défi concerne la durabilité du contexte d’interprétation. La notion de "paquet d’information archivistique" (AIP), définie par le modèle OAIS (Open Archival Information System), trouve une application directe. Un AIP pour une sortie d’IA devrait encapsuler, au minimum, la réponse brute, les métadonnées du prompt associé, la documentation technique du modèle (sa version, sa date de gel des connaissances, son fournisseur) et une note de contexte explicitant la finalité de l’échange.
Le concept de "dossier d’affaires" (agrégat documentaire regroupant l’ensemble des pièces constitutives d’une transaction ou d’un processus) offre un cadre d’organisation. Dans un workflow assisté par IA, il pourrait regrouper : les prompts initiaux, les réponses intermédiaires, les annotations humaines, les versions révisées et le document final publié. Ce dossier constituerait la preuve complète du processus décisionnel.
Certains éditeurs de plateformes de travail collaboratif commencent à intégrer cette logique : Microsoft Copilot ou Google Gemini for Workspace génèrent des journaux d’activité. Mais ces journaux restent sous le contrôle des fournisseurs, dans des formats propriétaires, sans garantie de conservation à long terme ni d’exportabilité.
Lire aussi : Aligner gouvernance des données et gouvernance de l’IA
Une opportunité pour les professionnels de l’information
Cette politique de gouvernance documentaire de l’IA requiert la contribution active des professionnels de l’information, seuls détenteurs d’une vision systémique intégrant les dimensions juridiques, organisationnelles et temporelles de la conservation :
- le records manager apporte la capacité à construire des référentiels de conservation adaptés aux nouvelles typologies documentaires,
- l’archiviste apporte la connaissance des modèles d’information à long terme et la sensibilité aux enjeux d’interprétabilité future,
- le documentaliste apporte la maîtrise du vocabulaire contrôlé et de l’indexation sémantique, indispensables pour retrouver des prompts dans des référentiels qui pourront en compter des millions.
Certaines organisations précurseurs ont déjà associé ces profils aux équipes de déploiement IA dès la phase de conception. C’est ce qu’il faut généraliser, et vite !
Il serait réducteur de ne voir dans ces enjeux que des contraintes supplémentaires. L’avènement de l’IA générative représente, pour les métiers de l’information, une opportunité de repositionnement stratégique sans précédent depuis l’ère de la dématérialisation.
Pendant deux décennies, les professionnels de la documentation et de l’archivage ont parfois peiné à démontrer leur valeur ajoutée dans des environnements dominés par l’illusion que "tout est sur Google" et que la mémoire organisationnelle se gère d’elle-même. Les organisations réalisent que sans politique de gestion de l’information, les systèmes les plus puissants deviennent des sources de risque plutôt que de valeur.
Le message à adresser aux directions générales est clair : déployer de l’IA sans politique de records management associée, c’est construire sur du sable. Et les architectes du sable, l’histoire de la gestion documentaire les connaît bien…
