Agents documentaires : 1. Définir la stratégie
Dans ma page Docs-as-data, j'ai présenté une approche selon laquelle la documentation doit de plus en plus être considérée comme une source de connaissances à la fois pour les humains et pour les systèmes d'IA.
Cela change notre façon de penser la documentation.
La documentation n'est plus seulement un contenu que les utilisateurs parcourent, recherchent et lisent. Elle peut aussi devenir une source de connaissances que les systèmes d'IA interrogent, analysent, comparent, synthétisent et transforment en nouveaux services.
Les agents documentaires s'inscrivent naturellement dans cette approche.
Ils peuvent offrir une nouvelle façon d'interagir avec une documentation ou une base de connaissances : les utilisateurs peuvent poser des questions en langage naturel, retrouver des informations provenant de plusieurs sources, obtenir une réponse consolidée, être guidés pas à pas ou recevoir une assistance directement à partir des connaissances documentées.
Les agents peuvent aussi agir dans l'autre sens : ils peuvent aider les équipes de documentation à analyser et améliorer le corpus lui-même en détectant les contenus dupliqués, les incohérences terminologiques, les informations obsolètes ou d'autres problèmes de qualité.
L'objectif n'est pas de mettre de l'IA partout, ni de déléguer entièrement la documentation à l'IA.
Il s'agit d'utiliser l'IA là où elle peut fournir un service documentaire supplémentaire et clairement identifiable.
La question de départ n'est donc pas : « Quel outil ou modèle d'IA dois-je utiliser ? »
Mais plutôt :
En tant qu'experte en documentation, quel service ai-je envie de proposer aux utilisateurs à partir des connaissances déjà disponibles ?
C'est le point de départ pour concevoir un agent documentaire dans une approche docs-as-data.
Les agents documentaires partent de problèmes documentaires
Depuis plusieurs années, je travaille sur de vastes écosystèmes documentaires, hétérogènes et distribués.
Les outils et les environnements techniques évoluent, mais bon nombre des problèmes suivants reviennent régulièrement :
- onboarding difficile ;
- vocabulaire trop vaste ou incohérent ;
- contenus dupliqués ou qui se recouvrent ;
- informations difficiles à retrouver ;
- contenus difficiles à consolider à partir de plusieurs sources ;
- questions récurrentes adressées au support ;
- FAQ incomplètes ou peu efficaces ;
- pages anciennes ou archivées qui contiennent encore des connaissances utiles ;
- documentation produite par différentes équipes selon des pratiques différentes.
Une mission récente m'a donné l'occasion de travailler sur une base de connaissances Confluence présentant exactement ces caractéristiques : volumineuse, hétérogène, collaborative et couvrant plusieurs ensembles de documentation technique.
Ce n'était pas un cas isolé. J'avais déjà travaillé auparavant sur des écosystèmes documentaires multi-formats, multi-auteurs et multi-outils présentant des problématiques similaires.
Cette expérience a renforcé une idée que j'avais déjà rencontrée à plusieurs reprises :
Les problèmes documentaires récurrents peuvent souvent être regroupés en besoins identifiables, et certains de ces besoins peuvent être pris en charge ou augmentés par des agents spécialisés.
Le point important est que l'élaboration de l'agent vienne après l'identification du problème.
Un agent ne doit pas être créé simplement parce que la technologie existe.
Stratégie : adapter l'agent aux besoins et aux usages
Un agent documentaire utile ne commence pas par le choix d'un modèle ou d'une plateforme.
Il commence par :
- un besoin documenté
- une audience
- un domaine de connaissances
- un service à fournir
- un bénéfice attendu
L'agent ne rend pas non plus la documentation d'origine invisible ou inutile.
Les utilisateurs doivent toujours pouvoir parcourir la documentation, suivre des liens, utiliser la navigation, effectuer des recherches par mots-clés et lire des procédures complètes ou des explications conceptuelles.
L'agent fournit un mode d'interaction supplémentaire.
Par exemple, au lieu de devoir savoir quelle page ouvrir ou quel mot-clé précis rechercher, un utilisateur peut poser une question en langage naturel et recevoir une réponse assemblée à partir de plusieurs sources pertinentes.
L'un des agents que j'ai conçus, le Documentation Intelligence Assistant, suivait ce type d'approche proche du RAG : il récupérait des informations pertinentes dans un corpus Confluence défini avant de les consolider dans une réponse structurée et sourcée.
Cette distinction est importante.
La valeur ne vient pas seulement de la génération d'une réponse. Elle vient du fait que cette réponse s'appuie sur une base de connaissances identifiée.
Concevoir un agent documentaire est d'abord un exercice de stratégie documentaire.
Dans mon cas, cette stratégie a finalement conduit à un écosystème de quatre agents spécialisés travaillant sur une partie définie de la base de connaissances Confluence. Ils ont été conçus pour fonctionner indépendamment et, potentiellement, être coordonnés par un orchestrateur.
Ce travail combinait architecture documentaire, stratégie documentaire, connaissance du domaine, compréhension du corpus existant et connaissance des besoins utilisateurs.
Une base de connaissances, plusieurs services documentaires
Une même base de connaissances peut répondre à des besoins utilisateurs très différents.
Certains de ces services existent déjà à travers la documentation elle-même : navigation, recherche, tutoriels, pages conceptuelles, FAQ, guides de dépannage, glossaires.
Un agent peut augmenter ces services.
Il peut aussi créer de nouvelles façons d'exploiter les mêmes connaissances documentées.
| Besoin documentaire 🠊 | 🠊 Service de l'agent |
|---|---|
| Trouver une information | Poser des questions en langage naturel, interroger plusieurs sources, synthétiser |
| Accompagner l'onboarding et la formation | Expliquer des concepts, guider les utilisateurs, suggérer des contenus ou parcours d'apprentissage pertinents |
| Maintenir la qualité du contenu | Détecter les doublons, recouvrements, incohérences ou contenus obsolètes |
| Normaliser les connaissances | Identifier les variantes terminologiques, acronymes, synonymes et incohérences de nommage |
| Améliorer le support | Générer des réponses contextualisées, Q&A, procédures, étapes de dépannage ou recommandations d'escalade |
| Améliorer l'adoption du produit | Rendre la documentation plus facile à interroger, comprendre et appliquer |
Ces services ne sont pas universels.
Chaque base de connaissances possède sa propre structure, son historique, ses audiences, son modèle de responsabilité, sa terminologie et son niveau de maturité documentaire.
Il n'existe donc pas d'agent documentaire standard que l'on pourrait simplement copier d'une organisation à une autre.
L'agent doit être adapté à l'environnement de connaissances dans lequel il va fonctionner.
Des services aux bénéfices
Définir ce que fait l'agent n'est qu'une partie de l'exercice.
La question suivante est :
Qu'est-ce que l'utilisateur — et l'organisation — retirent de ce service ?
Un agent utile doit produire un bénéfice mesurable ou, au minimum, observable.
| Service de l'agent 🠊 | 🠊 Bénéfice attendu |
|---|---|
| Recherche en langage naturel | Moins de temps passé à chercher l'information |
| Synthèse multi-sources | Compréhension plus rapide de connaissances complexes ou distribuées |
| Onboarding guidé | Apprentissage plus rapide et plus grande autonomie des utilisateurs |
| Détection des doublons et incohérences | Maintenance plus simple et moins de sources contradictoires |
| Normalisation terminologique | Meilleure compréhension entre équipes et audiences |
| Support contextualisé | Résolution plus rapide des problèmes et potentiellement moins de demandes répétitives au support |
| Réponses sourcées | Plus grande confiance dans les informations fournies |
| Q&A et procédures interactives | Meilleur accès aux connaissances au moment où elles sont nécessaires |
Ces bénéfices prennent des formes différentes selon l'audience.
-
Pour les utilisateurs, ils se traduisent principalement par un accès plus rapide aux connaissances, davantage d'autonomie, une navigation plus facile dans une terminologie complexe et une plus grande confiance dans les réponses obtenues.
-
Pour les équipes de documentation, les agents peuvent révéler les zones faibles du corpus, mettre en évidence les doublons ou incohérences, identifier les lacunes récurrentes et fournir de nouvelles entrées pour l'amélioration continue.
-
Pour l'organisation, le bénéfice plus global est une meilleure réutilisation des connaissances existantes : onboarding plus rapide, support plus efficace, meilleur partage des connaissances et meilleure adoption du produit, ainsi qu'une utilisation renforcée de la documentation comme actif de connaissance partagé et source de vérité potentielle.
C'est là que la valeur de l'IA agentique devient particulièrement intéressante pour la documentation.
La documentation n'est plus seulement une collection passive de pages.
Elle devient une composante d'un système actif de connaissances capable de répondre, guider, analyser et assister.
Se spécialiser plutôt que construire un agent généraliste
Au lieu de créer un agent généraliste censé répondre à tous les besoins documentaires, j'ai choisi de répartir les besoins entre plusieurs agents spécialisés.
La spécialisation permet de :
- donner à chaque agent un rôle clair ;
- associer l'agent à un usage précis ;
- réduire les recouvrements inutiles ;
- définir des limites plus précises ;
- contrôler la quantité et le type de connaissances traitées ;
- faciliter une future orchestration.
Chaque agent a été conçu en réponse à un problème observé lors de l'audit documentaire.
Cela conduit à un principe important :
L'agent ne doit pas précéder le besoin. Il doit être conçu pour un usage identifié.
J'ajouterais deux critères.
Le besoin doit être :
- réel et observable ;
- suffisamment durable pour justifier la création et la maintenance d'un agent.
Dans mon cas, cela a conduit à quatre fonctions complémentaires :
- Retrouver & synthétiser — trouver et comprendre l'information.
- Analyser & nettoyer — détecter les doublons et recouvrements, et suggérer des possibilités de consolidation.
- Normaliser & gouverner le sens — contribuer à une terminologie contrôlée et à un vocabulaire partagé.
- FAQ & support utilisateur — transformer une documentation statique en un service de support plus interactif.
Comme la base de connaissances était hébergée dans Confluence, j'ai implémenté ces fonctions au moyen d'agents Rovo dans ce projet.
La technologie a suivi la stratégie documentaire — et non l'inverse.
Poursuivez avec l'étape 2 : Concevoir l'architecture.
© Autrice : Florence Venisse, Experte en documentation technique & IA – Première version datée du 12 septembre 2026