eGain retrace l'histoire de l'IA et de la gestion des connaissances

L'évolution de l'intelligence artificielle (IA) et de la gestion des connaissances (Knowledge Management, KM) a connu des cycles récurrents où des investissements substantiels et des visions ambitieuses se sont heurtés aux défis de la mise en œuvre. Dans un article de blog, eGain Corporation analyse des leçons historiques pertinentes pour le boom actuel de l'IA.

Dans les années 1980, les entreprises ont massivement investi dans l'IA, en particulier dans les systèmes experts conçus pour capturer et déployer des connaissances spécialisées. Parmi les exemples notables, citons le système DELTA de GE pour le diagnostic des locomotives et le XCON de Digital Equipment Corporation pour la configuration des systèmes informatiques. Le raisonnement basé sur des cas (Case-Based Reasoning, CBR) est également apparu comme une méthode pour résoudre de nouveaux problèmes en adaptant des solutions issues de cas antérieurs similaires.

Plus tard, à la fin des années 1980 et dans les années 1990, la gestion des connaissances (KM) a émergé avec des objectifs plus larges visant à capturer toutes les connaissances organisationnelles, y compris les documents, les processus et le savoir tacite. L'objectif était d'améliorer le partage et l'utilisation des connaissances au sein des entreprises. Des plateformes ont été développées pour les référentiels de connaissances et la collaboration, parallèlement à l'accent mis sur les changements culturels pour favoriser des environnements de partage des connaissances.

Malgré ces ambitions, de nombreuses initiatives d'IA et de KM ont rencontré des obstacles. Les limitations techniques, telles que la fragilité des systèmes experts et les difficultés de récupération dans les systèmes CBR, associées à des coûts de développement exorbitants et à des difficultés de preuve du retour sur investissement (ROI), ont freiné les progrès. Des argumentaires commerciaux trop optimistes ont également conduit à la désillusion lorsque les systèmes n'ont pas produit de résultats transformateurs. Au sein de la KM, le savoir tacite s'est révélé particulièrement difficile à capturer, et la mise à jour des connaissances ainsi que l'efficacité de la recherche sont restées insuffisantes.

Ces expériences historiques fournissent des aperçus précieux pour le développement actuel de l'IA. eGain Corporation suggère qu'il est crucial de comprendre à la fois les promesses et les défis de mise en œuvre des technologies passées afin d'éviter des pièges similaires et de bâtir des solutions durables et créatrices de valeur.