KMWorld Europe 2026

1.  L’IA n’est aussi bonne que les connaissances sur lesquelles elle repose

C’était le fil rouge des deux jours de conférence, de la keynote d’ouverture au panel de clôture.

L’IA générative souffre de ce que Ben Clinch CDO, Ortecha) a appelé des « limitations hallucinatoires » : sans une base de connaissances bien structurée et soigneusement sélectionnée, elle peut produire des réponses fausses avec beaucoup d’assurance. Des approches comme l’intelligence neuro-symbolique, les graphes de connaissances ou encore les ontologies agentiques reposent toutes sur la qualité des connaissances en amont.

Noz Urbina (Urbina Consulting) l’a très bien résumé dans sa keynote Managing meaning: designing scalable semantic systems for humans & AI : des faits isolés restent rigides. Ce sont les relations, les graphes contextuels et les couches sémantiques qui rendent le savoir vraiment utile. Quand la structure de l’information correspond à la manière dont les humains pensent et travaillent, tout devient plus fluide. Les systèmes d’IA donnent des réponses compréhensibles plutôt que des résultats opaques, les équipes trouvent plus facilement l’information, et les décisions reposent sur un vrai contexte, pas seulement sur ce qui était accessible par hasard.

Son credo : Value, not volume.

Wesley Blackhurst (Knovari) a complété cette idée dans sa présentation Grounding AI in trustworthy knowledge foundations avec un enjeu très concret. Lorsque les connaissances les plus sensibles d’une organisation ne peuvent pas être utilisées dans des systèmes d’IA, un « trust gap » apparaît. L’IA ne fonctionne alors qu’en surface. La solution n’est pas d’exclure systématiquement ces contenus, mais de mieux les gérer : les identifier, les classifier et contrôler intelligemment ce qui peut être utilisé, et à quel moment.

Introduire l’IA sans avoir d’abord investi dans la structuration des connaissances, les taxonomies et la gouvernance, c’est faire évoluer le chaos à grande échelle, pas la solution.

2.  Le facteur humain n’est pas un sujet secondaire, c’est le cœur du sujet

La première journée a été marquée par des sessions qui ne considéraient pas l’humain comme un simple complément à la technologie, mais comme sa condition de base.

La session sur Human-Centric Data (Jonathan Norman & Donnie MacNicol, Team Animation) a montré pourquoi les métriques classiques passent à côté de l’essentiel : elles mesurent l’usage, rarement la qualité, et presque jamais la valeur. Ce qui fait vraiment fonctionner le partage de connaissances, comme la sécurité psychologique, la confiance ou le sentiment d’appartenance, reste invisible dans la plupart des organisations, et donc difficile à piloter.

L’exemple du Network for Uniformed Women Peacekeepers (Line Holmung Andersen, ONU) avec ses 1’300 membres dans 60 pays, a apporté des principes très concrets pour construire des communautés de savoir : commencer par le sens, pas par la plateforme. Permettre l’anonymat, faciliter le partage au maximum et surtout, privilégier la curation plutôt que l’accumulation.

Dans la session Ethics, trust, and value: navigating AI in knowledge and content , Adriana Whiteley (FT Strategies) a posé une question essentielle : que faut-il protéger dans un monde où l’IA générative peut reproduire les contenus à l’infini, et que choisit-on de rendre accessible ? Transformer le savoir en commodité est un choix stratégique, pas technique. Sonia Ramdhian (CILIP) a présenté le cadre PKSB, aligné sur la norme ISO 30401, comme base structurée pour intégrer l’IA de manière responsable dans les workflows de gestion des connaissances.

Dans un monde où l’IA prend de plus en plus de place, la dimension humaine n’est pas un obstacle à surmonter, c’est le point de départ. L’ignorer, c’est construire sur du sable.

3. Lessons learned et mémoire organisationnelle, sous-estimées mais essentielles

À peine 20 % des connaissances au sein des organisations sont formalisées. Le reste disparaît avec les personnes qui les détiennent.

Hank Malik (Nuclear Waste Services / NDA) a montré, dans sa présentation Adding value with project lessons learned: energy fields stories, à partir de cas concrets dans le secteur de l’énergie, comment une approche structurée des lessons learned, avant, pendant et après les projets, crée une vraie valeur mesurable. Sa taxonomie des connaissances sert de repère utile : artefacts, compétences, heuristiques, expérience, talent naturel. Le savoir ne se limite pas à des documents, et la plus grande partie reste dans les têtes. Il faut des processus conscients pour le rendre accessible, de meilleurs outils seuls ne suffisent pas.

Ron Young (Knowledge Associates) a élargi la perspective dans Integrating knowledge, innovation, & AI management systems avec le framework KINAI : le savoir comme base qui permet l’innovation, laquelle soutient à son tour le développement de l’IA. Sans une gestion du savoir solide, pas de fondation fiable pour l’IA. Son approche, basée sur assessment, baseline et plan d’action, fait partie des rares modèles qui ne traitent pas le knowledge management, l’innovation et l’IA comme des sujets séparés, mais comme un continuum.

KM aujourd’hui et demain : pourquoi c’est le bon moment

Le knowledge management a longtemps été considéré comme un simple nice-to-have. Cela est en train de changer, non pas parce que la communauté KM fait plus de bruit, mais parce que l’IA rend cette dépendance visible.

Le message de la conférence était clair : les rôles liés au knowledge management font partie des plus solides dans un monde dominé par l’IA. Celles et ceux qui construisent et maintiennent des structures de connaissances, des taxonomies et des communautés de pratique ne seront pas remplacé·e·s. Ils et elles deviennent au contraire un point clé, celui qui détermine si les investissements en IA créent réellement de la valeur ou échouent en silence.

En parallèle, l’urgence est bien réelle. Les organisations qui lancent aujourd’hui des projets pilotes d’IA sans infrastructure de connaissances solide risquent de se retrouver demain avec des résultats décevants. L’écart entre ce que le secteur sait et ce dans quoi les entreprises investissent réellement reste important, et il devient un frein majeur, pourtant évitable, à une adoption réussie de l’IA.

Les communautés de pratique ne sont pas un concept dépassé. Elles constituent une véritable infrastructure : le principal canal pour le savoir tacite, les relations humaines authentiques et la gestion de la complexité que la technologie seule ne peut pas reproduire. Une chose est sûre : les humains ont besoin des humains.

Ce que cela signifie pour Confluence et Rovo, et comment Swarmit peut aider

Beaucoup de ce qui a été discuté à Londres n’est pas un problème abstrait pour nos clients. C’est déjà palpable aujourd’hui.

Une grande partie de ce qui a été discuté à Londres n’est pas un sujet abstrait pour nos client·e·s. C’est déjà une réalité aujourd’hui.

Confluence est, pour beaucoup d’organisations, la plateforme centrale de gestion des connaissances. Mais elle manque souvent de la structure nécessaire pour rendre ces connaissances réellement exploitables. Taxonomies absentes, responsabilités floues, silos qui se sont construits au fil du temps : ce sont exactement les défis évoqués lors de la KMWorld Europe. Et ce sont aussi les sujets sur lesquels nous travaillons au quotidien, de la structuration des espaces à la gouvernance des métadonnées, en passant par des templates qui transforment la capture de connaissances en habitude plutôt qu’en tâche supplémentaire.

Atlassian Rovo intègre l’IA directement dans cet écosystème. Rovo explore et relie les connaissances issues de Confluence, de Jira et d’autres sources connectées. Mais sa valeur dépend entièrement de la qualité des données sous-jacentes. Un Confluence mal structuré produit des réponses peu fiables. Le « trust gap » n’est pas un concept théorique dans ce contexte, il devient rapidement visible dès que l’on utilise Rovo de manière concrète.

Swarmit accompagne les entreprises précisément sur cette base : construire des structures de knowledge management prêtes pour l’IA. Mettre en place Confluence de manière à ce que les connaissances ne soient pas seulement stockées, mais réellement trouvées et utilisées. Déployer Rovo sur une base solide, capable de fournir des réponses fiables et riches en contexte. Et ancrer les lessons learned ainsi que les communautés de pratique comme des processus vivants, et non comme des initiatives ponctuelles.

Investir aujourd’hui dans la structuration des connaissances, c’est investir directement dans la qualité de chaque réponse IA de demain.

KMWorld Europe 2026, 14–15 avril, America Square Conference Centre, Londres