Troisième volet de la série « New Engineering Disciplines for the AI Era », cet article d'Ashish Singh institue le KDLC — Knowledge Development Life Cycle comme discipline d'ingénierie à part entière. Sa thèse est un renversement du diagnostic dominant : si tant d'initiatives IA d'entreprise échouent, ce n'est pas faute d'avoir choisi le bon modèle ni déployé un système RAG, mais parce qu'elles ignorent la structure sous-jacente de la connaissance. La formule-pivot résume l'enjeu : « AI is only as effective as the knowledge it can discover, understand, retrieve, and trust. » La connaissance doit dès lors être traitée comme un actif ingénieré, au même titre que le code (SDLC) ou la donnée.
Le KDLC organise ce travail en huit étapes ordonnées. La Discovery localise la connaissance dispersée entre bases de données, SharePoint, wikis, CRM, ERP et artefacts d'ingénierie. L'Extraction en tire l'information signifiante tout en préservant contexte métier, métadonnées, relations et ownership. Le Structuring convertit l'informel en objets de connaissance standardisés et réutilisables. La Knowledge Graph Creation cartographie les interconnexions entre clients, produits, projets, équipes, réglementations et applications. L'Embedding produit des représentations sémantiques permettant une compréhension par le sens. L'Index Optimization affine index vectoriels et pipelines de récupération. La Retrieval Evaluation mesure pertinence, précision, complétude et impact métier. Enfin le Knowledge Refresh maintient l'ensemble à jour face aux nouvelles politiques, réglementations et releases.
AI is only as effective as the knowledge it can discover, understand, retrieve, and trust.
Le cœur argumentatif oppose deux architectures. Le RAG traditionnel récupère des documents isolés via des recherches à base de mots-clés. L'Enterprise Knowledge Fabric — combinaison de Knowledge Graphs, Semantic Search, Vector Databases et Hybrid Search — vise une compréhension interconnectée : plutôt que de retrouver des documents, les agents IA saisissent « relationships, context, and business meaning ». Une seconde triade cadre les rôles respectifs des couches : « Models provide reasoning. Memory provides continuity. Knowledge provides understanding. »
Trois illustrations sectorielles concrétisent l'impact : un assistant de conformité financière reliant réglementations à jour et politiques internes ; un assistant d'ingénierie logicielle consultant architecture, contrats d'API, standards et incidents avant de recommander ; un assistant clinique croisant guides de traitement, protocoles, littérature et dossier patient. Singh conclut que, à l'ère de l'IA agentique, l'ingénierie de la connaissance devient aussi critique que l'ingénierie logicielle et l'ingénierie des données. La limite de l'article tient à son caractère conceptuel et non chiffré : aucun benchmark ni coût, et les points durs réels — gouvernance et maintenance continue de l'étape Refresh — restent hors champ.