Quand l'IA remplit la colonne « statut », l'agent qui la lit peut y voir une décision que personne n'a prise

Quand une bibliothèque documentaire se remplit de métadonnées générées par l’IA, la colonne « statut » d’une procédure peut afficher « en vigueur » sans qu’aucune personne l’ait décidé. L’outil a lu le document et en a tiré une valeur plausible. L’agent qui interrogera ensuite la bibliothèque lira cette valeur comme une décision de l’entreprise. L’erreur qui coûte est la valeur plausible : une valeur absurde finit par être vue et corrigée, une valeur plausible ressemble à ce qu’on attendait, et rien n’invite à la regarder.

Cet article s’adresse au CDO, au CTO ou au responsable de la gestion des connaissances d’un grand groupe qui prépare ses bibliothèques documentaires pour des assistants et des agents internes. Si vos colonnes de statut sont encore saisies à la main par les rédacteurs, l’argument vous concernera le jour où le remplissage automatique sera ouvert sur un site : un utilisateur qui dispose des droits suffisants sur une bibliothèque peut alors créer une colonne de ce type, sans qu’un programme soit lancé.

La personne pour qui ce texte est inconfortable est la responsable de la gestion documentaire d’une direction qualité. En revue de direction, un auditeur interne lui montre la réponse que l’assistant achats a donnée la veille : il cite la version 3 de la procédure de qualification des fournisseurs, marquée « en vigueur » dans la bibliothèque. La version 4, approuvée au printemps, est rangée dans un autre dossier. L’auditeur demande : « Qui a mis la version 3 en vigueur ? » Elle cherche une validation et n’en trouve aucune : la valeur a été remplie au dépôt du fichier par le traitement automatique de la bibliothèque, à partir du texte de la procédure, qui porte encore la mention « applicable à compter de sa diffusion ». Personne dans la salle ne peut dire qui a décidé.

Le geste que propose cet article ne coûte rien. Filtrez, dans une bibliothèque où une colonne de statut est remplie par l’IA, les documents marqués « en vigueur », et prenez-en trois. Pour chacun, cherchez qui a validé cette valeur. Si la réponse est « personne », vous savez ce que lit votre agent, et la colonne présentée plus bas est le premier chantier. Si chaque valeur a un nom et une date, votre exposition est ailleurs, et vous pouvez passer aux champs de version et de date d’effet.

Deux réponses viennent spontanément. La première est la pratique maison : laisser l’IA classer, et compter sur les utilisateurs pour corriger les erreurs qu’ils voient. La seconde est l’outil déjà en place : le circuit d’approbation de la GED, qui fait valider chaque document avant diffusion. Le circuit d’approbation valide le document ; il ne voit pas la colonne qu’un traitement ajoute ensuite à côté de lui. La correction par l’usage rattrape les valeurs fausses qui se voient. Ni l’une ni l’autre ne dit qui a décidé qu’une valeur plausible est vraie.

Ce texte prolonge celui du 25 septembre, qui portait sur un programme IA en train de refaire la description des documents : ici, aucun programme, une colonne qu’un utilisateur autorisé active sur sa bibliothèque. Il précède aussi, dans le temps, celui du 2 octobre, qui partait d’une réponse fausse déjà donnée : ici, rien n’a encore été répondu de travers.

Ce que le remplissage automatique fait, dans sa meilleure forme

L’outillage mérite d’être décrit tel que son éditeur le documente. La documentation Microsoft des colonnes à remplissage automatique de SharePoint décrit un prompt enregistré sur une colonne, exécuté sur chaque fichier ajouté à la bibliothèque, dont la réponse est enregistrée dans la colonne. Il peut classer un document, extraire une valeur, résumer ou analyser son contenu. La même page précise que ces métadonnées peuvent être indexées, déclencher un flux de travail, ou servir de critère pour poser une étiquette de protection de l’information. Elle avertit : « AI-generated content might be incorrect. Be sure to check the column results. » Elle ajoute qu’une modification du document n’est prise en compte que si le fichier est retraité, manuellement, par l’utilisateur. Copilot in SharePoint peut désormais proposer et créer ces colonnes à partir du contenu de la bibliothèque.

C’est un progrès réel pour des bibliothèques que personne ne renseignait, et l’avertissement de l’éditeur est honnête : il demande de vérifier. Le mécanisme décrit ici est générique, il vaut pour tout outil qui écrit une métadonnée à partir de la lecture du document, et nous ne savons pas si, ni comment, chaque déploiement distingue une valeur relue par le métier d’une valeur qui ne l’a pas été.

La frontière tient en une phrase : l’outil produit une lecture du contenu, et la colonne la range au même endroit qu’une décision. La consigne de vérification s’adresse à l’utilisateur qui regarde la colonne. L’agent qui la lira demain ne regarde rien : il reçoit « en vigueur » et le traite comme une information de l’entreprise sur le document.

C’est ici que la responsable de la gestion documentaire réapparaît. Elle n’a rien laissé passer : le circuit d’approbation a fonctionné pour la version 4, et la version 3 n’a jamais été remise en vigueur par qui que ce soit. La valeur est née d’une lecture, et elle a été lue ensuite comme une décision.

Pourquoi les métadonnées générées par l’IA demandent une origine

Appelons étiquette circulaire une valeur de métadonnée écrite par un lecteur automatique et consommée ensuite comme une décision par un autre lecteur automatique. Elle se repère en séparant, pour chaque valeur, ce qui a été lu de ce qui a été validé : la relecture de la colonne seule ne la fait pas apparaître.

Trois propriétés la rendent coûteuse. Elle est plausible : l’outil lit ce que le document dit de lui-même, et un document périmé peut continuer de dire de lui-même qu’il s’applique. Elle se propage : une colonne peut être indexée, déclencher un flux ou conditionner une étiquette de protection, si bien qu’une lecture devient une règle d’accès ou une étape de processus. Elle se fige : si le document change sans être retraité, la valeur reste celle de la première lecture.

Les champs qui portent ce risque sont ceux qui expriment une décision : statut, version applicable, périmètre, date d’effet, confidentialité. Les champs descriptifs, comme le thème ou le type de document, en portent beaucoup moins : une erreur y dégrade la recherche, elle ne fait pas appliquer une règle retirée.

Une filière l’a déjà écrit

L’industrie pharmaceutique a posé la question avant les autres. Le projet d’annexe 22 « Intelligence artificielle » des bonnes pratiques de fabrication européennes, soumis à consultation du 7 juillet au 7 octobre 2025, écarte l’IA générative des usages critiques et prévoit, pour ses usages non critiques, que du personnel qualifié soit toujours responsable de s’assurer que les sorties conviennent à l’usage prévu. Pour les modèles qu’il couvre (statiques et déterministes), lorsqu’un modèle fournit une entrée à une décision prise par un opérateur, il demande de conserver la trace de ce processus de revue. En mai 2026, un inspecteur de l’autorité irlandaise HPRA indiquait que ce texte restait à l’état de projet, en cours de révision après la consultation.

Ce texte vise les fabricants de médicaments et de substances actives, et il n’a pas force obligatoire à ce stade : hors de cette filière, aucun texte ne vous demande aujourd’hui la même chose pour une colonne de bibliothèque. Nous en reprenons la méthode, pas l’objet : cet article ne traite pas des bonnes pratiques de fabrication. La méthode est simple : une sortie de modèle qui sert de base à une décision dit qui l’a revue. Une métadonnée de statut sert de base à la décision d’un agent ; elle peut dire la même chose.

La colonne d’origine

Le geste de l’introduction produit un artefact : une colonne d’origine, placée à côté de chaque colonne de décision remplie par l’IA.

Ce qu’elle contient. Pour chaque document : l’origine de la valeur de la colonne voisine, en trois états possibles. « Lecture IA, non validée ». « Validée par » suivi d’un rôle et d’une date. « Saisie par » suivi d’un rôle, quand la valeur a été écrite à la main.

Son domicile. La bibliothèque elle-même, dans le type de contenu qui porte déjà la colonne de statut. Elle est tenue par la personne qui administre la bibliothèque, sous la règle fixée par la gestion documentaire. Elle ne vit pas dans un fichier à part.

Le moment où ses premières lignes s’écrivent. À la création de toute nouvelle colonne remplie par l’IA, avant son activation. Pour les bibliothèques déjà équipées, à la prochaine revue documentaire périodique, quand les rédacteurs confirment déjà leurs documents. Jamais au moment où un agent vient de citer une version retirée : c’est la scène de l’introduction, et elle ne laisse le temps de rien.

Une ligne remplie. Document : procédure de qualification des fournisseurs, version 3. Colonne statut : en vigueur. Colonne d’origine : lecture IA, non validée. Décision prise à la revue : statut corrigé en « remplacée », origine passée à « validée par la responsable de la gestion documentaire qualité », avec la date de la revue.

Sa règle de lecture. Une valeur « validée » ou « saisie » est servie à l’agent comme une information de l’entreprise. Une valeur « lecture IA, non validée » est servie comme une indication, ou retirée des critères que l’agent utilise pour choisir la version applicable, selon ce que permet votre outillage. Tant qu’une colonne de décision n’a pas sa colonne d’origine, elle reste, si votre outillage le permet, hors des critères de recherche de l’agent ; les utilisateurs continuent de la voir dans la bibliothèque, et l’agent s’appuie sur le contenu des documents comme avant l’activation de la colonne.

Son mode d’échec. Si l’exercice réussit, il fait apparaître des documents marqués « en vigueur » que personne n’a validés, et quelqu’un devra les confirmer un par un. C’est son coût : une colonne par bibliothèque et une passe de validation à la revue suivante. S’il échoue, c’est en sens inverse : tout est marqué « validé » d’un geste groupé pour vider la file. La revue périodique le montre, parce qu’une validation datée du même jour sur un grand nombre de documents ne ressemble à aucune relecture.

La pièce qu’elle crée. Une valeur « validée par » datée établit qu’à cette date, un rôle identifié a confirmé le statut d’un document. Si la confirmation était fausse, la trace le montre. C’est notre lecture, sans décision publiée à l’appui, qu’une validation datée et attribuée reste préférable à une valeur que personne n’a revue : elle permet de corriger et de dire depuis quand. L’avis de votre direction juridique et de la conformité s’impose avant d’en faire une règle de groupe.

La colonne ne crée aucun poste. Elle s’ajoute à la revue documentaire que finance déjà la gestion documentaire et, si vous activez cette année des agents sur vos bibliothèques, au projet qui les déploie.

Ce qu’un terrain réel a montré, et ce qu’il n’établit pas

Dans un groupe industriel du CAC 40, le diagnostic mené avec K-AI a établi que 32 % de la base documentaire étudiée était constituée de doublons divergents : plusieurs versions d’un même contenu, qui ne disent plus la même chose. Ils ont été remontés en deux semaines et résolus en six. Ce sont précisément les documents sur lesquels une colonne de statut remplie par lecture est dangereuse : deux versions d’une même procédure peuvent chacune se présenter comme applicable, et un lecteur automatique peut marquer les deux « en vigueur ».

La frontière de cette preuve doit être dite. Elle établit qu’une base documentaire en production peut porter une part importante de versions concurrentes, et qu’elles peuvent être résolues en quelques semaines. Elle ne porte pas sur des métadonnées générées par l’IA et ne mesure pas combien de valeurs de statut seraient fausses dans votre bibliothèque. La colonne d’origine sert à instruire cette question chez vous.

Ce que la DKP ajoute, et où elle s’arrête

Une Document Knowledge Platform (DKP) est la couche de qualité et de gouvernance documentaire qui s’exécute en amont des systèmes d’IA : elle gouverne le patrimoine (Govern), détecte et traite anomalies, doublons, obsolescences et contradictions (Clean), puis n’active le corpus auprès des agents qu’une fois ces deux étapes tenues (Activate). Elle ne remplace ni la GED, ni le remplissage automatique des métadonnées, ni le catalogue de données. Elle ne se vend pas comme un outil de classification automatique et n’a pas vocation à figurer dans un appel d’offres de cette catégorie. Cette position ne dépend pas du calendrier des éditeurs : la couche documentaire précède le moteur, quel que soit l’outil qui remplit les colonnes.

Son unité de travail est le document confronté aux autres documents du patrimoine. Une colonne remplie par lecture regarde un fichier à la fois ; la version 3 de la procédure ne dit nulle part qu’une version 4 existe. Ce qu’une DKP ajoute est ce regard croisé : elle signale les documents qui existent en plusieurs versions, ou dont une version plus récente est présente ailleurs dans le patrimoine, et les oriente vers l’expert qui peut confirmer laquelle s’applique.

K-AI répond de ce repérage, de sa reproductibilité et du routage de chaque cas vers le bon expert. La validation d’une valeur de statut reste au métier et à la gestion documentaire. Sur le plan technique, l’analyse porte uniquement sur les contenus documentaires désignés, dans un périmètre d’ingestion contractuel ; les journaux d’usage et la télémétrie restent dans vos outils. Aucune donnée n’est réutilisée pour entraîner des modèles.

Et si vous ne faites rien

Le statu quo a un résultat prévisible. Les colonnes se rempliront bibliothèque par bibliothèque, au rythme où les utilisateurs autorisés les activeront, et les agents liront chaque valeur avec la même confiance. La question de l’auditeur arrivera quand même, à propos d’un document que vous n’aurez pas choisi.

Conclusion : auditer, nettoyer, surveiller

Auditer : dans une bibliothèque équipée, prendre trois documents marqués « en vigueur » par l’IA et chercher qui a validé cette valeur. Nettoyer : faire confirmer ou corriger par le métier les valeurs de décision non validées, en commençant par les documents qui ont plusieurs versions. Surveiller : ajouter une colonne d’origine à chaque nouvelle colonne de décision remplie par l’IA, avant son activation.

À la revue de direction suivante, la responsable de la gestion documentaire répondra à la question de l’auditeur en ouvrant la bibliothèque : la version 3 porte « remplacée », validé à la dernière revue, et l’assistant achats cite la version 4.

Foire aux questions

Les métadonnées générées par l’IA sont-elles fiables ?

Elles sont une lecture du contenu du document, utile pour les champs descriptifs comme le thème ou le type. Pour les champs qui expriment une décision, comme le statut ou la version applicable, une valeur plausible peut être fausse, parce qu’un document périmé peut continuer de dire de lui-même qu’il s’applique.

Le circuit d’approbation de la GED ne suffit-il pas ?

Il valide le document avant sa diffusion. Il ne valide pas une colonne qu’un traitement automatique ajoute ensuite à côté du document, ni sa valeur.

Quelles colonnes faut-il protéger en priorité ?

Celles qui servent de base à une décision : statut, version applicable, périmètre, date d’effet, niveau de confidentialité. Une erreur y fait appliquer une règle retirée ou ouvre un accès ; une erreur sur un thème dégrade seulement la recherche.

Que faire des valeurs déjà remplies par l’IA ?

Les marquer « lecture IA, non validée » dans une colonne d’origine, puis les faire confirmer à la prochaine revue documentaire, en commençant par les documents qui existent en plusieurs versions.

Pourquoi la question concerne-t-elle les agents IA ?

Parce qu’un agent utilise les métadonnées pour choisir quel document citer. Un utilisateur peut douter d’une valeur ; un agent la traite comme une information de l’entreprise.

Quel est le cadre de confidentialité d’un examen du patrimoine documentaire ?

Le périmètre d’ingestion est contractuel et limité aux contenus documentaires désignés, à l’exclusion des journaux d’usage et de la télémétrie. Aucune donnée n’est réutilisée pour entraîner des modèles. Le périmètre est validé conjointement par le Document Owner métier et le RSSI ou le DPO, jamais par la seule DSI.

Sources

• Microsoft Learn — Overview of autofill columns — prompt enregistré par colonne ; métadonnées indexables, déclenchant des flux ou des étiquettes de protection ; « AI-generated content might be incorrect » ; retraitement manuel après modification.
• Microsoft Support — Create autofill columns (Copilot in SharePoint) — création de colonnes proposées par Copilot à partir du contenu.
• Commission européenne — consultation sur le chapitre 4, l’annexe 11 et la nouvelle annexe 22 d’EudraLex volume 4 — consultation du 7 juillet au 7 octobre 2025.
• Commission européenne — projet d’annexe 22 « Artificial Intelligence » (PDF) — section 1 (IA générative exclue des usages critiques ; humain dans la boucle pour les usages non critiques), 3.3 et 10.5 (revue humaine et traces, pour les modèles couverts).
• HPRA — questions-réponses, QP Forum, Trinity College Dublin, 12 mai 2026 (PDF) — annexe 22 toujours à l’état de projet, en révision.
• K-AI — page clients — groupe industriel du CAC 40 (cas anonymisé) : 32 % de doublons divergents, remontés en deux semaines, résolus en six.

---

Pour aller plus loin

K-AI Corpus Diagnostic — 10 jours ouvrés, rapport complet des 20 anomalies les plus critiques de votre référentiel documentaire, garantie remboursement si aucune anomalie valable n’est détectée. Un échange d’une heure peut partir de la colonne d’origine d’une de vos bibliothèques : on regarde ensemble quels documents marqués « en vigueur » ont une autre version ailleurs dans le patrimoine, quelles lignes passeraient en « lecture IA, non validée », et vers quel expert orienter chacune. Contactez l’équipe K-AI : contact@k-ai.ai. Le périmètre de chaque diagnostic est validé conjointement par le Document Owner métier et le RSSI/DPO, jamais par la seule DSI.

K-AI accompagne déjà CMA CGM, Veolia, PwC, BNP Paribas, TotalEnergies et CEVA Logistics. Partenaires : AWS, Snowflake, Microsoft, Wavestone, Devoteam.