Sustaining the practitioners’ tacit knowledge in the age of Artificial Intelligence: new challenges emerging through multiple case study

This paper explores the perpetuation of practitioners’ tacit knowledge in the context of projects aimed at designing Artificial Intelligence (AI) uses in organizations. By comparing an interdisciplinary review of the state of the art on tacit knowledge with an observational field study of 7 application cases in France and Switzerland, this article sheds light on the dynamics of capturing practitioners’ tacit knowledge during the design and operation of AI models and highlights three areas for consideration: (1) the emergence of new devices for translating practitioners’ know-how into data models and capturing tacit knowledge through the maieutic carried out in the design phase, (2) the difficulty of taking unconscious tacit knowledge into account when judging AI in use, revealing issues of interpretability, cognitive bias and trust, and (3) the capture of knowledge, including tacit knowledge, as the primary goal of Data Science projects. But this capture may not be desired by the practitioners or even introduce an intermediation that prevents the development of further tacit knowledge derived from real-life experience in favour of that linked to the use of AI. These considerations lead to the improvement of tacit knowledge perpetuation devices, as long as their legitimacy is justified, and the risks are mitigated.

Cet article explore la pérennisation des savoirs tacites des acteurs métier dans le cadre des projets visant la conception d’usages d’Intelligence Artificielle (IA) dans les organisations. À travers la confrontation entre un état de l’art interdisciplinaire sur les savoirs tacites et un terrain d’observation de 7 cas d’application en France et en Suisse, cet article met en lumière les dynamiques de capture des savoirs tacites des acteurs métier lors de la conception et de l’exploitation des modèles IA et révèle trois pistes de réflexion : (1) l’émergence de nouveaux dispositifs de traduction des connaissances métier en modèles de données et de capture de savoirs tacites à travers la maïeutique réalisée en phase de conception, (2) la difficulté à tenir compte des savoirs tacites inconscients dans l’évaluation de l’IA à l’usage, révélant des enjeux d’interprétabilité, de biais cognitifs et de confiance, et (3) la capture des savoirs, y compris tacites, comme finalité première de projets de science de données au service de leur pérennisation. Mais cette capture peut ne pas être souhaitée par les acteurs métier, voire introduire une intermédiation empêchant le développement ultérieur de leurs savoirs tacites issus de l’expérience du réel au profit de ceux liés à l’usage de l’IA. Ces pistes mènent au perfectionnement des dispositifs de pérennisation de savoirs tacites, à condition de justifier leur légitimité et de maitriser des risques de dérives.

Tacit Knowledge Knowledge Management Data Science Project Artificial Intelligence Interdisciplinarity Skills Human Resources Trusted AI Information Behaviour

Savoirs tacites Gestion des connaissances Science de données Intelligence Artificielle Interdisciplinarité Compétences Ressources Humaines IA de Confiance Comportement Informationnel