RAG entreprise : concevoir un assistant fiable

Le RAG entreprise transforme une documentation dispersée en réponses vérifiables, à condition de traiter le projet comme une chaîne documentaire et non comme une simple fenêtre de chat. Il faut savoir quels contenus l’assistant peut lire, comment il les découpe, quelles sources il affiche et comment l’équipe corrige ses erreurs.

RAG entreprise : partir d’un périmètre qui répond vraiment

Le bon premier périmètre n’est pas « tous les fichiers de l’entreprise ». Choisissez une population, une tâche et un corpus dont un propriétaire métier accepte la responsabilité. Par exemple, une équipe support peut interroger les procédures validées, tandis qu’un commercial consulte une base produit et les règles d’offre qui lui sont autorisées. Cette frontière rend les réponses compréhensibles et les écarts corrigeables.

Dressez ensuite un inventaire simple : emplacement, propriétaire, date de révision, niveau de confidentialité, langue, format et droit de diffusion de chaque source. Un PDF scanné, une présentation et une page intranet n’offrent pas le même texte exploitable. L’OCR, les tableaux, les images et les pièces jointes demandent souvent un traitement spécifique. Un document sans propriétaire ou sans date mérite rarement d’être placé dans la première version.

Le RAG complète un chatbot IA et RAG ou un agent, mais il ne crée pas la connaissance manquante. Lorsque deux procédures se contredisent, il faut arbitrer dans la source. L’assistant doit pouvoir répondre « je ne trouve pas de règle validée » plutôt que choisir silencieusement une version.

Préparation des documents et découpage des contenus

La préparation commence par l’extraction du texte, puis la conservation des métadonnées utiles : titre, URL ou chemin, version, date, département, langue, niveau d’accès et identifiant de passage. Ces champs servent autant à expliquer une réponse qu’à filtrer une recherche. Ils permettent, par exemple, d’exclure une procédure archivée ou de limiter la réponse aux documents d’une filiale.

Le découpage consiste à transformer un long document en passages assez petits pour être retrouvés précisément, mais assez complets pour conserver leur sens. Une règle de remboursement séparée de ses exceptions devient trompeuse. À l’inverse, un chapitre entier noie la recherche dans du contexte inutile. Préservez les titres, les listes et les liens entre passages voisins. Testez plusieurs tailles sur les questions réelles de l’équipe plutôt que d’adopter une valeur universelle.

Élément	Décision à prendre	Contrôle utile
Corpus	Quels documents sont autorisés ?	Propriétaire et date de revue
Extraction	Comment lire PDF, tableurs et scans ?	Comparaison avec le document original
Passage	Où couper sans séparer une règle de son exception ?	Lecture d’un échantillon retrouvé
Métadonnées	Quelles données filtrent et expliquent ?	Test des droits par profil
Suppression	Que devient un document retiré ?	Vérification qu’il n’est plus cité

Embeddings et base de données vectorielle : ce qu’ils apportent

Les embeddings représentent un texte sous forme de vecteur numérique. Ils permettent de rapprocher une question et un passage même si les mots diffèrent. « Annuler une commande » peut ainsi retrouver une section titrée « droit de rétractation ». Ils ne comprennent pas les règles métier à votre place et ne dispensent pas d’un filtrage par droits.

Une base de données vectorielle stocke ces vecteurs avec le texte et ses métadonnées, puis cherche les passages les plus proches de la question. Elle peut être un service spécialisé ou une capacité intégrée à l’infrastructure existante. Le choix doit tenir compte de la localisation des données, des sauvegardes, de la journalisation, des filtres et de la capacité à supprimer un contenu.

Indexez question et documents avec un modèle d’embeddings compatible. Si vous le changez, réindexez le corpus : comparer des vecteurs produits par des modèles différents donne des résultats peu fiables. Conservez la version de l’extracteur, du modèle et du schéma d’index. Cette traçabilité simplifie le diagnostic lorsqu’une recherche se dégrade.

Recherche hybride, filtres et citations à la source

La recherche vectorielle est utile pour les formulations proches par le sens. Elle peut toutefois manquer un code produit, une référence contractuelle ou une expression exacte. Une recherche hybride combine recherche textuelle et vectorielle, puis classe les résultats. La documentation de Microsoft décrit ce fonctionnement et l’intérêt des champs de citation dans un index RAG et une recherche hybride.

Avant de passer les passages au modèle, appliquez les droits et les filtres métier. Une réponse bien rédigée n’est pas acceptable si elle révèle une politique réservée à une autre équipe. Limitez aussi le nombre de passages transmis, éliminez les doublons et prévoyez un seuil : en dessous, l’assistant s’abstient et indique où chercher ou à qui transmettre la question.

Chaque réponse utile doit afficher des citations actionnables : titre, passage, date ou version et lien vers la source si l’utilisateur y a accès. Une citation n’est pas un décor. Elle permet de vérifier le contexte, de signaler un document obsolète et de distinguer une réponse fondée d’une formulation plausible. Pour les données personnelles, appliquez les principes de minimisation et de sécurité rappelés par la CNIL.

Évaluer un RAG avant et après la mise en service

Préparez un jeu de questions représentatif avant de régler l’outil. Il doit contenir des questions simples, des synonymes, des recherches multi-documents, des questions sans réponse, des règles modifiées récemment et des demandes qui doivent être refusées. Pour chacune, notez les passages attendus, la réponse acceptable et le profil utilisateur. Ce jeu de test devient votre repère lors d’un changement de modèle ou d’index.

Évaluez séparément la récupération et la génération. Une mauvaise réponse peut venir d’un document absent, d’un passage mal découpé, d’un classement insuffisant ou d’une consigne trop permissive. Demandez à des personnes métier de noter la pertinence des sources, l’exactitude de la réponse, la justesse de la citation et la capacité de l’assistant à dire qu’il ne sait pas. Conservez les cas corrigés, sans les transformer automatiquement en vérité.

En production, suivez les recherches sans résultat, les citations ouvertes, les votes ou signalements, les escalades humaines et les documents le plus souvent incriminés. Ces indicateurs orientent le travail documentaire. Ils ne doivent pas servir à surveiller individuellement les salariés.

RAG ou fine-tuning : choisir le bon levier

Le fine-tuning modifie le comportement d’un modèle à partir d’exemples. Le RAG apporte, lui, des connaissances externes au moment de la demande. Les deux approches peuvent se compléter, mais elles ne résolvent pas le même problème.

Besoin	RAG	Fine-tuning
Répondre sur des règles qui changent	Adapté : réindexer les sources	Peu adapté : réentraîner après modification
Citer le document utilisé	Adapté	Ne fournit pas naturellement la provenance
Imposer un format ou un ton répétable	Possible par instruction	Pertinent avec des exemples stables
Maîtriser les droits documentaires	Filtres à la recherche	Ne remplace pas une gestion des accès
Corriger une base documentaire contradictoire	Nécessite un arbitrage humain	Ne corrige pas la source

Commencez le plus souvent par un RAG lorsque la difficulté est l’accès à une information interne évolutive. Envisagez le fine-tuning lorsqu’un grand nombre d’exemples stables doit faire évoluer un comportement précis. Dans les deux cas, gardez des tests, des journaux proportionnés et une validation humaine pour les décisions sensibles.

Sécurité, accès et confidentialité du corpus

Un RAG ne doit pas contourner les droits déjà définis dans l’organisation. Le filtre d’accès s’applique avant que les passages soient transmis au modèle, et non après la génération. Si un utilisateur n’a pas le droit d’ouvrir un document dans son espace habituel, il ne doit pas pouvoir en obtenir un résumé par le chatbot. Testez ce principe avec plusieurs profils, notamment les comptes temporaires et les responsables qui changent d’équipe.

Séparez aussi les environnements de test et de production. Les jeux de questions peuvent contenir des informations délicates ; réduisez-les au nécessaire, protégez-les et évitez de les copier dans un outil sans cadre contractuel. Les journaux de recherche sont utiles au diagnostic, mais ils peuvent révéler les intentions des utilisateurs. Définissez qui y accède, dans quel but et combien de temps ils sont conservés.

Enfin, préparez l’incident avant qu’il survienne. Une source mal classée, un droit trop large ou un document retiré par erreur doit pouvoir être désindexé rapidement. Documentez la personne qui décide, le moyen de suspendre la recherche et la vérification à effectuer après correction. Cette préparation rend l’assistant plus facile à exploiter au quotidien.

Mettre à jour le RAG sans perdre le contrôle

Une indexation utile est un processus, pas une opération unique. Reliez-la si possible au cycle de publication : une nouvelle procédure est extraite, contrôlée, indexée et datée ; une procédure retirée disparaît de l’index. Pour les sources critiques, ajoutez une validation avant publication. Un journal doit indiquer quel lot a été traité, quel contenu a échoué et quelle version est disponible.

Prévoyez un canal de retour dans l’interface. Un utilisateur doit pouvoir signaler « source périmée », « réponse incomplète » ou « accès inapproprié ». La personne responsable traite alors le document, la règle d’accès ou le réglage de recherche. Ce circuit maintient la confiance et évite que les corrections restent dans une conversation isolée.

Un RAG solide est d’abord un dispositif éditorial et technique piloté. Vous voulez tester votre documentation sur de vraies questions ? → Parler à un expert