Un assistant IA RAG en entreprise répond aux questions des employés à partir de vos propres documents, en citant la source de chaque réponse. Le RAG (génération augmentée par récupération) fonctionne en deux temps : le système cherche d’abord dans vos politiques, manuels, contrats et billets les passages pertinents, puis un modèle de langage rédige une réponse en s’appuyant uniquement sur ces passages. Bien fait, il transforme vingt ans de lecteurs partagés en une source qu’on peut simplement interroger.
Ce guide explique le fonctionnement d’un assistant RAG en production, les décisions qui le rendent fiable ou inutile, la façon de respecter vos permissions et vos obligations canadiennes en matière de vie privée, et ce à quoi ressemble un projet réaliste. Il s’adresse aux dirigeants qui se demandent si un assistant interne vaut l’investissement, et aux équipes TI qui devront l’exploiter.
Qu’est-ce qu’un assistant IA RAG, et pourquoi pas simplement ChatGPT ?
Un agent conversationnel généraliste répond à partir de ce que son modèle a appris pendant l’entraînement. Il ne connaît ni votre politique de déplacement, ni les conditions de garantie de votre produit, ni la procédure de cadenassage de votre usine. Coller des documents dans une fenêtre de clavardage dépanne pour une question ponctuelle, mais ne passe pas à l’échelle, ne respecte pas les permissions et ne laisse aucune trace.
Un assistant RAG relie le modèle à vos connaissances de façon contrôlée :
- À jour. Quand une politique change, l’index est mis à jour et la réponse suivante en tient compte. Aucun réentraînement.
- Sourcé. Chaque réponse renvoie aux passages utilisés, pour que les gens puissent vérifier et s’y fier.
- Conforme aux permissions. Les utilisateurs ne reçoivent que des réponses tirées de documents qu’ils pouvaient déjà ouvrir.
- Privé. Il fonctionne dans votre compte infonuagique, avec des points de terminaison privés qui n’entraînent pas les modèles avec vos données.
Comment fonctionne la génération augmentée par récupération ?
Un assistant en production comporte deux chaînes de traitement : l’une prépare vos connaissances, l’autre répond aux questions.
La chaîne d’ingestion
- Connecter les sources. SharePoint, Google Drive, Confluence, une gestion documentaire, un outil de billetterie, la base de connaissances du CRM. Chaque connecteur lit aussi les permissions et l’historique des modifications.
- Nettoyer et analyser. Convertir les PDF, fichiers Word, présentations et numérisations en texte propre, en conservant les titres, les tableaux et les numéros de page. Éliminer les doublons et les versions périmées.
- Découper. Diviser les documents en passages qui ont du sens à eux seuls, généralement par section plutôt que par nombre fixe de mots, et y joindre des métadonnées : titre, date, responsable, langue, permissions.
- Indexer. Stocker chaque passage avec un vecteur sémantique (pour le sens) et des mots-clés (pour les termes exacts comme les numéros de pièce ou les codes de politique).
La chaîne de réponse
- Comprendre la question. Reformuler les questions de suivi en questions autonomes et détecter la langue.
- Chercher. Lancer une recherche hybride (sémantique et par mots-clés), filtrée selon les permissions de l’utilisateur et des métadonnées comme la région ou la gamme de produits.
- Reclasser. Un second modèle réordonne les meilleurs résultats selon leur pertinence, pour que les bons passages parviennent au modèle.
- Générer. Le modèle répond uniquement à partir des passages trouvés, les cite et dit clairement quand la réponse ne se trouve pas dans les sources.
- Journaliser. La question, les passages trouvés, la réponse et la rétroaction de l’utilisateur sont conservés pour l’évaluation et l’audit.
RAG, entraînement fin ou long contexte : que choisir ?
| Approche | Idéale pour | Faible pour | Pour les connaissances d’entreprise ? |
|---|---|---|---|
| RAG | Grands ensembles de documents qui changent, citations, permissions par utilisateur | Analyses qui exigent tout le corpus | Oui, c’est le choix par défaut |
| Entraînement fin | Style, ton, formats de sortie, classification ciblée | Stocker des faits, mettre à jour, citer, gérer les permissions | Rarement, et en complément du RAG |
| Long contexte (tout coller) | Quelques longs documents, analyse ponctuelle | Coût par question, permissions, volume | Seulement pour de petits ensembles stables |
Les grandes fenêtres de contexte donnent envie de sauter l’étape de recherche. Pour une poignée de documents, c’est correct. Pour des milliers de documents aux responsables et aux publics différents, la recherche reste moins chère par question, plus rapide et la seule façon pratique de faire respecter les permissions.
Qu’est-ce qui rend un assistant RAG précis ?
D’après notre expérience, quand un assistant RAG donne une mauvaise réponse, le modèle est rarement en cause. Le problème se situe presque toujours en amont.
La qualité des sources
Si trois versions de la politique de remboursement des dépenses se trouvent sur le lecteur partagé, l’assistant les trouvera toutes les trois. Avant d’indexer, déterminez quelles sources font autorité, archivez les versions périmées et nommez un responsable par collection. C’est un travail ingrat, et c’est la meilleure chose à faire pour la précision.
Le découpage et les métadonnées
Des passages qui coupent un tableau en deux, ou séparent une règle de ses exceptions, produisent des réponses fausses énoncées avec assurance. Découpez selon la structure des documents, gardez les tableaux entiers et ajoutez des métadonnées pour permettre de filtrer par date, région, langue ou produit.
La qualité de la recherche
Mesurez la recherche à part : pour chaque question test, les premiers résultats contenaient-ils le passage qui renferme la réponse ? Sinon, aucune consigne ne sauvera la réponse. Améliorez la recherche hybride, le reclassement, le découpage ou la reformulation des questions avant de toucher à l’étape de génération.
Une génération fidèle
Demandez au modèle de répondre seulement à partir des passages fournis, de citer chaque affirmation et de dire « je n’ai pas trouvé cette information dans les documents » au besoin. Puis vérifiez : un score de fidélité sur un ensemble de tests indique à quelle fréquence les réponses restent dans les limites des sources.
Comment sécuriser un assistant de connaissances d’entreprise ?
Un assistant qui peut tout lire est une fuite de données qui n’attend qu’un employé curieux. Pensez sécurité dès le premier sprint :
- Synchronisation des permissions. Lire les listes d’accès de chaque source et filtrer les résultats au moment de la question, pour que les dossiers RH restent aux RH et les procès-verbaux du conseil, au conseil.
- Hébergement au Canada. L’index, les journaux et l’application résident dans votre compte infonuagique, dans une région canadienne, et les modèles sont appelés par des points de terminaison privés qui ne conservent pas vos données et ne s’en servent pas pour l’entraînement. Notre article sur la résidence des données au Canada pour l’IA présente les options.
- Renseignements personnels. Repérez tôt les sources qui contiennent des renseignements personnels. Selon la LPRPDE et la Loi 25, vous devez savoir où ils circulent, et une évaluation des facteurs relatifs à la vie privée est souvent requise.
- Journalisation. Chaque question, passage trouvé et réponse est consigné avec l’identité de l’utilisateur.
- Protection contre l’injection de consignes. Traiter le contenu des documents comme des données, jamais comme des instructions, et limiter ce que l’assistant peut faire au-delà de répondre.
Notre approche de sécurité énumère les mesures que nous appliquons par défaut à chaque assistant.
Comment évaluer un assistant RAG ?
Bâtissez l’ensemble de tests avant l’assistant. Demandez aux personnes qui répondent aux questions aujourd’hui (conseillers RH, responsables du soutien, superviseurs d’usine) de 100 à 300 vraies questions, avec la bonne réponse et le document source. Ensuite, mesurez :
| Indicateur | Question à laquelle il répond |
|---|---|
| Rappel de la recherche | Le bon passage figurait-il parmi les premiers résultats ? |
| Exactitude de la réponse | La réponse correspond-elle à celle d’un expert ? |
| Fidélité | Chaque affirmation est-elle appuyée par un passage cité? |
| Justesse des refus | Dit-il « introuvable » quand la réponse n’est pas dans les sources ? |
| Délai et coût | Combien de temps et combien d’argent par réponse ? |
Exécutez la suite à chaque changement de consigne, de découpage, de modèle ou de source. Elle transforme « ça semble mieux » en chiffre et bloque les régressions avant que les utilisateurs les voient.
Où les assistants RAG rapportent-ils en premier ?
- Questions RH et politiques internes. Avantages sociaux, congés, dépenses, déplacements, en français et en anglais.
- Procédures d’exploitation. Techniciens et personnel d’usine qui s’informent sur l’équipement, les étapes de sécurité et l’entretien.
- Connaissances commerciales et produits. Caractéristiques, règles de prix, compatibilité et conditions contractuelles pour les équipes de vente et de soutien.
- Soutien TI et interne. Des réponses tirées de la base de connaissances et des billets déjà résolus.
- Service à la clientèle. Une fois la précision prouvée à l’interne, la même approche alimente les réponses aux clients. Consultez notre guide sur l’agent conversationnel IA au service à la clientèle.
Les meilleurs assistants vivent là où les gens travaillent déjà : Microsoft Teams, Slack, l’intranet, l’outil de soutien ou un panneau latéral du CRM. Ces connexions relèvent de notre travail d’intégration de systèmes et comptent souvent plus pour l’adoption que n’importe quelle interface.
Un échéancier réaliste pour un assistant RAG
| Phase | Semaines | Ce qui se passe |
|---|---|---|
| Découvrir | 1 et 2 | Choisir un domaine de connaissances, inventorier les sources et les permissions, recueillir de vraies questions avec leurs réponses |
| Prototyper | 3 à 5 | Ingérer les sources, bâtir la recherche hybride, mesurer selon l’ensemble de tests |
| Bâtir | 6 à 11 | Synchronisation des permissions, intégration à Teams ou à l’intranet, journalisation, examen de sécurité, utilisateurs pilotes |
| Lancer et améliorer | 12 et + | Déploiement, boucle de rétroaction, rapport mensuel de qualité, responsables qui tiennent le contenu à jour |
Les erreurs courantes à éviter
- Tout indexer d’un coup. Commencez par un domaine et élargissez une fois la qualité démontrée.
- N’avoir aucun responsable du contenu. Sans personne pour tenir les sources à jour, la précision se dégrade en quelques mois.
- Cacher les sources. Les utilisateurs font confiance aux réponses qu’ils peuvent vérifier. Affichez toujours les citations.
- Négliger le français. Dans une organisation bilingue, testez les deux langues dès le départ, y compris des questions dans une langue portant sur des documents rédigés dans l’autre.
- Ne mesurer que la satisfaction. Les pouces levés sont utiles, mais ne remplacent pas un ensemble de tests aux réponses connues.
Pour commencer
Si votre équipe passe des heures à répondre aux mêmes questions à partir de documents qui existent déjà, un assistant RAG est l’un des premiers projets d’IA les plus sûrs. Notre service d’assistants IA explique comment nous les bâtissons sur vos connaissances, dans votre nuage.
Décrivez votre problème de connaissances dans notre plan IA gratuit et obtenez une esquisse de solution, les systèmes en jeu et un échéancier réaliste en environ deux minutes. Vous pouvez aussi prendre rendez-vous pour passer vos sources en revue avec un ingénieur chevronné.
