Nouveau cas client : LeadsIt, l’application de prospection B2B que nous avons construite avec l’IA. Lire le cas client →

Guide · 9 min de lecture

Déployer un RAG en entreprise : la méthode en 6 étapes

Ce guide vous donne une méthode en six étapes pour passer d’une idée d’assistant documentaire à un outil fiable utilisé chaque jour. À la fin, vous saurez quelles décisions prendre à chaque étape, quoi demander à votre équipe technique ou à votre prestataire, et comment vérifier que les réponses sont justes avant d’ouvrir l’outil.

Le RAG en quelques mots

RAG signifie « génération augmentée par la recherche ». Le principe est simple. Quand un utilisateur pose une question, le système cherche d’abord les passages utiles dans vos documents. Il transmet ensuite ces passages à un modèle de langage, le moteur qui rédige le texte, avec la consigne de répondre à partir d’eux seulement.

Le modèle ne répond donc pas de mémoire. Il s’appuie sur vos contrats, vos procédures ou vos fiches produits, et il peut citer le passage d’où vient chaque affirmation. C’est ce qui rend la réponse vérifiable.

Un RAG ne demande pas de réentraîner un modèle. Quand un document change, il suffit de mettre à jour l’index, c’est-à-dire le catalogue de passages dans lequel le système cherche. La qualité finale dépend surtout de trois choses : la qualité des documents, la qualité de la recherche et la rigueur de l’évaluation. Les six étapes qui suivent couvrent ces trois points.

Étape 1 : cadrer les questions

Commencez par les questions, pas par les documents. Réunissez les personnes qui posent ou reçoivent ces questions au quotidien : support client, juristes, commerciaux, techniciens. Demandez-leur de noter les questions réelles qu’elles traitent, avec leurs mots à elles.

Classez ensuite ces questions. Certaines ont une réponse écrite quelque part. D’autres demandent un calcul, une donnée à jour dans un logiciel métier ou un jugement humain. Un RAG est fait pour la première catégorie. Pour les autres, il faudra un connecteur vers le logiciel concerné ou une validation humaine.

Fixez enfin un périmètre de départ étroit : un service, un type de question, un ensemble de documents. Un premier périmètre réussi se réplique plus facilement qu’un projet trop large qui déçoit tout le monde.

  • Liste d’au moins quelques dizaines de questions réelles, formulées par les utilisateurs.
  • Pour chaque question : qui la pose, à quelle fréquence, où se trouve la réponse aujourd’hui.
  • Les questions hors périmètre, que l’assistant devra refuser ou rediriger.
  • Le responsable métier qui tranchera en cas de doute sur une bonne réponse.

Étape 2 : inventorier et nettoyer les sources

Pour chaque question retenue, identifiez le document qui contient la réponse. Vous obtenez ainsi la liste des sources utiles : un espace SharePoint, un Drive, un wiki, une base de tickets, un dossier de PDF. Notez pour chacune qui en est responsable et à quelle fréquence elle change.

Faites ensuite le tri. Les versions obsolètes, les doublons et les brouillons sont la première cause de réponses fausses. Si deux versions d’une procédure coexistent, l’assistant peut citer la mauvaise. Archivez ce qui n’est plus en vigueur et gardez une seule version de référence.

Vérifiez aussi la lisibilité. Un PDF scanné sans texte reconnu, un tableau mal converti ou une page dont l’essentiel est dans une image seront mal compris. Repérez ces documents tôt : ils demandent un traitement particulier, comme la reconnaissance de caractères.

Enfin, notez qui a le droit de lire quoi. Si un document est réservé aux ressources humaines dans votre intranet, il doit le rester dans l’assistant. Le plus sûr est que l’assistant reprenne les droits d’accès des systèmes d’origine plutôt que d’en recréer d’autres à la main.

  • Une source de référence par sujet, avec un responsable nommé.
  • Documents obsolètes archivés ou exclus de l’index.
  • Documents scannés et tableaux complexes repérés.
  • Droits d’accès de chaque source documentés.

Étape 3 : découper et indexer

Un modèle ne lit pas un manuel de 200 pages à chaque question. Les documents sont donc découpés en passages courts, de quelques paragraphes. Ce découpage compte beaucoup. Un passage trop court perd son contexte. Un passage trop long noie l’information utile.

Le bon découpage suit la structure du document : titres, sections, articles d’un contrat, questions d’une FAQ. Chaque passage garde des informations d’accompagnement, appelées métadonnées : titre du document, section, date, auteur, droits d’accès. Elles servent à filtrer la recherche et à afficher une citation précise.

Chaque passage est ensuite transformé en une représentation numérique de son sens, appelée « embedding ». Elle permet de retrouver un passage qui parle du même sujet que la question, même avec d’autres mots. L’ensemble forme l’index.

Prévoyez dès le départ la mise à jour. Quand un document change ou disparaît, l’index doit suivre automatiquement. Un index figé devient faux au fil des mois, sans que personne ne s’en aperçoive.

Étape 4 : régler la recherche

La recherche décide de ce que le modèle verra. Si le bon passage n’est pas retrouvé, le meilleur modèle du monde ne pourra pas bien répondre. C’est donc souvent ici que se gagne la qualité.

La plupart des systèmes combinent deux méthodes. La recherche par le sens retrouve les passages proches de l’idée de la question. La recherche par mots-clés retrouve les termes exacts, comme une référence produit, un numéro d’article ou un nom propre. On parle de recherche hybride. Une étape de reclassement peut ensuite trier les meilleurs candidats pour ne garder que les plus pertinents.

Les filtres comptent autant que le classement. Filtrer par droits d’accès garantit qu’un utilisateur ne voit que ce qu’il a le droit de lire. Filtrer par date ou par statut évite de remonter un document périmé.

Réglez enfin la consigne donnée au modèle. Elle doit dire clairement de répondre uniquement à partir des passages fournis, de citer ses sources, et de dire « je ne sais pas » quand les passages ne contiennent pas la réponse.

  • Recherche hybride : sens et mots-clés.
  • Filtre sur les droits d’accès de l’utilisateur.
  • Filtre sur les documents en vigueur.
  • Consigne : répondre depuis les sources, citer, refuser si l’information manque.

Étape 5 : évaluer avant d’ouvrir

Reprenez les questions réelles de l’étape 1 et associez à chacune la bonne réponse et le document qui la contient. Ce jeu de questions de référence sert d’examen. Faites-le valider par le responsable métier.

Pour chaque question, vérifiez quatre points. Le bon passage a-t-il été retrouvé ? La réponse est-elle exacte ? La citation renvoie-t-elle au bon endroit ? Pour les questions hors périmètre, l’assistant a-t-il refusé proprement ?

Faites ensuite tester l’outil par un petit groupe d’utilisateurs volontaires, sur leurs vraies questions. Ils trouveront des formulations et des cas que personne n’avait prévus. Ajoutez ces cas au jeu de référence.

Ne passez pas à la suite tant que les résultats ne sont pas jugés acceptables par le métier. Le seuil dépend de l’usage : un assistant qui aide à retrouver une procédure interne ne demande pas le même niveau d’exigence qu’un assistant qui répond à des clients sur leurs droits. Notre guide sur l’évaluation des agents IA détaille cette étape.

Étape 6 : mettre en production et suivre

L’ouverture se fait de préférence par vagues : un service, puis un autre. Expliquez aux utilisateurs ce que l’outil sait faire, ce qu’il ne fait pas, et comment signaler une réponse fausse. Un bouton simple pour noter chaque réponse suffit souvent.

Une fois en production, suivez quelques indicateurs : les questions sans réponse, les réponses mal notées, les documents jamais cités et ceux qui le sont trop. Les questions sans réponse révèlent souvent un document manquant. Les réponses mal notées révèlent un document faux ou une recherche mal réglée.

Organisez une revue régulière avec le responsable métier. Elle sert à corriger les documents sources, à compléter la base et à enrichir le jeu de référence. Chaque modification technique, comme un changement de modèle ou de découpage, doit repasser par le jeu de référence avant d’être mise en ligne.

L’assistant Céos de l’APDP de Monaco, l’autorité monégasque de protection des données, fonctionne sur ce principe : les visiteurs notent les réponses, et ces retours servent à corriger la base de connaissances.

  • Ouverture par vagues, avec une courte présentation aux utilisateurs.
  • Notation des réponses par les utilisateurs.
  • Suivi des questions sans réponse et des réponses mal notées.
  • Revue régulière avec le métier et correction des sources.
  • Jeu de référence rejoué avant chaque changement technique.

Les erreurs fréquentes à éviter

La première erreur est de tout indexer d’un coup. Plus il y a de documents contradictoires ou périmés, plus les réponses se dégradent. Mieux vaut un périmètre réduit et propre.

La deuxième est d’ignorer les droits d’accès. Un assistant qui permet à un salarié de lire un document qu’il ne pourrait pas ouvrir dans l’intranet crée une fuite de données interne. La troisième est de juger l’outil sur une démonstration plutôt que sur un jeu de questions réelles. Une démonstration montre les cas qui marchent. Le jeu de référence montre aussi ceux qui ne marchent pas.

Enfin, un RAG n’est pas un projet qui se termine à la mise en ligne. Les documents changent, les questions aussi. Prévoyez qui s’en occupe et avec quel temps. Si vous souhaitez être accompagné, Open Intelligence conçoit des RAG sur mesure sur vos propres documents, hébergés en Europe ou chez vous, avec des réponses citées et les droits d’accès hérités de vos outils.

Questions fréquemment posées

Quelle est la différence entre un RAG et ChatGPT ?

Un assistant grand public répond surtout à partir de ce que son modèle a appris lors de son entraînement. Un RAG cherche d’abord dans vos documents, puis répond à partir des passages trouvés et les cite. Il connaît donc vos procédures internes et reste à jour quand elles changent.

Faut-il réentraîner un modèle pour faire un RAG ?

Non. Le modèle reste tel quel. Ce sont vos documents, découpés et indexés, qui lui sont fournis au moment de chaque question. Mettre à jour un document revient à mettre à jour l’index.

Un RAG peut-il encore se tromper ?

Oui. Il peut retrouver un mauvais passage, mal comprendre un tableau ou s’appuyer sur un document périmé. Les citations permettent de vérifier, et l’évaluation régulière sur un jeu de questions de référence permet de repérer et corriger ces erreurs.

Quels documents peut-on mettre dans un RAG ?

Tous les documents textuels : PDF, documents bureautiques, pages de wiki, tickets, courriels, fiches produits. Les documents scannés demandent une reconnaissance de caractères. Les tableaux et schémas complexes demandent un traitement particulier pour être bien compris.

Comment éviter qu’un salarié accède à des documents confidentiels via l’assistant ?

La recherche doit filtrer les passages selon les droits de l’utilisateur. Le plus sûr est de reprendre les droits définis dans les systèmes d’origine, comme SharePoint ou Google Drive, pour qu’un document invisible pour un salarié dans l’intranet le reste dans l’assistant.

Où sont stockées les données d’un RAG ?

Cela dépend de l’architecture choisie. L’index et le modèle peuvent être hébergés chez un fournisseur cloud, dans un cloud privé ou sur vos propres serveurs. C’est un point à fixer dès le cahier des charges, avec votre délégué à la protection des données.

Passez de la question à la décision

Le moyen le plus rapide de comprendre Open Intelligence est de le voir répondre sur vos propres documents. Décrivez votre besoin : nous revenons vers vous avec une solution sur mesure et un devis chiffré.