RAG en entreprise : faire répondre l'IA à partir de vos documents, sans les exposer

« Est-ce que l'IA peut répondre à partir de nos propres documents ? » C'est la question que nous entendons le plus souvent dans les PME depuis un an. Derrière elle, il y a un besoin très concret : retrouver la bonne clause dans 300 contrats, savoir quelle procédure s'applique à un cas client, répondre à un appel d'offres avec les bonnes références. La réponse technique s'appelle le RAG, pour retrieval-augmented generation, génération augmentée par la recherche. Voici ce que c'est, ce que ça demande, et comment nous le déployons en PME.

Ce que fait un RAG, en une image

Un assistant d'IA généraliste répond à partir de ce qu'il a appris pendant son entraînement. Il ne connaît ni vos contrats, ni vos procédures, ni vos clients. Le RAG résout ce problème sans réentraîner quoi que ce soit : au moment où vous posez une question, le système va d'abord chercher dans vos documents les passages les plus pertinents, puis les transmet au modèle avec votre question, en lui demandant de répondre uniquement à partir de ces passages, en citant ses sources.

L'image que nous utilisons avec nos clients : le modèle est un excellent stagiaire qui n'a jamais mis les pieds dans votre entreprise. Le RAG, c'est le collègue qui lui apporte les trois bons dossiers avant qu'il réponde. Le principe a été formalisé en 2020 par des chercheurs de Facebook AI Research et il est devenu, depuis 2023, l'architecture la plus courante pour les assistants d'entreprise.

Deux conséquences pratiques. Vos documents ne servent pas à entraîner le modèle : ils restent dans votre système et sont consultés à la demande. Et la qualité des réponses dépend directement de la qualité de ce qui est cherché, donc de vos documents.

Ce que ça demande réellement

Nous préférons le dire avant plutôt qu'après : un RAG n'est pas un outil que l'on branche. C'est un projet de données, avec quatre prérequis.

• Des documents identifiés et à jour. Si trois versions d'une procédure coexistent sur le serveur, l'assistant citera parfois la mauvaise. Le premier chantier est toujours un tri : quels documents font foi, où sont-ils, qui les maintient.

• Des droits d'accès respectés. L'assistant ne doit pas montrer à un collaborateur un document qu'il n'a pas le droit de lire. Cela suppose de relier le RAG aux permissions existantes (SharePoint, Drive, GED), pas de copier tous les fichiers dans un dossier commun.

• Un hébergement cohérent avec vos données. Pour des données personnelles ou des secrets d'affaires, le lieu où tournent la recherche et le modèle compte. En Suisse, la loi sur la protection des données impose de savoir où vont les données ; nous privilégions des déploiements en Suisse ou dans l'UE, avec un contrat qui exclut tout réentraînement.

• Un jeu de questions de test. Trente à cinquante questions réelles, avec les réponses attendues, rédigées par les métiers. C'est ce qui permet de mesurer le taux de bonnes réponses avant l'ouverture aux équipes, puis à chaque mise à jour.

Un exemple : 4 200 documents, 82 % de bonnes réponses, puis 94 %

Une PME romande de 80 collaborateurs, active dans l'installation technique du bâtiment, gérait 4 200 documents utiles : notices fournisseurs, procédures de sécurité, comptes rendus de chantier, contrats-cadres. Les techniciens perdaient en moyenne 25 minutes par jour à chercher une information, et appelaient le bureau technique pour le reste.

Le tri initial a ramené le corpus à 2 900 documents faisant foi. Le RAG a été relié à la GED existante, en conservant ses droits d'accès, et testé sur 50 questions rédigées par le bureau technique. Premier résultat : 82 % de bonnes réponses. L'analyse des 18 % restants a montré que la plupart venaient de documents scannés illisibles ou de notices en double ; après correction du corpus, le taux est passé à 94 %.

Après quatre mois d'usage, le temps de recherche mesuré est passé de 25 à 8 minutes par jour et par technicien, et les appels au bureau technique ont baissé d'un tiers. Chaque réponse cite le document source, ce qui a eu un effet inattendu : les techniciens signalent désormais les notices obsolètes, et le corpus s'améliore.

Par où commencer en PME

Nous recommandons de partir d'un seul périmètre documentaire, celui où le temps de recherche coûte le plus cher : procédures, contrats, ou support client. Un pilote se monte en six à huit semaines, avec un jeu de questions de test dès la première semaine et un point de décision à la fin. Si le taux de bonnes réponses dépasse 85 % sur les questions métier, on élargit ; sinon, on corrige le corpus avant d'ajouter quoi que ce soit.

Ce qu'il ne faut pas faire : indexer « tout le serveur » en espérant que l'outil fera le tri. Il ne le fera pas, et les utilisateurs perdront confiance dès la première réponse fausse.

Ce que nous en retenons

Le RAG est aujourd'hui le moyen le plus sûr de faire travailler l'IA sur votre connaissance interne, parce qu'il ne l'expose pas et parce qu'il cite ses sources. Mais sa réussite se joue dans les documents, pas dans le modèle : un corpus trié, des droits respectés, un jeu de test maintenu. C'est un projet de données avant d'être un projet d'IA, et c'est une bonne nouvelle : ces fondations servent ensuite à tout le reste.

Pour situer votre organisation sur ces sujets, notre Baromètre IA donne une première lecture en quelques minutes. Pour cadrer un pilote, contactez-nous.