RAG en entreprise : préparer les données avant de choisir la technologie

Le RAG ne répare pas une connaissance mal organisée

Le principe du RAG — rechercher des informations puis les fournir au modèle pour générer une réponse — paraît direct. Dans un environnement réel, les difficultés se trouvent rarement dans la seule génération. Elles apparaissent dans les versions de documents, les droits d’accès, les acronymes, les tableaux, les contenus obsolètes et les sources qui se contredisent.

Indexer davantage de fichiers ne garantit donc pas de meilleures réponses. Un système documentaire qui ne sait pas quelle procédure est applicable ne devient pas fiable parce qu’un modèle la reformule élégamment.

Commencer par l’inventaire des sources

Listez les espaces documentaires, bases métier, outils collaboratifs et contenus structurés susceptibles d’alimenter le système. Pour chaque source, documentez le propriétaire, la fréquence de mise à jour, la sensibilité, le périmètre d’utilisateurs et le mécanisme de suppression.

Cette étape révèle souvent plusieurs catégories :

• les sources de référence, validées et maintenues ;
• les contenus utiles mais contextuels, comme des retours d’expérience ;
• les brouillons et archives qui ne devraient pas guider une réponse actuelle ;
• les données personnelles ou contractuelles soumises à des règles spécifiques ;
• les contenus dupliqués sans propriétaire clair.

La décision la plus importante peut être de ne pas indexer certaines sources tant qu’elles ne sont pas gouvernées.

Concevoir une ingestion reproductible

L’ingestion transforme les contenus en unités recherchables. Elle doit être versionnée et observable : quand un document a-t-il été importé ? Quel extracteur a été utilisé ? Quelles métadonnées ont été conservées ? La suppression à la source est-elle répercutée ?

:::

Découper selon la structure et l’usage

Un découpage arbitraire tous les mêmes nombres de caractères peut séparer une condition de son exception ou un titre de son tableau. À l’inverse, des blocs trop longs diluent le signal et consomment du contexte.

Le bon découpage suit la structure du contenu et les questions attendues. Une procédure peut être segmentée par étape tout en conservant le titre et les prérequis. Un contrat nécessite de rattacher chaque clause à sa section. Une fiche produit doit garder ensemble les caractéristiques qui se répondent.

Ajoutez au fragment ce qui permet de l’interpréter : titre du document, chemin des sections, date d’effet et identifiant source. Le texte récupéré doit rester compréhensible lorsqu’il est sorti de sa page d’origine.

Les tableaux et contenus complexes

Les tableaux sont souvent mal extraits. Une cellule perd son sens sans son en-tête, et une ligne peut dépendre d’une note de bas de page. Testez explicitement les PDF, présentations, feuilles de calcul et documents scannés présents dans votre corpus. Selon le besoin, une extraction structurée ou une requête directe vers la donnée métier sera plus fiable qu’une représentation vectorielle.

Combiner recherche lexicale et sémantique

La recherche sémantique retrouve des formulations proches, tandis que la recherche lexicale excelle sur les références exactes, codes produit, noms et acronymes. Leur combinaison offre souvent un meilleur point de départ qu’une approche unique.

Un parcours de récupération peut inclure :

1. la normalisation de la question ;
2. l’application des filtres de permission et de contexte ;
3. une recherche lexicale et sémantique ;
4. la fusion des candidats ;
5. un reclassement selon la demande ;
6. la sélection de passages complémentaires ;
7. la génération avec obligation de citer les sources.

Gérer les permissions de bout en bout

Le système doit propager l’identité et les groupes de l’utilisateur jusqu’à la récupération. Les autorisations peuvent être copiées dans l’index ou évaluées auprès de la source au moment de la requête. Chaque approche implique des compromis de fraîcheur, de latence et de complexité.

Prévoyez les changements de poste, départs, partages temporaires et suppressions. Un index qui continue à servir un document supprimé est un défaut fonctionnel, même si la réponse est exacte. Journalisez les références consultées sans exposer inutilement leur contenu dans les traces.

Apprendre au système à ne pas répondre

Un RAG fiable sait reconnaître l’absence de preuve. Les instructions doivent demander au modèle de distinguer ce qui est soutenu, ce qui est une hypothèse et ce qui manque. Le produit peut proposer une question de clarification, orienter vers un expert ou afficher les documents les plus proches sans fabriquer une synthèse certaine.

La qualité du refus doit être évaluée. Un système trop prudent devient inutile ; un système trop affirmatif crée de la confiance injustifiée. Constituez des cas où la bonne réponse n’existe pas dans le corpus, ainsi que des cas où plusieurs sources doivent être combinées.

:::

Évaluer la récupération séparément de la réponse

Si une réponse est incorrecte, demandez d’abord si le bon passage figurait parmi les résultats. Une mauvaise récupération ne se corrige pas durablement par une consigne de rédaction. À l’inverse, si les sources correctes sont disponibles mais mal exploitées, ajustez le contexte, les instructions ou le modèle.

Pour la récupération, mesurez la présence des documents attendus, leur position, la diversité utile et le bruit introduit. Pour la génération, vérifiez l’ancrage des affirmations, la complétude, les citations et la capacité à signaler une insuffisance.

Les évaluations doivent inclure des noms proches, des versions contradictoires, des questions multi-sources, des références exactes et des demandes hors corpus. Une bonne performance moyenne sur des questions simples ne garantit pas la fiabilité dans ces situations.

Exploiter le système comme un produit de données

Surveillez les échecs d’ingestion, l’âge des sources, les volumes par espace, les documents jamais récupérés et les requêtes sans résultat satisfaisant. Donnez aux propriétaires métier un moyen de corriger ou dépublier un contenu. La maintenance documentaire ne peut pas reposer uniquement sur l’équipe technique.

Lorsqu’une réponse est signalée, la trace doit permettre de retrouver la question, les filtres, les fragments, leurs versions et la configuration de génération. Cette capacité réduit le temps de diagnostic et évite de corriger à l’aveugle.

:::