RAG en entreprise : ce qui fait un bon assistant documentaire
Un assistant documentaire promet de répondre aux questions à partir des documents de l'entreprise, sources à l'appui. La technique qui le permet, le RAG, se met en place rapidement. Ce qui prend du temps, c'est d'obtenir des réponses justes, à jour, et qui respectent les droits d'accès de chacun. Ce guide porte sur cette partie-là.
Publié le 22 septembre 2026
Le principe, en une minute
Un modèle de langage ne connaît pas vos documents. Le RAG (retrieval-augmented generation, génération augmentée par la recherche) contourne cette limite : avant de répondre, le système cherche les passages pertinents dans vos documents et les fournit au modèle avec la question. Le principe a été formalisé en 2020 dans un article de recherche de Lewis et al..
- IngérerLes documents sont récupérés dans leurs sources (partages, GED, wiki, messagerie) et leur texte est extrait.
- Découper et indexerChaque document est découpé en passages, indexés pour la recherche par mots-clés et par le sens.
- RechercherÀ chaque question, le système retrouve les passages les plus pertinents auxquels l'utilisateur a droit.
- Répondre en citantLe modèle rédige la réponse à partir de ces passages, et indique d'où vient chaque information.
Le modèle n'intervient qu'à la dernière étape. La qualité d'un assistant documentaire se joue donc surtout en amont, dans ce qu'on lui donne à lire. Dans l'architecture d'une plateforme interne, décrite dans le guide L'IA générative on-premise en entreprise, c'est aussi la couche qui demande le plus de travail d'exploitation dans la durée.
Pourquoi tant d'assistants documentaires déçoivent
Quand un assistant répond mal, le réflexe est d'accuser le modèle. Le plus souvent, le modèle a fidèlement résumé un mauvais passage. Les causes se trouvent dans la chaîne documentaire.
- Des sources obsolètes ou en double : trois versions d'une même procédure, dont deux périmées, et l'assistant cite la mauvaise avec aplomb.
- Une extraction ratée : PDF scannés sans reconnaissance de texte, tableaux aplatis, en-têtes et pieds de page mélangés au contenu.
- Un découpage qui coupe le sens : une condition d'un côté, son exception dans le passage suivant, jamais retrouvés ensemble.
- Une recherche uniquement sémantique : elle retrouve les idées proches, mais rate les références exactes comme un numéro de contrat, un code produit ou le nom d'un article de règlement. Combiner recherche par mots-clés et recherche par le sens corrige ce défaut.
- Aucun refus : quand rien de pertinent n'est trouvé, l'assistant invente au lieu de dire qu'il ne sait pas.
Changer de modèle ne corrige ces défauts qu'à la marge. Ils se corrigent par le travail sur les sources, par les réglages de la chaîne et par la consigne donnée au modèle.
Les droits d'accès : la condition non négociable
Un assistant documentaire qui ignore les droits d'accès transforme un moteur de recherche interne en fuite d'information : il suffit de poser la bonne question pour obtenir un extrait d'un dossier RH ou d'une note de direction. Le risque est d'autant plus sérieux que personne ne le voit : aucune alerte, juste une réponse bien formulée.
Trois exigences en découlent :
- Le filtrage se fait à la recherche, pas à l'affichage. Un passage auquel l'utilisateur n'a pas droit ne doit jamais atteindre le modèle, même s'il n'apparaît pas dans la réponse.
- Les droits suivent ceux de la source. Un document retiré d'un partage, ou un collaborateur qui change de service, doit se refléter dans l'index sans délai excessif.
- Le périmètre est explicite. L'utilisateur, ou l'agent qui travaille pour lui, sait sur quelles collections porte la recherche.
La même logique s'applique quand un agent va chercher l'information directement dans les outils métier : le guide Connecter un agent IA à son SI traite des droits avec lesquels il agit.
Les critères d'un bon assistant documentaire
Avant de choisir un outil ou de valider un projet, ce tableau sert de grille d'examen.
| Critère | Question à poser | Signal d'alerte |
|---|---|---|
| Sources citées | Chaque réponse renvoie-t-elle au passage exact et au document d'origine ? | Une liste de documents sans passage, ou pas de source du tout |
| Refus | Que répond l'outil quand l'information n'existe pas ? | Une réponse plausible, sans source |
| Fraîcheur | En combien de temps un document modifié est-il pris en compte ? | Une réindexation manuelle ou mensuelle |
| Recherche | Retrouve-t-il un numéro de contrat ou une référence exacte ? | Seule la recherche par le sens est disponible |
| Formats | Traite-t-il les PDF scannés, les tableaux, les présentations ? | Des documents indexés vides ou illisibles |
| Droits | Les droits de la source s'appliquent-ils à la recherche ? | Un index unique, visible par tous |
Un outil qui échoue sur les deux premières lignes n'est pas un assistant documentaire, c'est un générateur de texte vraisemblable.
Mesurer la qualité avant de généraliser
Un assistant documentaire se juge sur un jeu de questions réelles, pas sur une démonstration. Rassemblez quelques dizaines de questions posées par les métiers, avec pour chacune le document qui contient la réponse.
Mesurez ensuite deux choses séparément. D'abord la recherche : le bon passage figure-t-il parmi ceux que le système a retrouvés ? Ensuite la réponse : est-elle juste, fidèle au passage et correctement sourcée ? Cette séparation dit où agir. Si la recherche échoue, changer de modèle ne servira à rien ; si la recherche réussit et que la réponse est fausse, le problème est dans la consigne ou dans le modèle.
Ajoutez des questions sans réponse dans le corpus, pour vérifier que l'assistant sait le dire. Rejouez l'ensemble à chaque changement : nouvelle source, nouveau découpage, nouveau modèle. Et commencez petit : une collection bien tenue, pour un métier, vaut mieux que tout le partage réseau indexé d'un coup.
Un RAG réduit les réponses inventées, il ne les supprime pas. Les citations servent à vérifier : un utilisateur qui ne clique jamais sur les sources fait confiance à l'outil sans contrôle.
Questions fréquentes
Faut-il choisir entre RAG et affinage du modèle ?
Pour faire connaître vos documents au modèle, le RAG est le bon outil : il se met à jour au fil des documents et cite ses sources. L'affinage modifie le comportement du modèle, pas sa connaissance consultable ; il sert plutôt à imposer un style ou un format. Le choix du modèle lui-même est traité dans le guide LLM open source ou propriétaire.
Faut-il une base vectorielle dédiée ?
Pas nécessairement. Une base vectorielle spécialisée est une option, mais une base relationnelle déjà exploitée, comme PostgreSQL avec l'extension pgvector, peut suffire. Le critère est surtout opérationnel : sauvegarde, supervision et compétences disponibles dans vos équipes.
Un assistant documentaire peut-il fonctionner sans flux sortant ?
Oui. L'indexation, la recherche et le modèle peuvent tous tourner dans votre périmètre. Ce choix est même le plus simple à justifier pour des documents sensibles, puisque les extraits envoyés au modèle ne quittent jamais votre système d'information.
Où se situe SmartAGT
SmartAGT se déploie dans votre périmètre, avec un modèle 100 % local si vous le souhaitez, sans aucun flux sortant. Les bases vectorielles prises en charge sont PostgreSQL avec pgvector et Pinecone.
Les connecteurs SharePoint, OneDrive, Google Drive et Confluence, entre autres, agissent avec les droits du compte connecté. Des exemples d'usages sont sur la page Cas d'usage.
