Réponse en bref
Un chatbot RAG est un assistant qui cherche d’abord dans vos propres documents, puis rédige la réponse à partir des passages trouvés en indiquant le fichier. Il s’appuie sur la matière à jour de l’entreprise plutôt que sur la mémoire du modèle. Il exige des documents propres, des droits d’accès et une liste de tests, et devient superflu quand une page de FAQ suffirait.
Un chatbot RAG répond avec vos documents, pas de mémoire
Un chatbot rag est un assistant qui consulte avant de parler. Quand on lui pose une question, il cherche d’abord dans un ensemble de documents, puis rédige la réponse à partir des passages trouvés. Le nom vient de retrieval-augmented generation, une méthode décrite en 2020 par Patrick Lewis et ses collègues, puis acceptée à NeurIPS. Les auteurs ont combiné deux types de mémoire : ce que le modèle a appris à l’entraînement et un index externe de textes qu’il peut consulter.
La raison est pratique. Le résumé de cet article affirme que fournir l’origine des décisions d’un modèle et mettre à jour ses connaissances restent des problèmes de recherche ouverts. Une entreprise y est confrontée dès le premier jour. L’assistant doit dire d’où vient un prix ou une règle, et la grille tarifaire change chaque trimestre. La recherche atténue les deux : si vous modifiez le document, la réponse suivante change, et le fichier est nommé à côté d’elle.
Les quatre étapes entre une question et une réponse sourcée
Wikipédia décrit le processus en quatre étapes. L’indexation transforme les données sources en vecteurs numériques stockés dans une base vectorielle. La recherche sélectionne les documents les plus pertinents pour la question. L’augmentation ajoute ces passages à la question transmise au modèle, et la génération produit la réponse à partir des deux.
La documentation d’OpenAI montre la même chaîne sous forme de produit. Son outil de recherche dans les fichiers travaille sur les fichiers que vous téléversez : vous les ajoutez à un magasin vectoriel, qui sert de base de connaissances, et le modèle appelle l’outil quand il le juge utile. La réponse arrive avec des citations portant le nom du fichier, et les formats pris en charge comprennent PDF, DOCX, PPTX, Markdown et HTML. La documentation de Microsoft ajoute qu’envoyer dix mille pages à chaque question gaspille des jetons et dégrade la qualité, si bien que seuls quelques fragments pertinents doivent atteindre le modèle. Elle note aussi que les personnes et les documents emploient rarement les mêmes mots, d’où l’intérêt de combiner recherche par mots-clés et recherche vectorielle.
Comment préparer les documents de l’entreprise pour que la recherche fonctionne
La réponse ne peut pas être meilleure que le document qui la fonde. Wikipédia range parmi les faiblesses connues les informations contradictoires ou périmées : le système peut ne pas savoir quelle source est la bonne et mélanger l’ancien et le nouveau. Le premier travail est donc du rangement. Gardez une seule version à jour de chaque document, retirez ou signalez les anciennes, et indiquez une date et un responsable sur chaque fichier.
Le guide de Microsoft explique que la préparation du contenu décide de la qualité et que les grands documents sont découpés en fragments pour que chaque partie puisse être retrouvée séparément. Les pages numérisées demandent d’abord une reconnaissance de texte. En pratique, des titres, des sections courtes et des tableaux contenant du vrai texte fonctionnent mieux que des captures de tableaux. Commencez petit : dix ou vingt documents qui répondent aux questions les plus fréquentes des clients et des équipes forment un meilleur premier lot que tout le disque partagé.
Droits d’accès : qui peut voir quelle réponse
Microsoft cite la sécurité et la gouvernance parmi les défis centraux de la méthode. Ouvrir des contenus privés à un modèle de langage exige un contrôle d’accès fin, afin que chacun ne récupère que ce qu’il a le droit de voir. Son exemple est limpide : les données financières ne doivent atteindre que l’équipe finance, même lorsqu’un dirigeant interroge le chatbot.
Le contrôle appartient à l’étape de recherche. Les pages de Microsoft décrivent le filtrage de sécurité au niveau du document et des filtres appliqués au moment de la requête, et la recherche dans les fichiers d’OpenAI peut restreindre les résultats selon des attributs de fichier grâce à un filtre de métadonnées. L’OWASP, qui recense les principaux risques des applications à base de modèles de langage, recommande le moindre privilège : ne donner que les données nécessaires à l’utilisateur ou au processus concerné. Il prévient aussi que les restrictions écrites dans une consigne système peuvent ne pas être respectées et être contournées par injection de prompt.
Une phrase comme ne montre jamais les salaires n’est donc pas une mesure de sécurité. Avant la construction, décidez quels groupes existent, quels dossiers chacun peut lire et qui tient cette liste à jour. Si les fichiers contiennent des données personnelles de salariés ou de clients, faites examiner votre cas par un avocat avant leur entrée dans l’index.
Tester les réponses avant que quiconque ne s’y fie
Avant le lancement, rédigez une liste de trente questions réelles avec leurs bonnes réponses. Incluez des questions dont la réponse se trouve dans un fichier, dans deux fichiers qui se contredisent, dans aucun et dans un fichier que le demandeur ne doit pas voir. Selon Wikipédia, les modèles peuvent répondre même quand l’information manque, au lieu de signaler leur incertitude ; le cas « aucun fichier » est donc le plus parlant : la bonne réponse est que rien n’a été trouvé.
Vérifiez la source, pas seulement la formulation. Ouvrez le fichier cité et comparez-le à la réponse, car Wikipédia relève aussi qu’un modèle peut mal interpréter le contexte même quand la source est correcte. Les réglages sont aussi un compromis : la documentation d’OpenAI précise que réduire le nombre de résultats récupérés économise des jetons et du temps mais peut abaisser la qualité de la réponse. Conservez la liste et repassez-la après chaque changement de documents ou de réglages.
Ce qu’un chatbot RAG se trompe encore à faire
Wikipédia est directe sur la limite : la recherche réduit les hallucinations mais ne les supprime pas. Le système peut ramener une source exacte sur les faits mais trompeuse, mêler une règle en vigueur à une règle périmée ou mal comprendre le contexte d’une phrase. La citation sous la réponse existe pour qu’une personne le voie et le corrige, pas pour dispenser de lire la réponse.
Le texte récupéré peut aussi être hostile. Wikipédia décrit l’empoisonnement de RAG, où les sources consultées par le système sont manipulées, et l’OWASP décrit l’injection de prompt. Un assistant privé sur vos propres fichiers y est moins exposé, mais le risque grandit là où l’index absorbe du texte extérieur : courriels de clients, pages web, fichiers déposés par des tiers. Laissez à un humain tout ce qui entraîne des conséquences juridiques ou financières.
Quand un chatbot RAG est excessif pour une petite entreprise
Si tout le savoir tient sur une page, écrivez cette page. Une FAQ bien titrée et la recherche du site répondent plus vite à quelques dizaines de questions stables, coûtent moins cher et n’inventent rien. Même chose pour trois personnes avec dix fichiers dans un dossier : la recherche du dossier suffit.
La méthode devient rentable là où les documents sont nombreux, où les mêmes questions reviennent et où la réponse doit montrer sa source : un support qui lit des notices produit, de nouveaux salariés qui lisent des procédures, des commerciaux qui consultent tarifs et conditions. Elle ne convient pas aux données vivantes comme les stocks ou l’état d’une commande, qui viennent d’une requête en base et non d’une recherche documentaire. Et si les documents se contredisent, corrigez d’abord les documents.
Quoi préparer avant de commander un assistant privé sur vos documents
Apportez quatre choses. Choisissez dix documents contenant les réponses les plus fréquentes, dans leur version à jour. Notez quelle personne ou quelle équipe peut lire chacun d’eux. Écrivez vingt questions réelles avec les réponses que vous jugez correctes, dont deux auxquelles les fichiers ne peuvent pas répondre. Décidez où vivra l’assistant : sur le site, dans une messagerie ou dans l’espace de travail de l’équipe.
VITON13 Studio propose cela sous la forme d’un forfait nommé Assistant privé sur vos documents. L’assistant répond uniquement à partir de vos documents, place une référence à la source sous chaque réponse et limite l’accès par personne ou par équipe. Avant tout paiement, le studio construit une démonstration sur dix de vos propres documents, pour que vous jugiez les réponses sur votre matière et non sur une vitrine.
Le prix fixe est de 213 $, et l’abonnement mensuel, qui couvre l’hébergement et la mise à jour des documents, coûte 33 $ par mois. Le travail demande de 10 à 15 jours ouvrés. Aucun résultat n’est promis d’avance : ce que l’assistant saura répondre dépend des documents que vous lui donnez, et c’est pourquoi la démonstration gratuite passe en premier. La page du forfait et celle du brouillon gratuit détaillent les conditions exactes.
Checklist pratique
- Choisissez dix documents à jour contenant les réponses les plus fréquentes et retirez les anciennes versions.
- Notez quelle personne ou quelle équipe peut lire chaque document avant d’indexer quoi que ce soit.
- Préparez vingt questions réelles avec bonne réponse, dont deux sans réponse dans les fichiers.
- Sous chaque réponse de test, ouvrez le fichier cité et comparez-le à la formulation.
- Désignez un responsable qui met les documents à jour et repasse la liste de questions après chaque changement.
Questions et réponses
En quoi un chatbot RAG diffère-t-il d’un chatbot classique ?
Un chatbot classique répond avec ce que le modèle a appris à l’entraînement ou avec des scénarios figés. Un chatbot RAG récupère d’abord des passages de vos propres documents et rédige la réponse à partir d’eux ; il peut donc s’appuyer sur du contenu récent et nommer le fichier.
Le RAG empêche-t-il totalement le modèle d’inventer ?
Non, il réduit les inventions sans les supprimer. Wikipédia indique que les hallucinations restent possibles ; chaque réponse doit donc montrer sa source, et une personne doit vérifier tout ce qui a un poids juridique ou financier.
Quels formats de fichiers un assistant de documents sait-il lire ?
Cela dépend de l’outil. La documentation de la recherche dans les fichiers d’OpenAI cite notamment PDF, DOCX, PPTX, Markdown, JSON, HTML et texte brut. Les images numérisées demandent une reconnaissance de texte ; mieux vaut donc des fichiers contenant du vrai texte.
Comment empêcher le personnel de voir des documents qu’il ne doit pas voir ?
Appliquez les règles à l’étape de recherche, pour que la question d’une personne n’atteigne que les fichiers qu’elle a le droit de lire. Une consigne donnée au modèle peut être contournée, comme le prévient l’OWASP : elle ne doit pas être la seule barrière.
Combien de documents faut-il pour démarrer ?
Pour une première version, dix à vingt documents à jour couvrant les questions les plus courantes suffisent. Un petit lot propre est plus facile à tester et montre vite si l’approche convient à votre équipe avant d’ajouter le reste.