RAG : faire répondre une IA à partir de vos documents internes, sans fuite de données
Le RAG en entreprise fait répondre une IA à partir de vos procédures, contrats et catalogues, en citant ses sources. Fonctionnement, droits d'accès, limites et budget.
Publié le · Mis à jour le · 8 min de lecture
Rédigé par Karim Brahim
Le RAG en entreprise fait répondre une IA à partir de vos documents internes : procédures, contrats, catalogues. À chaque question, le système retrouve les passages pertinents, puis le modèle rédige une réponse fondée sur ces seuls extraits, en citant ses sources. Contre les fuites : contrats adaptés, droits d'accès respectés et sécurité des contenus lus.
Fonctionnement, cas d'usage, architecture, limites et budget d'un projet RAG pour une PME.
Le problème que le RAG résout
Un grand modèle de langage connaît beaucoup de choses, mais pas vos tarifs, vos procédures qualité ou les clauses de vos contrats. Si on l'interroge sans contexte, il peut produire une réponse plausible mais fausse : c'est l'hallucination.
Deux solutions sont souvent évoquées :
- Réentraîner le modèle sur vos documents (fine-tuning) : coûteux, long, à refaire à chaque mise à jour, et peu fiable pour restituer des faits précis.
- Lui fournir les bons extraits au moment de la question : c'est le RAG, décrit dans un article de recherche de 2020. Le modèle ne mémorise rien : il lit, puis répond.
Le tableau compare ces approches selon l'usage visé, la mise à jour et la traçabilité des sources.
| Approche | Idéale pour | Mise à jour | Traçabilité des sources |
|---|---|---|---|
| Modèle seul | culture générale, rédaction | aucune | aucune |
| Documents collés dans la conversation | quelques documents ponctuels | manuelle | faible |
| RAG | base documentaire qui évolue, nombreux documents | automatique à l'ajout d'un document | citations précises |
| Fine-tuning | style, format ou tâche très spécifique | nouvel entraînement | aucune |
Comment fonctionne un assistant RAG, étape par étape
1. Collecte des documents
On connecte les sources : dossiers partagés, intranet, outil de gestion documentaire, base de connaissances du support, catalogue produits, voire une base de données. On choisit précisément ce qui entre dans le périmètre, et ce qui en est exclu.
2. Préparation et découpage
Les documents sont convertis en texte exploitable, y compris les PDF scannés (reconnaissance de caractères) et les tableaux, puis découpés en passages cohérents. Chaque passage conserve ses métadonnées : titre, date, version, service, niveau de confidentialité.
3. Indexation
Chaque passage est transformé en représentation numérique de son sens (un « embedding ») et stocké dans une base vectorielle. Une recherche par mots-clés est souvent combinée à cette recherche sémantique, pour retrouver aussi les références exactes : numéros de pièce, noms de clauses, codes produits.
4. Recherche au moment de la question
Quand un utilisateur pose une question, le système cherche les passages les plus pertinents parmi ceux qu'il a le droit de consulter, puis les classe par pertinence.
5. Génération de la réponse
Le modèle reçoit la question, les passages retenus et des consignes strictes. Il doit répondre uniquement à partir des extraits et citer les sources. Il signale les contradictions et dit clairement quand l'information n'est pas disponible.
6. Mise à jour continue
Quand un document est ajouté, modifié ou supprimé, l'index est mis à jour. Voilà l'un des grands avantages du RAG : l'assistant reflète toujours la dernière version validée.
Ce qui fait la qualité d'un RAG
Le choix du modèle compte, mais la préparation des documents compte davantage. Des procédures en doublon, des versions contradictoires ou des PDF mal numérisés produisent des réponses médiocres, quel que soit le modèle utilisé.
Cas d'usage concrets par secteur
Un assistant RAG sert partout où des collaborateurs cherchent une information dans des documents écrits. Voici des exemples fictifs de documents et de questions, par type d'entreprise.
| Secteur | Documents | Questions typiques |
|---|---|---|
| Artisan ou entreprise du bâtiment | fiches techniques fabricants, notices, normes internes, historique de chantiers | « Quel temps de séchage pour ce produit sous 10 °C ? », « Quelle référence de joint pour ce modèle ? » |
| Restaurant ou groupe de restaurants | fiches recettes, allergènes, procédures d'hygiène, planning | « Ce plat contient-il des fruits à coque ? », « Quelle procédure en cas de rupture de la chaîne du froid ? » |
| Cabinet d'avocats, d'expertise comptable ou de conseil | modèles d'actes, notes internes, veille, lettres de mission | « Quelle clause de non-concurrence utilisons-nous habituellement ? », « Quelle est notre position interne sur tel sujet ? » |
| E-commerce | catalogue, fiches produits, conditions de retour, FAQ fournisseurs | « Ce modèle est-il compatible avec telle référence ? », « Quel délai de retour pour un produit personnalisé ? » |
| PME industrielle ou de services | procédures qualité, contrats clients, documentation technique, base de tickets | « Quelles pénalités prévoit le contrat avec ce client ? », « Comment a-t-on résolu cette panne la dernière fois ? » |
Le RAG sert aussi en façade : un chatbot de site internet qui répond à partir de vos pages et de votre FAQ applique le même principe. Voir notre guide Chatbot IA pour site internet : à quoi ça sert, combien ça coûte.
Sans fuite de données : les choix qui comptent
Choisir le bon mode d'hébergement du modèle
| Option | Principe | Confidentialité | Qualité et coût |
|---|---|---|---|
| API d'un grand fournisseur, offre professionnelle | le modèle tourne chez le fournisseur, vos extraits lui sont envoyés à chaque question | bonne si le contrat exclut l'entraînement et encadre la conservation ; transferts hors UE à étudier | modèles les plus performants, paiement à l'usage |
| Modèle via un cloud européen | modèle proposé par un hébergeur situé dans l'Union européenne | bonne, localisation maîtrisée | bon compromis, catalogue de modèles plus restreint |
| Modèle ouvert sur vos serveurs | un modèle à poids ouverts installé chez vous ou sur un serveur dédié | maximale : aucune donnée ne sort | investissement matériel et maintenance, performances à valider sur vos cas |
La CNIL a publié en juillet 2024 des questions-réponses sur l'utilisation d'un système d'IA générative. Elle recommande de tenir compte de la sensibilité des données dans ce choix. Elle juge un déploiement sur site généralement plus sûr lorsque des données personnelles ou sensibles sont en jeu. Elle invite aussi à analyser ce que le fournisseur peut faire des données transmises.
Respecter les droits d'accès
Voilà le point le plus souvent négligé. Si un document RH ou un contrat confidentiel est indexé sans filtre, n'importe quel utilisateur pourra en obtenir le contenu en posant la bonne question. Un RAG d'entreprise doit :
- Reprendre les droits des sources d'origine (tel dossier réservé à la direction, tel autre au service commercial) ;
- Filtrer la recherche selon l'identité de l'utilisateur avant que les extraits ne soient transmis au modèle ;
- Exclure purement et simplement les documents qui n'ont rien à faire dans l'assistant.
Se protéger des consignes cachées dans les documents
Un document peut contenir, volontairement ou non, un texte du type « ignore les consignes précédentes ». Les extraits récupérés doivent être traités comme des données, jamais comme des instructions. L'assistant ne doit disposer d'aucune capacité d'action dangereuse. Ce point compte d'autant plus si le RAG alimente un agent IA qui agit dans d'autres outils.
Sécuriser et tracer
- Authentification des utilisateurs, idéalement avec le compte d'entreprise existant.
- Chiffrement des documents, de l'index et des échanges.
- Journalisation des questions et des documents consultés, avec une durée de conservation définie.
- Aucun secret (mot de passe, clé d'accès) dans les documents indexés.
Respecter le RGPD
Vos documents contiennent presque toujours des données personnelles : noms de clients, coordonnées, salariés. Le RGPD impose de définir la finalité de l'assistant et de minimiser les données indexées. Il faut aussi encadrer les sous-traitants par contrat et informer les collaborateurs. Enfin, une analyse d'impact peut être nécessaire si des données sensibles ou des volumes importants sont concernés. Ces vérifications se mènent avec votre délégué à la protection des données ou un juriste.
Les limites à connaître
Un RAG ne répond pas à tout. Ses limites tiennent surtout au type de question, à la qualité des documents et au coût de chaque réponse.
- Les questions de synthèse globale (« combien de contrats expirent cette année ? ») se traitent mal par recherche de passages. Elles relèvent plutôt d'une requête dans une base de données ou d'un tableau de bord.
- Les documents contradictoires : si deux versions d'une procédure coexistent, l'assistant peut citer la mauvaise. La gouvernance documentaire est un prérequis.
- Les tableaux, schémas et scans demandent une préparation spécifique ; sans elle, l'information est perdue ou déformée.
- Le coût à l'usage : chaque question envoie au modèle des extraits de texte, facturés en tokens. Plus on transmet d'extraits, plus la réponse coûte. Il faut trouver le bon équilibre entre pertinence et coût.
- La responsabilité reste humaine : pour un conseil juridique, un calcul de dimensionnement ou une décision médicale, l'assistant aide à retrouver l'information, un professionnel valide.
Mesurer la qualité avant de déployer
Un projet sérieux constitue, avec les futurs utilisateurs, un jeu de questions de référence accompagnées des bonnes réponses et des documents attendus. On mesure ensuite :
- Si les bons passages sont retrouvés ;
- Si la réponse est fidèle aux sources, sans ajout inventé ;
- Si l'assistant sait dire « je ne trouve pas cette information » ;
- Si les droits d'accès sont respectés, en testant avec des profils différents.
Ces tests sont rejoués à chaque évolution importante : nouveau modèle, nouvelles sources, changement de découpage.
Déroulé et budget d'un projet RAG
Un projet RAG avance par étapes, du cadrage au suivi. Le prototype sur un périmètre restreint permet de valider la qualité avant d'investir dans l'industrialisation.
- Cadrage : utilisateurs, questions prioritaires, sources, niveaux de confidentialité, contraintes d'hébergement.
- Audit documentaire : doublons, versions, formats, documents à exclure.
- Prototype sur un périmètre restreint et un jeu de questions de référence.
- Industrialisation : connexions aux sources, gestion des droits, authentification, journalisation.
- Formation des utilisateurs : bien formuler ses questions, vérifier les sources, signaler les erreurs.
- Suivi : questions sans réponse, documents à compléter, évolution des coûts.
| Projet | Contenu | À partir de (Dopinet, HT, indicatif) |
|---|---|---|
| Chatbot IA de site internet (RAG sur contenus publics) | pages, FAQ, conditions | 1 490 € + 49 €/mois |
| Assistant RAG sur documents internes | sources internes, droits d'accès, citations, hébergement adapté | 4 900 € |
| Formation IA des équipes | usages, vérification des sources, bonnes pratiques | 1 290 € par jour |
Le coût de fonctionnement dépend du volume de questions, du modèle et de l'hébergement choisi. Pour une vision plus large des tâches que l'IA peut prendre en charge, lisez aussi Agents IA : 7 tâches qu'une PME peut automatiser dès maintenant.
Ce qu'il faut retenir sur le RAG en entreprise
- Le RAG répond à partir de vos documents, cite ses sources et se met à jour sans réentraînement.
- Trois options d'hébergement : API professionnelle, cloud européen ou modèle ouvert sur vos serveurs.
- Les droits d'accès doivent filtrer la recherche avant tout envoi d'extraits au modèle.
- La qualité se mesure sur un jeu de questions de référence, rejoué à chaque évolution.
- Un assistant RAG sur documents internes démarre à 4 900 € HT chez Dopinet (indicatif).
Vous voulez qu'une IA réponde enfin à partir de vos procédures, contrats ou catalogues, sans exposer vos données ? Découvrez notre offre d'assistant RAG sur documents internes et demandez votre devis : nous vous répondons rapidement avec une proposition personnalisée.