Aller au contenu
IA & automatisation

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

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.

ApprocheIdéale pourMise à jourTraçabilité des sources
Modèle seulculture générale, rédactionaucuneaucune
Documents collés dans la conversationquelques documents ponctuelsmanuellefaible
RAGbase documentaire qui évolue, nombreux documentsautomatique à l'ajout d'un documentcitations précises
Fine-tuningstyle, format ou tâche très spécifiquenouvel entraînementaucune

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.

SecteurDocumentsQuestions typiques
Artisan ou entreprise du bâtimentfiches 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 restaurantsfiches 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 conseilmodèles 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-commercecatalogue, 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 servicesprocédures 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

OptionPrincipeConfidentialitéQualité et coût
API d'un grand fournisseur, offre professionnellele modèle tourne chez le fournisseur, vos extraits lui sont envoyés à chaque questionbonne si le contrat exclut l'entraînement et encadre la conservation ; transferts hors UE à étudiermodèles les plus performants, paiement à l'usage
Modèle via un cloud européenmodèle proposé par un hébergeur situé dans l'Union européennebonne, localisation maîtriséebon compromis, catalogue de modèles plus restreint
Modèle ouvert sur vos serveursun modèle à poids ouverts installé chez vous ou sur un serveur dédiémaximale : aucune donnée ne sortinvestissement 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.

  1. Cadrage : utilisateurs, questions prioritaires, sources, niveaux de confidentialité, contraintes d'hébergement.
  2. Audit documentaire : doublons, versions, formats, documents à exclure.
  3. Prototype sur un périmètre restreint et un jeu de questions de référence.
  4. Industrialisation : connexions aux sources, gestion des droits, authentification, journalisation.
  5. Formation des utilisateurs : bien formuler ses questions, vérifier les sources, signaler les erreurs.
  6. Suivi : questions sans réponse, documents à compléter, évolution des coûts.
ProjetContenuÀ partir de (Dopinet, HT, indicatif)
Chatbot IA de site internet (RAG sur contenus publics)pages, FAQ, conditions1 490 € + 49 €/mois
Assistant RAG sur documents internessources internes, droits d'accès, citations, hébergement adapté4 900 €
Formation IA des équipesusages, vérification des sources, bonnes pratiques1 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.

Sources

  1. CNIL : intelligence artificielle
  2. CNIL : questions-réponses sur l'utilisation d'un système d'IA générative
  3. Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, 2020)
  4. CNIL : RGPD, chapitre 2 (principes, article 5)

Questions fréquentes.

Quelle différence entre le RAG et le fine-tuning ?

Le fine-tuning modifie un modèle en le réentraînant sur des exemples, pour lui apprendre un style ou une tâche. Le RAG ne modifie pas le modèle : il va chercher, à chaque question, les passages pertinents dans vos documents et les fournit au modèle pour qu'il réponde. Pour faire répondre une IA à partir d'informations qui évoluent, le RAG est presque toujours plus adapté, moins coûteux et plus facile à mettre à jour.

Mes documents vont-ils servir à entraîner l'IA ?

Pas si l'architecture et les contrats sont bien choisis. Les offres professionnelles via API des principaux fournisseurs prévoient en général de ne pas utiliser les données des clients pour entraîner leurs modèles, ce qu'il faut vérifier dans les conditions et l'accord de traitement des données. Pour les données les plus sensibles, un modèle ouvert hébergé sur vos propres serveurs ou chez un hébergeur européen supprime cette question.

Un assistant RAG peut-il se tromper ?

Oui. Il peut mal retrouver le bon passage, s'appuyer sur un document obsolète ou mal interpréter un tableau. On limite ces erreurs en soignant la préparation des documents, en exigeant des citations de sources, en autorisant l'assistant à répondre qu'il ne sait pas et en mesurant la qualité sur un jeu de questions de référence.

Combien coûte un assistant RAG sur documents internes ?

Le budget dépend du volume et de la qualité des documents, du nombre de sources à connecter, de la gestion des droits d'accès et du mode d'hébergement. Chez Dopinet, un assistant RAG sur documents internes démarre à 4 900 € HT de mise en place, à titre indicatif, auxquels s'ajoutent l'hébergement et la consommation du modèle.

À lire aussi.

Parlons de votre projet.

Réponse rapide et devis détaillé, personnalisé. Sans engagement.