Un assistant peut retrouver un document et donner une réponse fausse. Le fichier est ancien, la règle concerne une autre filiale ou le passage extrait a perdu son exception. Le problème ne vient alors pas seulement du modèle : la base de connaissances ne permet pas de déterminer quelle information fait autorité.

Un projet RAG commence par la qualité et la gouvernance des sources. La génération augmentée par récupération ajoute une étape de recherche documentaire à la production de réponse. Elle peut faciliter l’actualisation et la traçabilité, mais ne transforme pas automatiquement un dossier partagé en référentiel fiable. Le travail utile consiste à sélectionner un périmètre, conserver le contexte des documents et faire respecter leurs droits tout au long du traitement. La base doit aussi pouvoir retirer une information, pas seulement en accumuler davantage.

Définir les questions auxquelles la base doit répondre

Commencez par un ensemble de besoins internes concrets : trouver une procédure, comprendre une condition de service ou préparer une réponse technique. Une base destinée à l’assistance informatique n’a pas besoin d’ingérer immédiatement tous les contrats, dossiers salariés et échanges commerciaux de l’entreprise.

Pour chaque besoin, identifiez les personnes autorisées à poser la question et la source de référence attendue. Une information peut être publique pour tous les salariés, réservée à une équipe ou propre à un dossier. Cette distinction doit exister avant l’indexation.

Séparez la recherche d’une réponse documentaire d’une consultation transactionnelle. Une base de procédures peut expliquer comment vérifier un stock ; elle ne doit pas être présentée comme une source fiable sur la disponibilité instantanée d’un produit. Une information vivante demande un accès contrôlé à son système de référence.

Le choix d’une première tâche pour un agent IA suit la même logique de périmètre : limiter les sources et les actions aide à comprendre les conséquences d’une erreur. Pour un assistant documentaire, cette frontière détermine également ce qui ne doit pas recevoir de réponse automatique.

Créer un registre des sources avant l’index technique

Une base de connaissances a besoin d’un registre des sources : identifiant, emplacement, propriétaire, statut, version, date de validation et droits. Il ne s’agit pas de recopier tout le texte dans un tableau, mais de pouvoir expliquer d’où vient chaque information et qui la maintient.

Distinguez le document courant, le brouillon et l’archive. Une version ancienne peut rester utile pour comprendre une décision passée sans être applicable à une nouvelle demande. Le moteur doit disposer de ce statut, et le système doit savoir quel type de question autorise son utilisation.

Ajoutez les dimensions qui changent le sens : pays, filiale, produit, public et période d’application. Une règle valable pour une entité ne doit pas devenir une consigne générale parce que les mots de la question sont proches. Les métadonnées doivent servir des filtres ou une interprétation réelle.

La date de modification du fichier ne suffit pas. Déplacer un document ou corriger une faute peut modifier cette date sans vérifier sa validité. Conservez une date de validation métier et, lorsque c’est utile, une date d’entrée en vigueur. Elles répondent à deux questions différentes.

Un propriétaire doit pouvoir retirer ou corriger une source. Le rôle peut appartenir à un service avec un référent et un relais. Sans ce responsable, l’équipe technique finit par décider seule quelle procédure semble actuelle, ce qui dépasse souvent sa compétence.

Trier les contradictions avant de les donner au modèle

Les doublons ne sont pas toujours identiques. Deux fichiers portant le même titre peuvent contenir des exceptions différentes. Une fusion automatique peut supprimer la précision qui comptait. Faites examiner les écarts par le propriétaire métier et gardez la décision retenue.

Ne comptez pas sur le modèle pour arbitrer une politique interne contradictoire. Il peut produire une synthèse convaincante sans posséder l’autorité nécessaire pour choisir. L’assistant doit pouvoir signaler le conflit et orienter vers la personne compétente.

La priorité documentaire doit être explicite. Une procédure validée peut avoir autorité sur une ancienne présentation ; une note de changement peut modifier une section précise. Ces relations doivent être organisées dans les sources, pas laissées à une interprétation aléatoire de la date ou du titre.

Un premier tri peut utiliser trois catégories :

Ce tri ne remplace pas les obligations de conservation. Exclure un fichier de l’assistant ne signifie pas nécessairement le supprimer du système documentaire. La base de réponse et les archives légales ou probantes peuvent poursuivre des finalités distinctes.

Préserver le sens pendant l’extraction

Un PDF lisible à l’écran peut produire un texte désordonné après extraction. Les colonnes se mélangent, les notes disparaissent et les tableaux perdent leurs en-têtes. Avant l’indexation, examinez un échantillon de chaque type de document.

Les scans demandent une reconnaissance de caractères puis un contrôle. Une erreur sur une négation, une unité ou un montant peut changer la règle. La bonne question n’est pas « l’OCR a-t-il produit du texte ? », mais « le texte conserve-t-il l’information nécessaire à la réponse ? ».

Les tableaux méritent une préparation particulière. Une ligne extraite sans son intitulé, sa période ou sa devise devient ambiguë. Si vous transformez la structure pour l’indexation, conservez les relations utiles et un accès à la version de référence.

Les images, schémas et captures peuvent porter une partie de l’information. Déterminez si l’assistant doit les exploiter ou simplement orienter vers la source. Une extraction uniquement textuelle ne justifie pas une réponse sur ce qui n’a pas été traité.

Le découpage en fragments doit respecter les unités de sens. Une limite de taille technique peut obliger à diviser un document, mais il faut éviter de séparer une règle de ses conditions ou un tableau de son contexte. Les documentations techniques présentent plusieurs stratégies ; aucune taille ne convient universellement à tous les corpus.

Un léger recouvrement entre fragments peut conserver une transition, mais il ajoute aussi de la redondance. Testez les choix sur vos questions et vos documents. Ne reprenez pas un paramètre d’exemple comme une norme applicable à toute l’entreprise.

Relier chaque fragment à son document et à sa version

Chaque fragment doit conserver un identifiant, sa source, son emplacement utile et les métadonnées nécessaires. L’assistant doit pouvoir présenter un passage justificatif ou une référence consultable par l’utilisateur autorisé. Un lien vers un fichier inaccessible ou vers une version différente réduit la valeur du contrôle.

Une citation de source ne prouve pas à elle seule que la réponse est soutenue. Vérifiez que le passage cité contient réellement l’information et que les réserves ont été conservées. Le modèle peut associer une source existante à une affirmation qu’elle ne démontre pas.

Conservez la version utilisée lors de la génération lorsque cela est nécessaire au suivi. Si une procédure change après une réponse, il faut pouvoir comprendre l’état du référentiel à ce moment-là sans conserver inutilement toutes les données de conversation.

Les index vectoriels ne remplacent pas le registre de vérité. Une proximité sémantique aide à retrouver un passage ; elle ne lui donne ni autorité ni actualité. Les filtres, les statuts et la sélection des sources doivent compléter la recherche.

Faire respecter les droits avant de produire la réponse

L’assistant doit retrouver uniquement les informations que l’utilisateur peut consulter. Un compte technique autorisé à indexer un espace n’accorde pas les mêmes droits à tous les salariés qui utilisent l’interface. Le contrôle doit intervenir dans la récupération, selon l’architecture, et pas seulement dans une consigne au modèle.

Propagez les droits d’accès jusqu’aux fragments. Si une page est divisée en plusieurs éléments, chacun doit conserver les restrictions nécessaires. Un filtrage au niveau du document d’origine ne suffit pas si les fragments se retrouvent ensuite dans un index partagé sans cette information.

Prévoyez les changements de groupe, les mobilités et les départs. Les droits copiés lors d’une indexation peuvent devenir anciens. Définissez la façon de les actualiser et testez un retrait d’accès avec des comptes de test représentatifs.

Examinez les caches et les historiques. Une réponse déjà calculée pour une personne ne doit pas être réutilisée pour une autre sans contrôle adapté. Les journaux techniques peuvent eux aussi contenir des extraits confidentiels ; limitez les accès et la conservation.

La CNIL rappelle que l’organisme qui connecte un système à sa propre base contenant des données personnelles doit examiner sa responsabilité sur ce traitement. Le choix d’un fournisseur ne dispense donc pas de définir les finalités, les données nécessaires et les garanties applicables.

Organiser les mises à jour et les retraits

Une base fiable doit savoir désindexer. Lorsqu’un document est retiré, remplacé ou rendu inaccessible, définissez ce qui doit disparaître de l’index, des fragments, des caches et des réponses conservées selon les règles retenues. Effacer la source ne provoque pas automatiquement la suppression de toutes ses copies techniques.

Le mécanisme dépend de la solution : détection de suppression, identifiants stables, reconstruction d’un index ou autre procédure. Les outils imposent des prérequis spécifiques. Vérifiez le comportement réellement configuré au lieu de supposer que la synchronisation traite tous les cas.

Exemple fictif : une procédure de remboursement est remplacée le lundi. Si les fragments de l’ancienne version restent actifs jusqu’au vendredi, l’assistant peut continuer à donner une règle dépassée. Le délai de mise à jour et le contrôle de retrait doivent être adaptés au risque de ce contenu.

Préparez un test complet : publier une version, poser une question, remplacer la source, actualiser la base et vérifier la nouvelle réponse. Faites aussi un retrait sans remplacement. Le résultat attendu peut être l’absence de réponse et une orientation vers un contact, pas une reconstruction à partir d’archives.

Les corrections urgentes demandent un circuit identifiable. Une erreur découverte par un salarié doit arriver chez le propriétaire métier et chez l’équipe technique lorsque l’index est concerné. Un bouton de signalement sans responsable de traitement des retours ne suffit pas.

Tester séparément la recherche et la génération

Si une réponse est fausse, regardez d’abord quels passages ont été retrouvés. Une source correcte mais non récupérée demande un diagnostic différent d’un passage pertinent mal résumé. Cette séparation évite de modifier les consignes du modèle pour résoudre un problème d’indexation.

Constituez des questions avec une réponse de référence et les documents qui la soutiennent. Incluez les cas sans réponse, les versions contradictoires et les questions hors droits. Les résultats doivent être analysés par type d’erreur, pas seulement au travers d’une note moyenne.

Une base peut aussi être évaluée sans génération : les bonnes sources apparaissent-elles dans les résultats autorisés ? Le passage possède-t-il assez de contexte ? Les versions retirées sont-elles absentes ? Ces contrôles fournissent une preuve plus précise qu’une conversation globalement agréable.

Les sorties doivent pouvoir exprimer une limite. Si la source manque ou reste ambiguë, l’assistant doit le dire et proposer la bonne voie de résolution. Demander au modèle de toujours répondre transforme le manque d’information en risque d’invention.

Traiter les limites de couverture comme une information

La base ne doit pas donner l’impression de contenir toute la connaissance de l’entreprise. Décrivez les domaines couverts, les exclusions et les limites de fraîcheur. L’utilisateur comprend alors pourquoi certaines questions reçoivent une orientation plutôt qu’une réponse précise.

Une question sans résultat peut révéler un document absent, un vocabulaire différent ou un droit insuffisant. Distinguez ces causes avant d’ajouter des fichiers. Le système ne doit pas révéler à un utilisateur non autorisé le contenu d’un espace protégé pour expliquer pourquoi il ne peut pas répondre.

Les termes métier peuvent aussi varier entre services. Un petit lexique validé peut rapprocher les mots employés dans les questions et ceux des sources, sans modifier leur autorité. Vérifiez cependant que deux termes proches ne cachent pas des procédures réellement différentes.

Lorsque de nouvelles questions reviennent, le propriétaire métier décide si elles justifient une source, une clarification ou un autre outil. Cette décision conserve le périmètre cohérent. L’assistant ne doit pas devenir un prétexte pour importer progressivement toutes les conversations et tous les dossiers sans nouvelle analyse.

Prévoir le travail documentaire après le lancement

Le maintien du corpus représente une charge durable. Affectez un responsable aux sources prioritaires, un suivi des erreurs et une procédure de révision. Une base créée lors d’un projet puis abandonnée vieillit, même si le modèle continue de fonctionner techniquement.

Suivez des indicateurs directement utiles : sources sans propriétaire, validations dépassées, retraits non propagés, questions sans référence et erreurs récurrentes. Le nombre de fichiers indexés ne mesure pas la qualité. Ajouter des documents peut augmenter les contradictions autant que la couverture.

Une petite base clairement gouvernée peut répondre mieux à un besoin précis qu’un ensemble immense et opaque. La fiabilité vient de cette capacité à expliquer une réponse, à contrôler qui peut la recevoir et à corriger rapidement ce qui ne doit plus être utilisé.