Aller au contenu
DT Nova
Agence intelligence artificielle

RAG en entreprise : une base de connaissances IA qui cite ses sources

Le RAG en entreprise donne à vos équipes, à vos outils et à vos agents une base de connaissances IA qui répond à partir de vos propres documents : procédures, fiches produits, contrats types, documentation technique. Chaque réponse cite le passage utilisé, et chacun ne voit que ce qu'il a le droit de voir. Nous construisons cette couche sur mesure, reliée à vos sources existantes, hébergée dans l'UE, et le code appartient à votre entreprise.

  • Vous voyez le résultat avant la mise en ligne
  • Prix ferme pour le périmètre convenu, par écrit avant le démarrage
  • Le code source, le nom de domaine et les comptes appartiennent à votre entreprise

Demander un devis

Avant et après une base de connaissances IA

SituationAujourd'huiAvec une base RAG
Trouver une procédureRecherche par mot clé dans l'intranet, plusieurs versions du même documentQuestion en langage courant, réponse tirée de la version en vigueur, avec le lien
Question d'un nouveau salariéUn collègue expérimenté est interrompuRéponse sourcée, et le collègue n'intervient que si la base ne sait pas
Réponse du supportLe conseiller cherche dans plusieurs documentationsLes passages pertinents sont proposés avec la réponse préparée
Documents confidentielsPartagés trop largement, ou introuvablesDroits d'accès repris de la source, appliqués à chaque recherche
Mise à jourL'ancienne version reste en circulationRéindexation automatique, l'ancienne version sort de la base

RAG IA : comment cela fonctionne

Un modèle de langage seul répond à partir de ce qu'il a appris lors de son entraînement : il ne connaît ni vos procédures ni vos produits, et il peut produire une réponse plausible mais fausse. Le RAG ajoute une étape de recherche. Vos documents sont découpés en passages, indexés avec leur source, leur date et leurs droits d'accès. À chaque question, le système retrouve les passages pertinents, puis le modèle rédige une réponse à partir de ces seuls passages, en les citant. Pourquoi cette méthode plutôt qu'un réentraînement du modèle : voir notre guide RAG ou fine-tuning.

La qualité d'un RAG pour entreprise se joue donc moins dans le choix du modèle que dans la préparation des sources : découpage qui respecte la structure des documents, métadonnées propres, élimination des doublons et des versions périmées, recherche qui combine le sens et les mots exacts (références produits, numéros d'articles, noms de clients).

Ce que nous construisons

Chatbot RAG, assistant interne, agent : un socle commun

Beaucoup d'entreprises démarrent par un chatbot RAG pour leurs clients ou par un assistant interne pour leurs équipes. Construire la base de connaissances comme une couche à part permet de la réutiliser : un agent qui prépare des commandes, un outil qui aide le support à répondre, un moteur de recherche documentaire s'appuient sur les mêmes sources, les mêmes droits et les mêmes mesures de qualité. L'indexation se fait une seule fois, et une mise à jour de procédure profite à tous les usages.

Sécurité : droits d'accès et fuites

L'OWASP Top 10 pour les applications LLM 2025 (consulté le 12 novembre 2026) consacre une entrée aux faiblesses des vecteurs et des embeddings (LLM08), à côté de la divulgation d'informations sensibles (LLM02), de l'injection de prompt (LLM01) et de la fuite du prompt système (LLM07). Pour un RAG, le risque principal est simple : qu'une réponse contienne un passage que l'utilisateur n'a pas le droit de lire.

Nos mesures : droits d'accès copiés de la source pour chaque passage, filtrage par utilisateur avant la génération, séparation des index quand les populations sont très différentes, contenu des documents traité comme des données et jamais comme des instructions, tests de fuite dans le jeu de recette.

Données personnelles et effacement

Une base de connaissances contient souvent des données personnelles sans que ce soit son objet : noms dans des comptes rendus, coordonnées dans des contrats, échanges avec des clients. Le RGPD impose la minimisation des données (article 5) et un contrat écrit avec chaque sous-traitant (article 28) (consulté le 12 novembre 2026). La CNIL demande une finalité déterminée, légitime et explicite dès la conception d'un système d'IA (consulté le 12 novembre 2026).

Concrètement, nous excluons à l'indexation les sources qui n'ont rien à faire dans la base, masquons les données qui ne servent pas aux réponses, et propageons la suppression : un document effacé ou modifié dans la source disparaît de l'index. Comme le modèle n'est pas entraîné sur vos documents, effacer une donnée ne demande pas de réentraînement.

Si la base sert à un assistant qui dialogue avec vos clients, l'article 50 du règlement (UE) 2024/1689 impose de les informer qu'ils échangent avec un système d'IA (texte publié au Journal officiel de l'UE, consulté le 12 novembre 2026). Selon la Commission européenne (consulté le 12 novembre 2026), la législation est appliquée par le Bureau de l'IA et les autorités nationales depuis le 2 août 2026.

Fiabilité, mesurée avant la mise en service

Nous ne promettons pas un taux de bonnes réponses avant d'avoir travaillé sur vos documents. Avec vos équipes, nous rassemblons un jeu de questions réelles, avec la bonne réponse et le document qui la contient, y compris des questions sans réponse dans la base. Nous mesurons séparément la recherche (le bon passage est-il retrouvé ?) et la réponse (est-elle fidèle au passage, et la citation est-elle juste ?).

Cette séparation dit où améliorer : un mauvais résultat de recherche se corrige dans la préparation des sources, une réponse infidèle dans les règles de génération. En production, les avis des utilisateurs et les questions sans réponse alimentent le même jeu de test.

Recherche IA du marché ou RAG sur mesure ?

CritèreOutil du marchéRAG sur mesure
ExemplesMicrosoft 365 Copilot, Glean, Notion AI, assistants des outils de supportConstruit sur vos sources et vos usages
Mise en routeRapide si vos documents sont dans l'outil de l'éditeurCadrage, une première source, puis extension
SourcesCelles que l'outil sait lireToutes vos sources, y compris logiciels métier et bases de données
UsagesRecherche et assistant dans l'outilUne base réutilisée par chatbot, support, agents et logiciels internes
Modèle et hébergementChoix de l'éditeurModèle choisi après mesure, par exemple Mistral AI ou Azure OpenAI en région UE
PropriétéAbonnementLe code vous appartient

Si vos documents vivent tous dans Microsoft 365 et que l'usage est la recherche interne, l'assistant de l'éditeur est souvent suffisant. Le sur mesure se justifie quand la connaissance est répartie dans plusieurs systèmes, ou quand la base doit servir d'autres applications. Pour situer ce projet parmi les autres usages de l'IA, voir notre page agence intelligence artificielle.

Comment nous la construisons

  1. Cadrage. Choix de la première source et du premier usage, jeu de questions de test, règles d'accès.
  2. Prix ferme. Le périmètre convenu par écrit reçoit un prix ferme.
  3. Version de test. Vous voyez les réponses sur vos propres questions avant la mise en service, avec la mesure de la recherche et des réponses.
  4. Pilote et réception. Usage par un groupe de salariés, ajustements, puis réception sur des critères écrits.
  5. Maintenance. Nouvelles sources, suivi de la qualité, évolution des modèles. La maintenance est résiliable avec un mois de préavis.

Le code source, les comptes et les index appartiennent à votre entreprise dès le premier jour.

Questions fréquentes

Qu'est-ce que le RAG en IA ?

RAG signifie retrieval-augmented generation, génération augmentée par la recherche. Avant de répondre, le système cherche les passages pertinents dans vos documents, puis le modèle de langage rédige sa réponse à partir de ces seuls passages et les cite. Le modèle n'a pas besoin d'être réentraîné sur vos données.

Quelle différence avec un chatbot ?

Le chatbot est l'interface de dialogue. Le RAG est la couche de connaissance qui lui fournit des réponses justes. La même base RAG peut servir à un chatbot sur votre site, à un assistant interne, à un agent IA ou à un moteur de recherche documentaire, chacun avec ses propres droits.

Quels documents peut-on brancher ?

Procédures, fiches produits, contrats types, documentation technique, bases de réponses du support, pages intranet, documents de la GED, tickets résolus. Nous commençons par une source bien tenue, qui répond à des questions fréquentes, puis nous élargissons.

Comment éviter que l'IA invente une réponse ?

En limitant la réponse aux passages retrouvés, en exigeant une citation pour chaque affirmation et en faisant répondre « information non trouvée » quand rien de pertinent n'existe. Nous mesurons ce comportement sur un jeu de questions réelles avant la mise en service.

Un salarié peut-il voir un document qu'il n'a pas le droit de consulter ?

Non, si la base est bien conçue. Les droits d'accès de vos systèmes sources sont repris pour chaque passage indexé, et la recherche filtre selon l'utilisateur avant que le modèle ne voie le moindre texte. C'est un point que nous testons explicitement.

Travaillez-vous avec des entreprises en France ?

Oui, à distance, en France et dans toute l'UE. Vous pouvez nous écrire en français ou en anglais, avec une réponse sous un jour ouvré.

Demandez un devis écrit

Décrivez en quelques lignes ce dont vous avez besoin. Sous un jour ouvré, vous recevez un devis écrit : périmètre, calendrier et prix ferme ou estimation en heures. La demande ne vous engage à rien.

Contact · Tous les services

Demander un devis