Construire un RAG documentaire d’entreprise : corpus, accès et preuve de réponse

Le collaborateur demande comment traiter un retour exceptionnel. Le chatbot cite une procédure et donne une réponse précise, mais le PDF utilisé a été remplacé deux semaines auparavant. Le lien est réel ; la règle est périmée. Le problème ne vient pas forcément du modèle : la recherche, la version du corpus et la présentation des preuves peuvent toutes avoir réussi techniquement en servant le mauvais texte.

La méthode relie la réponse à une chaîne vérifiable : source validée, extraction fidèle, passage autorisé, version applicable et affirmation soutenue. Un RAG, ou génération augmentée par récupération, fournit des contenus retrouvés au modèle pour préparer sa réponse. Il ne transforme pas automatiquement ces contenus en règles correctes ou accessibles à tous.

Nous prenons un corpus fictif de procédures SAV, consulté par des équipes nationales et locales. Une procédure générale décrit les retours ; une annexe réservée précise une exception. La conception proposée produit un registre de sources, un chemin de réponse et des cas de recette. Elle aide à choisir ce qui peut être répondu, ce qui exige une précision et ce qui doit rejoindre le propriétaire documentaire.

Dans un projet d’IA sur mesure reliée aux pratiques métier, commencez par une procédure que vos équipes utilisent déjà et dont elles connaissent les exceptions. Pour ce chatbot RAG d’entreprise, l’essai doit établir quelle version répond à une question nationale, quand une annexe locale s’applique et quels lecteurs peuvent la consulter. Ces trois décisions déterminent le corpus et les cas de recette avant le choix du moteur.

Pour qui une réponse documentaire doit être vérifiable

Aider une équipe à retrouver une règle applicable

Le RAG documentaire convient à un support interne, une équipe qualité ou des opérations qui cherchent dans des procédures réparties entre plusieurs répertoires. L’utilisateur connaît sa situation mais pas toujours le vocabulaire du document. Une question conversationnelle peut retrouver un passage et exposer ses conditions, avec un lien que le lecteur habilité peut ouvrir.

La valeur dépend de la tâche : retrouver la règle de retour d’un canal diffère de produire une synthèse générale sur le SAV. Le premier usage demande une applicabilité précise. Si l’utilisateur cherche seulement un numéro de formulaire ou un titre connu, une recherche documentaire classique peut apporter une réponse plus directe et moins coûteuse à vérifier.

Ne pas substituer une réponse à une décision métier

Un passage peut décrire une exception sans autoriser le demandeur à l’appliquer. Le chatbot explique alors le chemin de demande prévu, avec ses conditions. Il ne déduit pas une délégation à partir de l’accès en lecture. Une réponse documentaire ne doit pas déclencher automatiquement une validation de retour, un remboursement ou une modification de dossier.

Microsoft décrit dans sa présentation du RAG la récupération de contenus pour étayer la génération. Notre chaîne est une proposition d’architecture métier indépendante du fournisseur. Elle ne suppose ni l’achat d’Azure ni la présence native d’un contrôle identique dans votre outil documentaire.

Construire le registre des procédures faisant foi

Identifier la source, sa portée et son propriétaire

Le registre distingue identifiant durable, titre, version, statut, date d’effet, périmètre et propriétaire. Une URL de téléchargement ne suffit pas : elle peut remplacer son fichier sans changer d’adresse. Le statut précise si le document est approuvé, en préparation, archivé ou retiré. Seuls les états retenus dans le contrat peuvent alimenter les réponses du pilote.

Exemple concret : R-17 version 4 décrit les retours B2B nationaux ; l’annexe A-9 version 2 porte une exception locale réservée à une équipe. Le registre déclare la relation et la portée, sans déduire que l’annexe remplace toute la procédure. Ces identifiants et versions sont fictifs et ne décrivent pas des documents clients Dawap.

Arbitrer les doublons avant de les rendre interrogeables

Une copie dans un espace partagé peut rester identique au document officiel, puis diverger après une correction. L’ingestion doit savoir si cette copie fait foi, doit être ignorée ou doit être rapprochée. La décision appartient au propriétaire documentaire. L’algorithme ne choisit pas la meilleure règle simplement parce qu’un PDF possède une date de fichier plus récente.

Les conflits non résolus sont visibles dans une file de préparation. Une procédure peut être exclue du pilote tant que sa version applicable reste incertaine. Cette exclusion réduit la couverture, mais évite de fabriquer une autorité. La liste des questions non couvertes permet au métier de prioriser la correction du corpus plutôt que multiplier les prompts.

Extraire et découper sans perdre les conditions

Contrôler ce que l’extraction a réellement conservé

Un PDF peut porter une règle dans un tableau et sa condition dans une note de page. L’extraction qui colle toutes les cellules en texte continu peut associer un délai au mauvais canal. Conservez structure, repères de page et provenance du passage. Les scans, tableaux complexes et annexes demandent des contrôles adaptés avant de servir de preuves.

La recette compare des passages extraits à leur source visuelle. Elle examine aussi une page vide, une négation mal reconnue et une ligne coupée. Un OCR terminé sans erreur ne prouve pas la fidélité de la règle. Si l’extraction ne préserve pas les éléments nécessaires, le document reste exclu ou renvoie à une lecture humaine explicite.

Découper autour d’une unité de sens vérifiable

Un fragment doit conserver la règle avec ses conditions utiles. Les titres, portée, exceptions et renvois peuvent accompagner le passage sans recopier tout le PDF. Une taille fixe en tokens est un paramètre technique à tester, pas une garantie de compréhension. Les chevauchements aident parfois à conserver le contexte mais peuvent aussi multiplier les versions d’une même phrase.

Chaque fragment référence document, version, section et extraction. Si une condition se trouve dans une annexe, la relation doit être retrouvable dans la chaîne. Le système peut demander cette seconde pièce ou s’abstenir. Il ne complète pas la condition à partir du savoir général du modèle lorsque la réponse prétend appliquer une procédure interne.

La comparaison de trois découpages sur les mêmes preuves RAG matérialise ces frontières. Son corpus et ses questions distinguent co-présence des conditions, volume à assembler et mesures de recherche encore à réaliser, avec une annotation indépendante des fragments.

Lorsque deux procédures paraissent incompatibles, la recette RAG des documents contradictoires examine portée, date d’effet et maintien d’une exception approuvée. Ses cas distinguent un passage manquant d’un conflit que le responsable documentaire doit encore arbitrer.

Appliquer les droits avant toute exposition au modèle

Faire de l’identité une contrainte de recherche

L’application établit identité, groupes et portée de consultation. La recherche ne peut remettre à la génération que les passages autorisés pour cette requête. Un filtrage de l’affichage après lecture par le modèle arrive trop tard : une information interdite pourrait déjà avoir influencé une phrase, un résumé ou une référence retournée.

Le contexte d’accès est imposé par le serveur, pas extrait d’une déclaration dans la question. Des métadonnées d’index peuvent porter des droits, mais leur présence ne prouve pas que toutes les requêtes les appliquent. La recherche lexicale, la recherche vectorielle, les reprises et les outils de citation doivent respecter la même frontière.

Prévoir les restrictions qui changent après l’indexation

Un collaborateur peut perdre un groupe alors qu’un fragment reste dans l’index. Le contrôle doit prendre en compte cette évolution selon le contrat d’accès. Une correction de droits est prioritaire sur un enrichissement de contenu ; pendant une incertitude, le dispositif ferme la consultation concernée plutôt que réutiliser une ancienne permission supposée valide.

OWASP décrit dans Vector and Embedding Weaknesses les risques d’accès non autorisés et de fuites entre contextes. La recette proposée doit vérifier ces frontières dans votre implémentation. Une partition d’index ou un filtre annoncé ne constitue pas, à lui seul, une preuve d’isolation complète.

Publier une projection cohérente et retirer les anciennes pièces

Relier l’index servi au registre documentaire

L’index est une projection de recherche, pas la source d’autorité. Une ingestion conserve les versions de document, extraction, découpage et représentation utilisées. Le passage retourné reste rattaché à ces versions. Un job terminé peut n’avoir chargé qu’une partie du corpus : le bilan compare entrées attendues, fragments acceptés et rejets avant publication.

La journalisation associe lot, document, opération et résultat. Une file de reprise distingue erreur de conversion, limite de service et conflit documentaire. Le monitoring suit l’âge des versions en retard et les documents retirés encore retrouvables. Le runbook indique quelle dépendance suspendre et comment vérifier la projection réellement interrogée.

Retirer une règle dans tous les chemins de réponse

Lorsqu’une procédure est remplacée, il faut empêcher sa récupération comme règle courante, puis contrôler la nouvelle version. Lorsqu’elle est supprimée pour un motif d’accès, le retrait concerne aussi caches, extraits conservés et liens de consultation selon la politique choisie. La suppression d’un fichier source ne garantit pas la disparition de ses projections.

Le délai de propagation acceptable dépend du changement. Un seuil de fraîcheur pour une amélioration rédactionnelle peut différer d’un retrait sensible. Si ce seuil est dépassé, alors la famille concernée rejoint un mode de consultation restreint ou une passation au propriétaire. Le rollback peut restaurer une chaîne technique antérieure sans réintroduire une procédure retirée ni des droits révoqués.

Le retrait d’une source RAG et le suivi de ses copies traitent l’arrêt d’usage d’un document entier. La recette distingue fermeture logique, purge d’index, valeurs conservées et anciennes tâches d’ingestion. Elle vérifie les objets qui peuvent encore transmettre une règle retirée, même lorsque la nouvelle recherche n’affiche plus son passage.

Retrouver un passage utile au-delà de la similarité

Choisir une recherche adaptée aux questions réelles

Une demande « quelle règle pour R-17 sur le canal B2B ? » possède une référence exacte. Une demande « que faire si un colis arrive incomplet ? » utilise peut-être d’autres termes que la procédure. La recherche doit être évaluée sur ces deux familles. Les vecteurs peuvent retrouver un sens voisin ; une recherche lexicale peut mieux conserver un code ou un libellé précis.

La documentation Microsoft sur la recherche hybride décrit la combinaison de résultats textuels et vectoriels. Cette famille de mécanismes fournit une option à comparer, pas une obligation ni un résultat garanti. Les paramètres, fusions et filtres doivent être vérifiés pour le moteur effectivement retenu.

Tester le passage nécessaire avant la génération

La recette de recherche possède des passages attendus par question et périmètre d’accès. Elle mesure si les éléments nécessaires sont retrouvés, si des pièces non pertinentes occupent le contexte et si une condition manque. Cette étape peut échouer alors que la réponse finale paraît bonne, parce que le modèle a complété une règle depuis ses connaissances générales.

Le diagnostic de recherche hybride et de reranking suit le passage attendu entre index, branches, fusion et sélection finale. Ses listes fictives distinguent preuve mal classée, fenêtre trop courte et document absent. Cette trace permet de corriger l’étage qui perd la condition avant d’évaluer la formulation ou les citations du modèle.

Le contrôle des droits sur les passages, citations et caches d’un RAG éprouve une autre condition préalable : la personne doit pouvoir lire la preuve retenue. Les essais distinguent équipes d’une même société, entités différentes et retrait d’autorisation après recherche. Un passage pertinent ne peut soutenir une réponse destinée à ce lecteur que si son périmètre et sa provenance restent admissibles.

Un score de similarité n’est pas une probabilité que la réponse soit correcte. Son seuil dépend du moteur, du corpus et de la requête. Calibrez-le avec les cas de couverture et les non-réponses. Un passage très proche sur le plan lexical peut concerner les retours particuliers alors que la question concerne un professionnel.

Relier une réponse à des passages qui la soutiennent

Construire un chemin de réponse inspectable

Le chemin proposé passe par identité validée, portée métier précisée, recherche autorisée, contrôle des versions, sélection des passages, génération et vérification de sortie. La réponse affiche règle, conditions et références utiles. Elle signale une information manquante au lieu de transformer une supposition en fait interne.

Dans notre scénario R-17, une question locale peut demander de vérifier si l’annexe A-9 est applicable. Si le lecteur n’a accès qu’à la procédure générale, la sortie ne doit pas révéler le contenu de l’annexe ni suggérer un avantage réservé. Elle peut indiquer, selon une règle de présentation approuvée, que la situation nécessite une revue compétente.

Vérifier davantage que l’existence d’une citation

Le contrôle applicatif peut vérifier que la référence figure dans les passages remis au modèle et qu’elle mène à un objet accessible. La fidélité de l’affirmation demande un examen supplémentaire. Citer une page authentique qui ne décrit pas l’exception invoquée laisse une réponse non soutenue, même si le lien fonctionne.

La revue métier examine phrase, passage et portée. Elle repère notamment une négation omise, un délai déplacé ou une exception transformée en règle générale. Un évaluateur automatique peut aider à trier des écarts, mais il n’est pas une preuve indépendante parfaite. Les cas critiques demandent des attentes arbitrées et une décision explicable par le propriétaire.

L’évaluation du soutien des affirmations par leurs citations RAG sépare référence valide, relation utile et règle établie. Une procédure professionnelle ne justifie pas un délai annoncé à tous les clients. La recette rapproche chaque claim de son passage, conserve les revues ouvertes et évite qu’une accumulation de liens fasse passer une réponse pour mieux prouvée.

Refuser, préciser et invalider les réponses réutilisées

Faire une place utile à l’absence de réponse

La question peut être hors corpus, trop ambiguë ou couverte par des textes contradictoires. Les sorties sont différentes : préciser le canal, indiquer une couverture insuffisante ou transférer un conflit de procédure. « Je ne sais pas » seul ne prépare pas la prochaine action. Le motif explique ce qui manque sans divulguer un document interdit.

Autre scénario : une pièce retrouvée contient une instruction demandant d’ignorer le contrôle d’accès. Elle reste un contenu documentaire, sans autorité sur la chaîne. Le système ne dispose pas d’un outil libre pour envoyer la réponse à une destination reçue dans le PDF. Le contrôle de sortie et la réduction des capacités complètent les consignes, sans promettre d’éliminer toute injection.

Ne pas laisser un cache contourner les nouvelles règles

Une réponse peut dépendre de l’utilisateur, des groupes, du canal et de la version documentaire. Un cache partagé fondé uniquement sur la formulation de la question risque de resservir une information à une autre portée. La clé et la politique d’invalidation doivent conserver les dimensions réellement nécessaires ; la réutilisation vérifie les autorisations actuelles.

L’historique de conversation pose la même question. Retirer l’accès futur à l’index ne nettoie pas automatiquement les passages déjà présents dans le contexte. Définissez le comportement après révocation, remplacement de document et reprise de session. La recette doit démarrer avant le changement puis continuer après, plutôt que tester seulement une nouvelle conversation vide.

Matrice de décision : huit questions sur le corpus

Séparer recherche, réponse et autorisation dans les essais

Les huit cas ci-dessous décrivent une recette fictive, non exécutée sur un modèle. Ils fixent les attentes avant un pilote. L’équipe complétera résultat observé, passage retourné, formulation et décision. Chaque scénario doit aussi être joué avec la recherche documentaire de référence afin de mesurer le travail de vérification réellement ajouté ou retiré.

Décider sur les écarts, pas sur la moyenne de fluidité

Le bilan sépare passage nécessaire retrouvé, affirmation soutenue, applicabilité correcte et refus attendu. Une fuite d’accès reste éliminatoire même si les autres réponses sont utiles. Une citation trompeuse peut demander de réduire la famille ouverte. Les questions absentes du corpus restent dans le bilan ; leur retrait ferait paraître le système plus compétent qu’il ne l’est.

Les seuils de couverture, temps de vérification et fraîcheur sont décidés avec le métier. Leur valeur ne vient pas d’une recommandation générique. Les variantes de question et les changements de droits testent des frontières précises ; ils ne prouvent pas une sûreté universelle. Chaque écart conduit à corpus, extraction, recherche, génération ou accès avant de décider quel composant corriger.

Erreurs fréquentes des RAG documentaires

Indexer davantage pour masquer un conflit documentaire

Paradoxalement, un corpus plus petit et arbitré peut rendre davantage de réponses exploitables qu’un index de tous les partages. Les copies et brouillons ajoutent des règles contradictoires. Les supprimer du périmètre servi réduit le bruit sans résoudre automatiquement les lacunes ; le registre garde ces lacunes visibles pour le propriétaire documentaire.

Le signal faible est une réponse qui cite plusieurs versions pour produire un compromis. Une procédure remplacée et sa remplaçante ne sont pas deux opinions à synthétiser. Corrigez leur statut et leur portée avant de modifier le prompt. Le coût complet inclut ces arbitrages, la maintenance des droits et les vérifications, pas seulement les tokens générés.

Traiter le lien bleu comme une preuve suffisante

Une citation visible rassure l’utilisateur, mais sa présence ne dit pas si la source soutient la phrase ou reste applicable. La recette ouvre le passage et vérifie son sens. Un document inaccessible au lecteur, une page différente ou une exception omise provoque une décision explicite ; le système ne compense pas en ajoutant davantage de références.

Une autre erreur consiste à rejouer un ancien index pour corriger une panne sans contrôler les retraits intervenus depuis. Le retour technique ne doit pas restaurer des droits ou des contenus invalidés. Le runbook conserve la liste des exclusions actuelles et vérifie les requêtes témoins après rollback avant de rouvrir la consultation.

Plan d’action : livrer une chaîne documentaire contrôlable

Préparer le corpus pilote et les frontières de preuve

Le propriétaire métier choisit une famille de procédures et les questions qu’elle doit couvrir. Le responsable documentaire confirme versions et relations ; la sécurité arbitre les droits. Les entrées du contrat relient documents approuvés et identités établies. La sortie attendue distingue réponse sourcée, précision et passation. Les dépendances d’extraction et de recherche sont vérifiées sur leurs interfaces réelles.

Livrez registre, règles de découpage, politique d’accès, références consultables et matrice attendue. La journalisation conserve versions et passages utilisés sans copier systématiquement toutes les données. Le monitoring associe retard d’index, refus, conflit et citation défectueuse à leurs responsables. Les seuils d’ouverture et de suspension sont arrêtés avant les essais, avec budget de maintenance et capacité de revue.

Ouvrir après la recette et l’exercice de retrait

Le pilote commence sur une population et une famille contrôlées. Il compare recherche seule et réponse augmentée, puis éprouve retrait de procédure, révocation d’accès et changement de version pendant une session. Le support exerce le runbook depuis une question et une référence, avec repli sur la source autorisée ou le propriétaire lorsqu’une dépendance ne permet plus une réponse fiable.

Le rollback conserve les exclusions courantes et les preuves de retrait ; une ancienne projection n’est réouverte qu’après contrôle. L’extension ajoute un corpus ou une population après revue, en vérifiant à nouveau applicabilité et permissions. Un changement de moteur ou de modèle repasse les questions témoins ; l’historique des versions permet d’expliquer une régression sans relancer toute l’ingestion au hasard.

• Arbitrer d’abord sources officielles, versions et périmètres.
• Valider ensuite extraction, accès et passages attendus.
• Tester réponse, non-réponse, citation et retrait dans des sessions complètes.
• Étendre lorsque le propriétaire et le support savent retrouver la cause d’un écart.

Guides complémentaires pour les essais et les usages

Définir la preuve attendue avant de choisir le modèle

Le protocole d’évaluation d’un POC IA métier complète cette chaîne par une comparaison et des critères de décision. Pour le RAG, la référence est notamment le travail de recherche et de vérification actuel. Les sorties non soutenues, les refus et les questions hors couverture restent dans le bilan.

Le dataset réunit des questions dont le métier connaît la règle et des questions qui doivent rester sans réponse automatique. La mesure du gain inclut l’ouverture des citations et les corrections nécessaires. Un taux élevé de réponses produites ne démontre pas une amélioration si l’utilisateur doit ensuite reconstituer toutes les conditions dans le PDF.

Relier la recherche documentaire à une mission opérationnelle

Le contrat de mission d’un agent support connecté situe la lecture documentaire parmi les outils d’une qualification. Une réponse RAG peut fournir la procédure utile, tandis que la commande et le suivi logistique restent des faits consultés dans leurs logiciels avec leurs propres permissions.

Ces sources ne prennent pas la même autorité : une procédure explique une conduite à tenir ; un événement transporteur décrit un fait déclaré. La mission les conserve séparément dans sa fiche. Elle ne demande pas au corpus documentaire de deviner l’état courant d’une expédition ou le droit d’exécuter une action sur une commande.

La connexion d’un agent à l’ERP et au CRM avec des actions contrôlées approfondit le rapprochement lorsque les faits opérationnels viennent de plusieurs logiciels. Le contexte documentaire complète ces lectures ; il ne résout pas seul les correspondances de comptes, la fraîcheur des conditions ou l’autorisation d’une écriture.

Conclusion : rendre la réponse contestable par ses sources

Un RAG documentaire maîtrisé relie une question à un corpus arbitré, des droits actuels et des passages applicables. Le modèle prépare une réponse à partir de cette matière. L’application et la revue métier vérifient provenance, portée, citations et comportement lorsque la preuve manque.

L’absence de réponse automatique peut être une sortie correcte. Elle doit préciser ce qui manque et à qui revient la suite. La qualité se juge aussi dans ces limites, dans le retrait des règles périmées et dans la capacité du lecteur à contester une affirmation depuis sa source.

Pour préparer votre RAG documentaire d’entreprise, réunissez la procédure approuvée, une ancienne version, une annexe restreinte et les questions qui les départagent. Ce petit corpus permet de vérifier une réponse utile, un refus d’accès et un retrait en cours de conversation. Un échec sur l’une de ces frontières indique ce qu’il faut corriger avant d’ingérer davantage de documents.

Dawap peut cadrer cette première chaîne d’IA sur mesure intégrée à votre organisation avec le propriétaire des procédures et l’équipe qui administre les accès. Le cadrage livre le registre des versions, les règles de consultation et les attentes de recette ; le pilote mesure ensuite le temps de recherche et de vérification sur vos questions. Cette mesure décide du prochain corpus à ouvrir.