IA-03 · IA appliquée

RAG recherche interne

Documents, contrats, manuels, code et communications internes accessibles par chat avec citation de la source. Sans hallucination.

Stackembeddings + re-rank + LLM

Authcorporate

Traçabilité100 % référencé

Le savoir d'une entreprise est réparti entre SharePoint, Drive, Confluence, des manuels PDF, d'anciens fils Slack et la mémoire du collaborateur présent depuis quinze ans. Le récupérer à temps est l'une des plus grandes pertes silencieuses de productivité : le technicien qui traite à nouveau un incident déjà résolu deux ans plus tôt, le commercial qui ne retrouve pas les conditions négociées avec un client, le responsable qualité qui découvre trop tard que quelqu'un a travaillé sur une révision périmée d'une procédure. Le moteur de recherche de la GED n'y change rien : il ne remonte que ce qui contient littéralement le mot saisi, alors que la documentation réelle est rédigée par des personnes différentes, à des époques différentes et avec un vocabulaire différent.

Un système de RAG bien construit transforme ce fonds documentaire en conversation : des embeddings qui captent le sens de chaque fragment, un vector store qui hérite des droits du système d'origine, un re-ranker qui réordonne les candidats avant toute rédaction et un modèle de langage qui compose la réponse. Ce qui sépare un RAG utile d'un RAG risqué, c'est la traçabilité : chaque réponse cite le document, la page et le paragraphe dont elle provient, et la personne qui interroge peut l'ouvrir et vérifier. Là où quelqu'un signe un rapport ou une offre à partir de cette information, une réponse sans source ne vaut rien ; nous traitons donc la citation comme une exigence de conception, et non comme un ajout de fin de projet.

Dans les déploiements de RAG gérés par Summum IA, la précision des réponses atteint 91 % avec une traçabilité des citations à 100 %, sur un corpus de 14 000+ documents techniques. L'intégration des nouveaux ingénieurs passe de 12 semaines à 4. Méthodologie et détails disponibles sur demande.

Document · contrat fournisseur

Le présent contrat établit une durée de validité de 24 mois, renouvelable automatiquement sauf résiliation par l'une ou l'autre des parties avec un préavis minimum de 60 jours calendaires.

→

Réponse du RAG

Le contrat se renouvelle automatiquement tous les 24 mois, sauf préavis donné 60 jours à l'avance.

Source · contrato-proveedor.pdf · page 4 · §3

Le processus RAG recherche interne.

Le processus · quatre étapes

Inventaire

Avant toute indexation, nous dressons la carte réelle du corpus : quels dépôts existent, qui a accès à quoi et dans quel état se trouve la documentation. Nous signalons les documents périmés, les doublons dont deux versions circulent encore et les PDF numérisés qui exigent un traitement OCR avant d'être lisibles. Il en sort la liste des sources retenues pour la première phase, celles qui restent de côté et le travail de nettoyage préalable, qui conditionne le résultat final plus que tout le reste.

Indexation

Chaque document est découpé selon une stratégie adaptée à son type : un contrat ne se coupe pas comme un manuel de maintenance ni comme un fil de courriels. Les fragments deviennent des vecteurs d'embeddings stockés dans le vector store, Qdrant ou Pinecone selon l'infrastructure du client. Les droits du système d'origine voyagent avec le fragment : qui ne peut pas ouvrir un document dans SharePoint n'en récupère pas non plus le contenu par le chat.

Re-ranking et synthèse

L'interrogation se résout en deux temps. Les fragments candidats sont d'abord récupérés en combinant recherche sémantique et correspondance exacte, indispensable pour les codes produit, les numéros de dossier et les références réglementaires. Le re-ranker les réordonne ensuite face à la question posée et seuls les meilleurs parviennent au modèle, qui rédige avec l'obligation de citer document, page et paragraphe. Si le contexte récupéré ne soutient aucune réponse, le système le dit au lieu de combler le vide.

Exploitation

Un RAG ne se livre pas pour être oublié. Nous laissons un tableau de bord des requêtes réelles, de celles qui aboutissent avec citation et de celles qui restent sans réponse utile, ces dernières désignant précisément les trous du corpus. Cette liste est revue avec le référent interne, les documents manquants sont corrigés ou ajoutés, puis réindexés. Sans cette revue régulière, le système se dégrade au rythme où vieillit la documentation.

Ce qui est inclus

Ce qu'inclut RAG recherche interne.

Le détail opérationnel : ce que nous livrons dans le cadre de la mission et ce que nous maintenons actif par la suite.

Vector store avec auth

Index vectoriel sous Qdrant ou Pinecone, choisi selon l'infrastructure et les exigences de résidence des données du client, avec les droits du système d'origine répliqués fragment par fragment : chaque utilisateur ne récupère que ce qu'il pouvait déjà ouvrir dans SharePoint, Drive ou Confluence.
Découpage affiné

Une stratégie de découpage propre à chaque famille documentaire : par clause pour les contrats, par section pour les manuels, par message pour les fils de courriels, avec chevauchement entre fragments pour ne jamais couper en deux une idée ou un tableau.
Re-ranker pour la précision

Un second passage sur ce qui a été récupéré : un modèle de réordonnancement note chaque fragment face à la question posée et écarte ceux qui ne correspondaient que par ressemblance générale, si bien que le modèle de langage rédige à partir des passages pertinents.
Citation obligatoire de la source

Chaque réponse arrive avec son document, sa page et son paragraphe d'origine, en lien direct vers le dépôt. Lorsque le contexte récupéré ne permet pas de répondre, le système le déclare au lieu de compléter avec les connaissances générales du modèle.
Ingestion continue

Les nouveaux documents et les révisions des documents existants sont indexés de façon incrémentale, selon le calendrier convenu et sans reconstruire l'index complet. Les versions retirées sortent de l'index pour que personne ne reçoive une procédure abrogée.
Boucle de retour

Tableau de bord des requêtes réelles, avec marquage « réponse utile » ou « réponse inutile » par les utilisateurs. Les questions restées sans réponse désignent les trous du corpus et se transforment en tâches concrètes : documentation à écrire, découpage à ajuster, réordonnancement à affiner.

Où nous déployons des systèmes de RAG

Le projet se mène à distance du début à la fin : l'audit du corpus, l'indexation et la mise en production se font sur les dépôts du client, si bien que l'implantation de l'entreprise ne conditionne pas le travail. Summum IA fait partie de Grupo Summum, avec des bureaux en Castille-et-León (Valladolid, Burgos, Aranda de Duero et Palencia) et aux Canaries, et intervient depuis ces sites dans toute l'Espagne.

Le Gipuzkoa et Saint-Sébastien constituent un cas à part dans cette couverture : l'industrie de précision et la machine-outil de la province produisent des manuels techniques, des certificats de produit et une correspondance commerciale en plusieurs langues, exactement le type de corpus où une recherche par mots-clés atteint ses limites. Pour ce profil, nous maintenons une page dédiée au tissu industriel de la province : conseil en IA pour les entreprises du Gipuzkoa et de Saint-Sébastien.

Nous n'avons pas de bureau ouvert au Pays basque et nous n'en annonçons aucun : le modèle est distant, avec des déplacements ponctuels convenus dans le projet lui-même et réservés à la formation de l'équipe ou à la mise en service.

Cadre normatif

Le cadre réglementaire.

RGPD si le corpus contient des données personnelles. AI Act en cas de haut risque.

EU RGPD Applicable à ce service

EU AI Act Applicable à ce service

ISO 42001 Applicable à ce service

ENS le cas échéant Applicable à ce service

Cluster Summum

Comment il s'articule avec les services connexes.

Le RAG relève de l'IA, de la gouvernance et des droits d'accès.

conseil

Summum Consultoría

Gouvernance : quoi indexer, qui accède.

Voir le service → sistemas

Summum sistemas

Connecteurs pour SharePoint, Drive, Confluence.

Voir le service →

Questions fréquentes sur RAG recherche interne.

RAG ou fine-tuning ?

RAG pour les connaissances spécifiques. Fine-tuning uniquement si le style ou le jargon le justifie.

Confidentialité ?

Auth corporate respectée.

Combien de documents ?

Jusqu'à 100 000+ dans des projets réels.

Pourquoi un RAG convaincant en démonstration se met-il à échouer sur la documentation réelle ?

Presque toujours à cause du corpus, pas du modèle. Quatre défaillances reviennent sans cesse : deux versions actives de la même procédure, si bien que le système cite la mauvaise ; des PDF numérisés sans couche de texte, que l'index ne lit jamais ; un découpage uniforme qui coupe un tableau ou une clause en deux ; et des questions qui croisent plusieurs documents, où la récupération remonte le plus ressemblant plutôt que le plus pertinent. Aucune ne se règle en changeant de modèle de langage : elles se corrigent en auditant le corpus avant l'indexation, en ajustant le découpage par type de document, en ajoutant une phase de réordonnancement et en mesurant avec de vraies questions de l'entreprise.

Nos documents sortent-ils de l'entreprise à un moment donné ?

Cela dépend de l'architecture, et la décision se prend au début du projet. L'index vectoriel et les documents restent sur l'infrastructure convenue avec le client. Ce qui circule vers le modèle de langage, ce sont les fragments récupérés pour répondre à cette question précise, jamais le dépôt entier. Lorsque la sensibilité de l'information l'exige (données personnelles, plans, dossiers, éléments couverts par un accord de confidentialité), nous évaluons des options avec résidence des données dans l'Union européenne ou avec le modèle déployé sur une infrastructure propre, au prix d'un coût d'exploitation plus élevé. Si le corpus contient des données personnelles, le traitement est documenté conformément au Règlement (UE) 2016/679.

Que vous faut-il de notre côté pour mettre un RAG en service ?

Trois choses concrètes. Une personne qui connaît la documentation et peut trancher sur la bonne version de chaque document : c'est généralement le vrai goulet d'étranglement du projet, davantage que la partie technique. Un accès aux dépôts d'origine et au système d'identité de l'entreprise, pour que les droits soient hérités au lieu d'être réinventés. Et une liste de trente à cinquante questions réelles auxquelles il faut aujourd'hui du temps pour répondre : elle sert de banc d'essai et décide si le système est prêt pour la production. L'architecture, les connecteurs, l'indexation et le tableau de bord d'exploitation sont apportés par Summum IA.

Ne vaudrait-il pas mieux entraîner un modèle sur nos propres documents ?

Pas si l'objectif est que le modèle connaisse le contenu de votre documentation. Le fine-tuning ajuste la manière de répondre, mais il fond la connaissance dans les poids : impossible de citer la source ou de savoir d'où vient une affirmation, et mettre à jour une procédure oblige à relancer l'entraînement. Avec le RAG, il suffit de réindexer le document corrigé et la réponse change le jour même. Le fine-tuning garde son intérêt lorsqu'il s'agit de modifier le ton ou un format de sortie très figé, et il se combine avec le RAG, qui continue d'apporter le contenu et la citation.

Vous accompagnons-nous dans la démarche ?

Parler de ce service→ Retour aux services→