Contrats, procédures, fiches produits, e-mails, documentation technique… La RAG permet à une IA de rechercher des informations dans les données internes de l’entreprise avant de répondre. France Num vient d’actualiser son guide pratique. Voici comment vérifier si cette technologie répond réellement à vos besoins — sans transformer votre serveur en buffet à volonté pour chatbot.
La fiche pratique de France Num consacrée à la RAG, publiée initialement en décembre 2024, a été mise à jour le 29 juillet 2026.
Cette nouvelle version détaille les usages possibles dans les TPE-PME, les différentes solutions disponibles, leurs coûts indicatifs et les précautions à prendre avant de connecter une intelligence artificielle aux documents de l’entreprise.
La RAG, qu’est-ce que c’est exactement ?
RAG signifie « Retrieval-Augmented Generation », ou génération augmentée par récupération.
Son fonctionnement peut être résumé en trois étapes :
- L’utilisatrice ou l’utilisateur pose une question.
- Le système recherche les passages pertinents dans les documents autorisés.
- Le modèle d’IA utilise ces informations pour rédiger sa réponse, idéalement en indiquant ses sources.
L’IA ne répond donc plus uniquement à partir des connaissances acquises pendant son entraînement. Elle s’appuie également sur les contrats, procédures, catalogues, dossiers clients ou documentations techniques auxquels l’entreprise lui donne accès.
La RAG peut rendre les réponses plus pertinentes et mieux adaptées au contexte de l’organisation. Mais elle ne supprime pas automatiquement les erreurs ni les hallucinations.
Quels usages dans une TPE ou une PME ?
Le guide de France Num présente plusieurs applications concrètes.
Une entreprise peut notamment créer :
- un assistant de support qui recherche dans les procédures officielles ;
- un moteur de recherche interne pour retrouver une information dans des milliers de documents ;
- un assistant commercial connecté au catalogue et aux fiches produits ;
- un outil intégré au CRM pour résumer le contexte d’un client ;
- un assistant destiné aux techniciens de maintenance ;
- un système d’aide à la rédaction de contrats ou de documents RH ;
- un chatbot capable d’analyser les ventes, les stocks ou les caractéristiques des produits.
France Num cite notamment le cas d’un prestataire de la restauration dont les techniciens peuvent interroger, depuis leur smartphone, une base contenant plus de 20 000 ressources documentaires.
Les 5 questions à se poser avant de lancer un projet RAG
1. Quel problème voulons-nous réellement résoudre ?
« Nous voulons utiliser l’IA » n’est pas un cas d’usage.
Il faut partir d’une tâche clairement identifiée :
- les équipes perdent-elles du temps à chercher une procédure ?
- le support répond-il régulièrement aux mêmes questions ?
- les commerciaux disposent-ils d’informations dispersées ?
- les techniciens trouvent-ils difficilement la bonne documentation ?
- certaines connaissances reposent-elles sur une seule personne ?
Le premier test doit porter sur un problème fréquent, mesurable et suffisamment limité.
2. Les documents sont-ils suffisamment fiables ?
Une RAG ne corrige pas une base documentaire mal tenue. Elle peut même diffuser ses erreurs beaucoup plus rapidement.
Avant toute connexion, vérifiez :
- la date de mise à jour des documents ;
- la présence de doublons ou de versions contradictoires ;
- l’identité des personnes responsables de chaque contenu ;
- les droits d’accès ;
- la présence de données personnelles ou confidentielles ;
- les règles d’archivage et de suppression.
Le nettoyage, la segmentation des documents et l’ajout de métadonnées constituent une part importante du projet.
3. Quelle solution choisir ?
France Num distingue trois niveaux.
Les solutions généralistes
Des plateformes comme ChatGPT, Claude, Mistral AI, Microsoft ou Google Cloud permettent déjà d’importer ou de connecter certains documents. Elles sont adaptées à une première expérimentation. Le coût d’entrée correspond généralement à celui de l’abonnement, mais les possibilités d’intégration, de paramétrage et de gouvernance restent variables.
Les logiciels spécialisés
Ces solutions sont conçues pour la recherche documentaire, le support ou certains métiers. D’après le guide France Num, leur abonnement peut varier de 50 à 2 000 euros par mois, hors éventuels coûts d’intégration. Cette fourchette est indicative : le prix réel dépend du nombre d’utilisateurs, du volume documentaire, des connecteurs, de l’hébergement et du niveau de service.
Le développement sur mesure
Il permet une intégration plus poussée au système d’information. France Num estime le ticket d’entrée entre environ 20 000 euros pour un système simple et plus de 200 000 euros pour les projets complexes.
À cela s’ajoutent la maintenance, la sécurité, le suivi des modèles et l’évolution des connecteurs. Le contrat doit également préciser la propriété du code et les conditions permettant de changer de prestataire.
4. Quelles données l’IA pourra-t-elle consulter ?
Connecter un assistant à un espace documentaire ne signifie pas lui ouvrir toutes les armoires.
Il faut conserver les droits d’accès existants et vérifier qu’une personne ne puisse pas obtenir, par l’intermédiaire du chatbot, un document auquel elle n’aurait normalement pas accès.
Avant le déploiement, définissez :
- les sources autorisées ;
- les catégories de données exclues ;
- les profils pouvant interroger chaque espace ;
- les durées de conservation ;
- le lieu d’hébergement ;
- les sous-traitants impliqués ;
- l’utilisation éventuelle des données par le fournisseur ;
- la procédure à suivre en cas d’erreur ou de fuite.
La CNIL rappelle que les principes de finalité, de minimisation, d’information et de protection des droits restent applicables lorsque des données personnelles sont utilisées par un système d’IA.
Une solution RAG encadrée peut aussi limiter le shadow IA, c’est-à-dire l’utilisation d’outils grand public non validés dans lesquels les équipes copient des informations professionnelles. Encore faut-il que la solution officielle soit suffisamment simple et utile. Sinon, les comptes gratuits continueront de circuler sous le bureau.
5. Comment vérifier la qualité des réponses ?
Une démonstration réussie ne prouve pas qu’un outil fonctionnera correctement tous les jours. Avant le déploiement, préparez un jeu de questions représentatives du travail réel.
Étape 1 — Sélectionnez un périmètre limité
Étape 2 — Préparez 20 à 30 questions
Étape 3 — Définissez la réponse attendue
Étape 4 — Lancez le test
Étape 5 — Évaluez chaque réponse
Étape 6 — Fixez un seuil avant la mise en service
Une bonne RAG doit être capable de dire : « Je ne trouve pas cette information dans les sources autorisées. » Une réponse prudente vaut mieux qu’une affirmation parfaitement rédigée… et totalement fausse.
La RAG peut aider une PME à exploiter ses connaissances internes, améliorer son support et réduire le temps consacré à la recherche documentaire.
Sa réussite dépend toutefois moins du choix du modèle d’IA que de la qualité des documents, des règles d’accès, de la sécurité et de l’évaluation des réponses.
Autrement dit : avant de rendre les documents intelligents, il faut déjà les rendre fiables et accessibles.
En savoir plus
- Guide France Num : exploiter les données de sa TPE-PME avec la RAG
- Recommandations de la CNIL sur l’IA et le RGPD
- FAQ IAPratique : les mots de l’intelligence artificielle
- Avant de déployer une IA : travail, compétences, risques et méthode
- IA en entreprise : 5 idées reçues qui coûtent du temps et de l’argent
#RAG #IntelligenceArtificielle #PME #TPE #Données #Cybersécurité #RGPD #TransformationNumérique #FranceNum #IAPratique