Mettre en place un système RAG dans l’entreprise : déroulement, coûts, erreurs typiques

Un système RAG (Retrieval Augmented Generation) répond aux questions sur la base de vos propres documents: il découpe les documents en courts passages, les rend accessibles via Embeddings rend le contenu interrogeable et permet à un modèle de langage de répondre uniquement à partir des passages trouvés – avec indication des sources. La mise en place suit six étapes. Les erreurs les plus fréquentes sont une mauvaise qualité des données, des droits d’accès manquants et l’absence de test avec de vraies questions.

Comment fonctionne un système RAG

L’idée de base : au lieu « d’enseigner » au modèle de langage les connaissances de votre entreprise, on lui fournit, à chaque question, les passages de texte pertinents. Le modèle formule la réponse, les faits proviennent de vos documents. Pour en savoir plus sur le terme, consultez le glossaire sous RAG; pourquoi c’est généralement mieux que le réentraînement, voir RAG ou Fine-Tuning ?.

La mise en place en six étapes

1. Clarifier l’objectif et les questions

Qui doit poser quelles questions ? Les collaborateurs du service, de l’administration, les nouveaux collègues ? Rassemblez 30 à 50 vraies questions du quotidien. Vous déterminez quels documents sont nécessaires et ils serviront plus tard de test.

2. Sélectionner et nettoyer les sources de données

Manuels, directives, contrats, informations produits, FAQ. Éliminez les versions obsolètes et les doublons – des documents contradictoires entraînent des réponses contradictoires.

3. Préparer les documents

Les textes sont lus à partir de fichiers PDF, de documents Word ou de scans (pour les scans, via reconnaissance de texte) et découpés en sections. La taille des sections influence fortement la qualité : trop petites, elles manquent de contexte ; trop grandes, la recherche devient imprécise.

4. Rendre consultable

Chaque section est convertie en embedding et stockée dans une base de données vectorielle – avec la source et les droits d’accès.

5. Générer des réponses

Lorsqu’une question est posée, les passages pertinents sont recherchés et transmis au modèle de langage selon des règles claires : répondre uniquement sur cette base, citer les sources, admettre lorsqu’il ne sait pas. En savoir plus : Réponses IA avec indication des sources.

6. Tester, déployer, maintenir

Faire répondre aux questions recueillies, évaluer les réponses, les affiner. Ensuite, intégrer régulièrement de nouveaux documents et analyser les questions en suspens.

Ce qu’un système RAG coûte

Il n’existe pas de prix fixes ; les principaux facteurs de coût sont :

• Volume et qualité des données : Le nettoyage et la préparation représentent souvent la plus grande part du travail.
• Nombre de sources : Chaque connexion (lecteur, Nextcloud, DMS, wiki) nécessite une configuration.
• Concept de droits :Qui peut voir quoi ? Plus c’est fin, plus c’est complexe.
• Modèle et exploitation : serveur GPU propre, service de modèle en Allemagne ou cloud – voir Héberger des modèles d’IA conformément au RGPD.
• Maintenance :lecture continue de nouveaux documents et analyse.

Les erreurs les plus fréquentes

• « Tout y mettre » : Des lecteurs non filtrés contenant d’anciennes versions dégradent les réponses.
• Aucun droit : Si le système montre des dossiers du personnel ou des documents de la direction à tout le monde, c’est un problème de protection des données.
• Pas de test : Sans vraies questions, personne ne sait si le système aide.
• Pas d’indication de source : Sans sources, les collaborateurs ne peuvent pas vérifier les réponses.
• Seulement de la technique, pas de processus : Qui entretient les documents ? Qui évalue les questions en suspens ?
• PDF numérisés sans reconnaissance de texte : le contenu reste invisible.

Solution prête à l’emploi ou développement interne ?

De nombreux outils intègrent déjà le RAG – par exemple Nextcloud Context Chat, Open WebUI ou Paperless-ngx. Pour les entreprises avec de nombreuses sources et des exigences en matière de droits d’accès, une solution bien pensée comme notre recherche documentaire IA. Le déroulement détaillé de la mise en place est décrit dans mettre en place la recherche documentaire IA.

bettersorted mise pour ses clientes et clients sur des modules ouverts et consultables – hébergés sur des serveurs en Allemagne et regroupés dans le automaisa Hub. Nous conseillons de manière neutre vis-à-vis des fabricants, sommes conseillers enregistrés auprès du BAFA et coachs INQA autorisés. Le Conseil et introduction accompagnée peuvent être subventionnés à hauteur de 80 % via le INQA-Coaching ; le contrôle des aides indique la voie appropriée. Pour un premier entretien sans engagement : Contact.

Exemple : RAG dans le service client d’un distributeur

Un scénario illustratif : un grossiste technique dispose de centaines de fiches techniques, de notices de montage et de conditions de garantie. Le service interne recherche chaque jour des réponses aux questions des clients. Un système RAG ingère les documents, tient compte des documents réservés à l’interne et répond aux questions en renvoyant à la fiche technique et à la page. Après quatre semaines de test avec 50 vraies questions, il est mis à disposition du service interne ; les questions en suspens sont évaluées chaque semaine.

Mesurer le succès

• Part des questions de test répondues correctement
• Part des réponses avec source correcte
• Gain de temps sur les tâches de recherche typiques
• Questions les plus fréquentes sans réponse – indications de documents manquants

Coûts et subventions

Les coûts d’un système RAG se composent de trois éléments : Mise en place (planification, installation, connexion, tests), exploitation courante (serveur ou hébergement, mises à jour, surveillance, sauvegarde des données) et accompagnement des collaborateurs (formation, règles, interlocuteurs). Nous ne communiquons pas de prix fixes, car l’ampleur et la situation de départ varient fortement. Le logiciel lui-même n’entraîne pas de coûts de licence dans le cas des solutions open source.

Ce n’est pas la technique qui est financée, mais la Conseil et introduction accompagnée: via le INQA-Coaching l’État prend en charge 80 % des coûts de coaching dans toute l’Allemagne (jusqu’à 11.520 €, bons jusqu’au 30.06.2028). Une analyse préalable peut être subventionnée par le BAFA-Beratungsförderung – à hauteur de 80 % dans les nouveaux Länder, à Lüneburg et à Trèves, sinon 50 %, pour les demandes déposées jusqu’au 31.12.2026. Pour les investissements, certains Länder proposent leurs propres programmes – voir Possibilités de financement pour les entreprises en Allemagne.

Questions fréquemment posées

Qu’est-ce qu’un système RAG ?

Un système qui répond aux questions sur la base de ses propres documents : il recherche les passages de texte pertinents et laisse un modèle de langage formuler une réponse uniquement à partir de ceux-ci, idéalement avec indication des sources.

Combien de temps faut-il pour mettre en place un système RAG ?

Un pilote avec quelques sources bien entretenues est souvent possible en quelques semaines. Le principal facteur de temps est généralement le nettoyage et la préparation des documents.

Un système RAG peut-il prendre en compte les droits d’accès ?

Oui, si les droits sont enregistrés lors de l’ingestion et vérifiés à chaque recherche. Cela doit être prévu dès le départ.

Un système RAG a-t-il besoin de sa propre IA ?

Non. Le modèle de langage peut fonctionner en local, chez un fournisseur de modèle allemand ou dans le cloud. Pour les documents sensibles, un traitement local ou hébergé en Allemagne est recommandé.

État : octobre 2026.