Ce qu'un assistant documentaire fait de votre fonds
Aussi appelé : recherche documentaire IA, RAG documentaire, base de connaissances IA, GED intelligence artificielle, GED augmentée par IA.
Un assistant documentaire IA est un moteur de réponse branché sur votre fonds documentaire : procédures, contrats, fiches techniques, comptes rendus, base de connaissances, archives.
Plutôt que de parcourir des dossiers ou des intranets, un collaborateur pose une question en langage naturel et reçoit une réponse synthétique, accompagnée des extraits et des documents sources qui la justifient.
Il sert à répondre vite à une question métier précise, à retrouver une information noyée dans des centaines de pages, à comparer des versions de documents ou à préparer une note à partir de plusieurs sources.
La valeur tient autant à la rapidité d'accès qu'à la fiabilité : chaque réponse est traçable jusqu'au document d'origine, ce qui permet à l'utilisateur de vérifier et d'éviter les approximations. C'est la brique de référence quand la connaissance de l'entreprise est dispersée et que sa recherche fait perdre un temps significatif aux équipes.
- Vos documents deviennent interrogeables en langage naturel : une question, une réponse synthétique avec les sources citées.
- Construit en RAG : chaque réponse est traçable jusqu'au document d'origine, ce qui limite les approximations.
- Gère vos formats réels (PDF, bureautique, exports métier) et respecte vos droits d'accès à la récupération.
- Code et index livrés : vos équipes ajoutent des sources et font évoluer l'assistant en autonomie.
Cinq étapes pour ouvrir un assistant documentaire à une équipe
Inventorier le corpus et ses propriétaires
Nous listons les sources (GED, SharePoint, partages réseau, exports métier), la version qui fait foi pour chaque document, son propriétaire et ses droits d'accès. Les documents périmés et les scans sans texte sont repérés dès cette étape.
Écrire le jeu de questions de référence
Vos experts rédigent leurs questions telles qu'ils les posent, avec la réponse attendue, le document et la page qui la portent. Le jeu contient aussi des questions sans réponse dans le corpus, pour vérifier que l'assistant sait dire qu'il ne sait pas.
Indexer un premier sous-corpus
Nous réglons le découpage, le préfixe de contexte, la recherche hybride et le reclassement sur un périmètre représentatif. Les tableaux, les scans et les références exactes passent en premier, parce que le découpage et la recherche par le sens les traitent mal.
Mesurer les réponses, puis tester les droits
Le jeu de questions est rejoué : bonne réponse, bonne source, et « je ne sais pas » quand le corpus ne contient rien. Un profil privé d'accès à un dossier vérifie ensuite qu'aucun passage de ce dossier ne remonte dans ses réponses.
Ouvrir à l'équipe avec une règle de mise à jour
L'assistant entre en service avec un bouton de signalement relié au propriétaire de chaque source. Une nouvelle version de document déclenche sa réindexation, et le jeu de questions est rejoué à chaque changement de modèle.
Si plusieurs fonds documentaires se disputent la priorité, un audit IA les classe avant la première indexation.
Quatre paliers, du corpus à l'assistant en service
Choisir le corpus et ses propriétaires
Nous recensons les documents à couvrir, leurs formats, leurs versions et la personne qui répond de chaque source. Les documents périmés sortent du corpus avant l'indexation.
Mesurer sur les questions de vos experts
Vos experts écrivent les questions qu'ils posent vraiment, avec la bonne réponse. Le premier sous-corpus indexé est jugé sur cette liste, réponse par réponse, citation comprise.
Indexer tout le fonds, droits compris
La chaîne de découpage, d'enrichissement et d'indexation s'étend au corpus complet. La recherche applique les droits de l'utilisateur, et l'assistant s'installe là où vos équipes travaillent.
Organiser la mise à jour
Une règle fixe qui ajoute, remplace ou retire un document, et à quel rythme l'index se reconstruit. Votre équipe reçoit le code, l'index et la liste des questions de référence.
La mécanique d'un assistant documentaire
La recherche fait la qualité : vos documents sont découpés, enrichis d'un court contexte, indexés par le sens et par les mots, puis retrouvés avec les droits de l'utilisateur. Le modèle de langage (Claude, GPT ou Mistral selon le corpus) rédige ensuite une réponse qui cite chaque passage utilisé.
Chaque passage reçoit une courte phrase de contexte avant l'indexation, puis la recherche combine le sens et les mots exacts, ce qui retrouve aussi bien une notion qu'un numéro d'article. Les passages retenus sont filtrés selon les droits de l'utilisateur avant d'atteindre le modèle.
Celui-ci (Claude, GPT ou Mistral, choisi sur le corpus) rédige une réponse qui renvoie à chaque extrait utilisé, et l'hébergement peut rester dans l'Union européenne.
Pour nos pratiques de développement et de recette, rendez-vous sur la page de notre agence spécialisée dans le développement IA.
Quatre fonds documentaires, quatre assistants
Selon le métier, le corpus et les questions changent ; la règle de citation, elle, reste la même.
Cabinets juridiques
Interroger une base de contrats, de jurisprudence interne et de modèles pour retrouver une clause ou un précédent, avec le document source en appui.
Industrie et qualité
Rendre la documentation technique, les normes et les procédures qualité interrogeables par les équipes terrain et bureau d'études.
Santé et médico-social
Un assistant sur les protocoles et procédures internes, avec sourçage systématique et validation humaine, dans le respect de la confidentialité des données.
Collectivités et secteur public
Rendre interrogeables les délibérations, marchés et procédures administratives pour gagner du temps sur la recherche documentaire.
Un assistant documentaire se juge sur les questions de vos experts et sur la page qu'il cite
La qualité d'un assistant documentaire se joue avant le modèle de langage, dans la façon dont vos documents sont découpés, indexés et retrouvés.
Anthropic l'a mesuré en septembre 2024 : en ajoutant à chaque passage une courte phrase qui situe son contexte, puis en combinant la recherche par le sens, la recherche par mots-clés et un reclassement, le taux d'échec de récupération baisse de 67 % sur ses jeux de test. Ce taux compte les questions dont le bon passage manque parmi les vingt premiers résultats.
Ce guide décrit ces étapes, leur coût et la façon de les vérifier avant d'ouvrir l'outil à une équipe.
Le tri du corpus décide de la qualité des réponses
Un partage réseau contient rarement une seule version d'une procédure. La version de 2021, sa révision de 2023 et le brouillon jamais validé y cohabitent, et un index les lit toutes avec le même crédit. L'assistant mélange alors deux règles et cite les deux avec assurance.
Le premier chantier dresse donc l'inventaire : les sources, la version qui fait foi, son propriétaire, son rythme de révision. Les documents périmés sortent de l'index, ou y restent avec une étiquette d'archive que la réponse affiche.
Ce tri révèle souvent un corpus plus petit que prévu. Anthropic rappelle qu'une base de moins de 200 000 jetons, soit environ 500 pages, peut être donnée en entier au modèle à chaque question, sans chaîne d'indexation. Un jeton (token) est le fragment de mot que le modèle compte et facture.
Sous ce seuil, un projet partagé dans un assistant du marché suffit souvent, et le cadrage vous le dira. Au-delà, ou quand les droits diffèrent d'un lecteur à l'autre, l'index devient nécessaire.
L'indexation découpe vos documents en passages qui doivent rester compréhensibles seuls
Le principe porte un nom, la génération augmentée par récupération (RAG) : le système retrouve les passages utiles, puis le modèle rédige sa réponse à partir d'eux. Chaque document est d'abord découpé en blocs ; l'outil de recherche de fichiers d'OpenAI coupe par défaut des blocs de 800 jetons qui se chevauchent sur 400.
Chaque bloc reçoit un plongement vectoriel, une suite de nombres qui résume son sens. Le modèle mistral-embed de Mistral en produit 1 024 par passage, et deux textes de sens voisin obtiennent des vecteurs proches.
Le découpage casse le contexte. Anthropic prend l'exemple d'un passage qui annonce une croissance de 3 % du chiffre d'affaires sur le trimestre précédent, sans dire de quelle entreprise ni de quel trimestre il s'agit. Isolé, ce bloc ne répond plus à aucune question précise.
La parade consiste à préfixer chaque bloc d'une courte phrase de contexte, de 50 à 100 jetons, avant de l'indexer. Nos préfixes reprennent le titre du document, sa version, la section et la date, pour que la citation finale reste vérifiable.
La recherche par mots-clés retrouve les références que la recherche par le sens laisse passer
La recherche par le sens rapproche « délai de préavis » et « durée de notification ». Elle peine sur l'exact : un numéro d'article, une référence produit, un code d'erreur, un nom propre.
La documentation d'Azure AI Search, le moteur de recherche de Microsoft, le reconnaît : les codes produits, le jargon spécialisé, les dates et les noms de personnes répondent mieux à la recherche par mots-clés, qui trouve les correspondances exactes. Un assistant documentaire sérieux combine les deux.
La recherche hybride lance les deux requêtes en parallèle, puis fusionne les deux listes par une méthode de classement (Reciprocal Rank Fusion) qui favorise les passages bien placés dans chacune. Un modèle de reclassement relit ensuite les meilleurs candidats et les ordonne selon leur pertinence pour la question posée.
Sur ses jeux de test, Anthropic mesure une baisse des échecs de récupération de 35 % avec le seul préfixe de contexte, de 49 % en y ajoutant la recherche par mots-clés et de 67 % avec le reclassement.
Une réponse cite la phrase et la page, ou elle dit qu'elle ne sait pas
La citation transforme une réponse plausible en réponse vérifiable. Avec la fonction de citations de l'API de Claude, l'interface qui permet à un logiciel d'appeler le modèle, chaque affirmation renvoie au passage exact du document fourni, et à son numéro de page pour un PDF.
Anthropic précise que ces citations pointent toujours vers un passage valide, puisque l'API extrait elle-même le texte cité. Une limite en découle : un PDF scanné sans couche texte ne peut pas être cité. Vos archives scannées passent d'abord par une reconnaissance de caractères.
Le second réglage paraît modeste : autoriser l'assistant à répondre qu'il ne sait pas. La documentation d'Anthropic place cette permission parmi les premières parades contre les hallucinations, ces réponses fausses formulées avec aplomb. Nous l'écrivons dans les instructions, avec une phrase type et le nom du propriétaire de la source à contacter.
Sur les documents longs, au-delà de 20 000 jetons, l'assistant extrait d'abord les citations utiles mot pour mot, puis répond à partir d'elles seules.
Les droits d'accès se posent dans l'index, passage par passage
Dans votre GED (gestion électronique des documents), des droits s'appliquent : un dossier RH reste fermé aux commerciaux. L'index d'un assistant n'en hérite pas de lui-même. Avec Azure AI Search, le modèle de filtre de sécurité décrit par Microsoft range dans chaque passage les identifiants des groupes autorisés, puis filtre chaque requête selon le groupe de l'utilisateur.
La documentation précise que cet identifiant reste une simple chaîne de caractères, sans authentification. Si l'application oublie le filtre, tout devient visible.
Ces failles figurent dans le classement 2025 de l'OWASP, fondation de référence en sécurité des applications, parmi les dix risques majeurs des applications à base de grands modèles de langage (LLM08). L'OWASP recommande des bases vectorielles qui respectent les permissions, la validation de chaque document avant son indexation et un journal non modifiable des recherches.
Son scénario d'école parle à tout service RH : un CV porte, en texte blanc sur fond blanc, l'instruction de recommander son auteur. Une indexation qui ne détecte pas ce texte caché transmet la consigne au modèle.
| Document | Ce qui gêne la recherche | Préparation retenue |
|---|---|---|
| Procédure qualité révisée plusieurs fois | Les versions successives se contredisent | Seule la version en vigueur est indexée, les autres partent en archive |
| PDF scanné | Aucune couche texte : ni recherche ni citation possible | Reconnaissance de caractères, puis contrôle d'un échantillon de pages |
| Contrat ou marché public | Les renvois d'article et les annexes | Découpage par article, avec titre et numéro répétés dans chaque passage |
| Grille tarifaire sous Excel | Un tableau découpé perd ses en-têtes | Une ligne par passage, en-têtes de colonnes répétés |
| Compte rendu de réunion | Données personnelles et décisions provisoires | Tri avec le propriétaire, pseudonymisation quand elle s'impose |
| Fiche produit | Les codes exacts échappent à la recherche par le sens | Recherche par mots-clés activée sur les champs de référence |
Retour de mission : une base de connaissance rangée par famille de marchés publics
Depuis plus de quarante ans, un cabinet indépendant de conseil financier travaille pour des collectivités, des sociétés d'économie mixte et des syndicats mixtes. Une vingtaine de consultants, répartis entre Paris et Lyon, y rédigent des mémoires techniques notés par des jurys sur la compréhension du besoin, la méthode et le ton.
Quand les offres se valent sur le fond, l'écriture départage les candidats. Le cabinet cherchait à réutiliser ses meilleures formulations et à gagner du temps, sans laisser sortir les données des marchés.
- Le cadrage observe comment les mémoires s'écrivent aujourd'hui, puis range les appels d'offres du cabinet par pôle d'expertise dans un cahier de cadrage.
- Deux pôles se partagent quatre assistants, chacun dédié à une famille de marchés : les énergies renouvelables et leur financement, la mobilité et les infrastructures, l'eau et les déchets en délégation de service public, l'aménagement et l'immobilier public.
- La base de connaissance commence par une fiche qui présente le cabinet. Viennent ensuite, par ordre de priorité, les modèles de mémoires, les notes d'analyse des dossiers de consultation, les méthodes d'assistance à la maîtrise d'ouvrage, les mémoires que les jurys ont le mieux notés et les références détaillées.
- En quatre ateliers de deux heures, les consultants testent les instructions sur des dossiers récents. Chaque assistant leur pose ses questions avant d'écrire : le cabinet connaît-il déjà ce client, quelles priorités, quelles références, quelle équipe.
- Un guide d'utilisation désigne qui tient chaque document à jour et fixe les règles d'usage et de sécurité.
Ce qui en ressort.
Chaque pôle retrouve ses formulations gagnantes dans ses propres assistants, et les familles de marchés restent séparées. Le consultant garde la main sur l'analyse du dossier, le choix de la réponse et le lien avec le maître d'ouvrage. Le cabinet travaille dans un environnement d'entreprise qui exclut ses données de l'entraînement des modèles.
Nous en tirons une règle pour tout assistant documentaire : un corpus par famille de questions, chacun avec son propriétaire.
Les pièges à connaître
Indexer le partage réseau tel quel
Les doublons et les versions périmées entrent dans l'index avec le même poids que le document en vigueur, et l'assistant cite une règle abandonnée. L'inventaire des sources et de leur version de référence précède toute indexation.
Construire l'index avec un compte qui voit tout
Un compte technique qui lit tous les dossiers produit un index sans droits. Chaque passage porte les groupes autorisés de son document d'origine, et chaque recherche filtre selon l'utilisateur connecté.
Juger l'outil sur une démonstration
Des questions choisies par l'équipe projet rassurent à peu de frais. Le jeu de référence s'écrit avec les experts, sur leurs questions de tous les jours, avec la réponse attendue et sa source, puis se rejoue à chaque réglage.
Oublier les archives scannées
Un PDF scanné sans couche texte échappe à la recherche et ne peut pas être cité. La reconnaissance de caractères se planifie au cadrage, avec un contrôle sur un échantillon de pages.
Laisser une source sans propriétaire
Une procédure révisée en mars et réindexée en septembre produit six mois de réponses fausses, citées avec leur source. Chaque source a un propriétaire nommé, et chaque nouvelle version déclenche sa réindexation.
Le budget d'un assistant documentaire
Le corpus fait le prix plus que le modèle. Un premier assistant sur un corpus délimité démarre autour de 12 000 € ; une couverture large, sur plusieurs directions et de gros volumes, monte au-delà de 100 000 € et jusqu'à quelques centaines de milliers d'euros.
Nous chiffrons au forfait, sur devis, une fois le cadrage fait : la proposition écrite liste les sources couvertes, les volumes, les droits à reproduire et la taille du jeu de questions. Le fonctionnement se paie ensuite à la question et au stockage de l'index.
Chez OpenAI, le stockage des index de recherche de fichiers est inclus jusqu'à 1 Go, puis facturé 0,10 dollar par gigaoctet et par jour. Ces coûts d'usage figurent dans la proposition, avec l'hypothèse de volume qui les fonde.
L'état des documents
Scans sans couche texte, tableaux, versions multiples et formats exotiques demandent une préparation avant l'indexation. Un corpus déjà trié et à jour allège ce poste.
Les droits à reproduire
Un corpus ouvert à tous se filtre peu. Des droits par dossier, par service ou par client imposent de porter les groupes autorisés dans chaque passage, puis de tester chaque profil.
Les sources à synchroniser
Chaque source (GED, SharePoint, partage réseau, base métier) demande son connecteur et sa règle de mise à jour. Le rythme de révision des documents fixe la fréquence de réindexation.
Le niveau de preuve exigé
Une citation à la page, un jeu de questions large et une réévaluation à chaque changement de modèle prennent du temps d'expert. Les métiers réglementés y tiennent, et le devis le prévoit.
Les fourchettes des autres types de projets sont rassemblées dans notre page combien coûte un projet IA.
Un développeur qui indexe vos documents sans les sortir de chez vous
Un assistant documentaire grandit par vagues : la direction juridique d'abord, puis le support technique, chacun avec ses sources, ses droits et ses questions de référence. Quand le rythme s'accélère, nous détachons en régie un développeur IA dans votre équipe, dans vos locaux ou à distance.
Ses interlocuteurs quotidiens sont l'administrateur de votre GED et les propriétaires des documents, et l'index reste dans votre environnement.
Ce développeur documente chaque connecteur et chaque règle de découpage au fil de l'eau. Au départ du développeur, votre équipe sait ajouter une source, rejouer le jeu de questions et lire les journaux de recherche, puisque la passation est comprise dans la mission.
Comment se déroule un projetAssistant documentaire : les questions fréquentes
Votre fonds documentaire a un format ou un volume particulier ?
Décrivez-le-nousCe qui se construit à côté d'un assistant documentaire
Des intervenants qui partent de vos documents
Masteria est l'entreprise de Mathias Nizan, créée à Lyon en 2022, et Mathias suit chaque projet. Pour un assistant documentaire, il réunit des consultants qui inventorient le corpus et ses propriétaires, des développeurs qui construisent l'indexation et la recherche, et un formateur pour les utilisateurs, tous indépendants.
Masteria ne revend aucune GED ni aucun moteur de recherche.