RAG : comment un chatbot répond avec vos documents

Le RAG (retrieval-augmented generation, ou génération augmentée par la recherche) est une technique qui permet à un chatbot de chercher d’abord les passages pertinents dans vos documents, puis de rédiger sa réponse à partir de ces passages. Au lieu de répondre uniquement avec ce que le modèle de langage a appris pendant son entraînement, il s’appuie sur vos tarifs, vos conditions, vos procédures. Le résultat dépend surtout de la qualité et de la mise à jour de vos contenus.

Ce guide est écrit pour des dirigeants et responsables de PME, sans jargon technique. Il explique le fonctionnement, ce qu’il faut préparer, les limites à connaître et les questions à poser avant de lancer un projet.

Pourquoi un chatbot « classique » ne connaît-il pas votre entreprise ?

Un modèle de langage est entraîné sur de grandes quantités de textes publics. Il sait rédiger, résumer, reformuler. Il ne connaît pas vos horaires, vos conditions de garantie, votre zone d’intervention ni le prix de vos prestations, sauf si ces informations lui sont fournies. S’il n’a pas l’information, il peut produire une réponse plausible mais fausse, ce qu’on appelle une « hallucination ». Notre lexique présente les modèles génératifs et le traitement automatique du langage qui en sont la base.

Il y a donc deux façons de donner la connaissance de l’entreprise à un chatbot : écrire des scénarios figés, ou lui fournir vos documents. Le RAG est la seconde approche.

Comment fonctionne le RAG, étape par étape ?

L’idée a été formalisée dans un article de recherche de 2020, Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Patrick Lewis et collègues), qui combine un modèle de génération avec un index de documents interrogé au moment de la question. Pour un chatbot d’entreprise, le principe se décrit en six temps.

Collecter vos documents de référence : pages du site, FAQ, conditions générales, fiches produits, procédures, devis types.
Découper ces documents en petits passages (quelques paragraphes) pour pouvoir retrouver précisément l’information utile.
Indexer les passages dans une base permettant la recherche par sens, pas seulement par mots exacts. On parle souvent de « vecteurs » ou d’« embeddings » : ce sont des représentations numériques du sens d’un texte, qui permettent de rapprocher une question et un passage proche.
Rechercher : quand un visiteur pose une question, le système retrouve les passages les plus proches.
Rédiger : le modèle de langage reçoit la question et ces passages, avec la consigne de répondre uniquement à partir d’eux.
Contrôler : le système peut citer ses sources, refuser de répondre si rien de pertinent n’est trouvé et transmettre à un humain.

Vous n’avez pas à réaliser ces étapes vous-même : elles sont le travail du prestataire. Votre part est de fournir des contenus fiables et de valider les réponses.

RAG, scénarios figés, réentraînement : quelle différence ?

Approche	Principe	Avantages	Limites
Chatbot à scénarios	Parcours écrits à la main	Réponses très prévisibles	Rigide, lourd à maintenir si l’offre change
RAG	Recherche dans vos documents puis rédaction	Réponses variées, mises à jour en changeant les documents	Dépend de la qualité des documents ; réponses à contrôler
Réentraînement d’un modèle	Ajuster le modèle sur vos données	Peut adapter le style ou une tâche précise	Plus lourd, peu adapté à des informations qui changent

Pour répondre aux questions courantes d’une PME, le RAG est souvent un bon compromis, parce que mettre à jour une réponse revient à mettre à jour un document. Il ne s’impose pas partout : si vos questions se limitent à dix réponses stables, un chatbot à scénarios simple peut suffire. Notre article agent IA ou chatbot aide à choisir le bon niveau.

Quels documents fournir pour un chatbot RAG ?

La règle est simple : un chatbot RAG ne vaut pas mieux que vos documents. Commencez par ce qui est à la fois fréquemment demandé et déjà rédigé :

les pages de services et les tarifs publiés (uniquement ceux que vous acceptez de communiquer) ;
la FAQ et les réponses que vous envoyez le plus souvent par e-mail ;
les conditions de vente, de garantie, de livraison ou d’annulation ;
la description de votre processus de devis et vos délais habituels ;
les informations pratiques : adresse, horaires, zone d’intervention, contacts.

À éviter au départ : des documents internes contradictoires, des versions anciennes de vos tarifs, des fichiers qui mélangent des informations publiques et confidentielles, des données personnelles de clients. Un document périmé produit des réponses périmées, avec une grande assurance.

Comment préparer ses contenus ?

Faites l’inventaire des documents et désignez un référent pour chacun.
Supprimez ou archivez les versions obsolètes.
Unifiez les termes : si « devis », « estimation » et « chiffrage » désignent la même chose, dites-le dans le contenu.
Rédigez des réponses complètes : un passage clair vaut mieux qu’un tableau sans contexte.
Séparez le public et l’interne : le chatbot de site ne doit accéder qu’aux contenus publics.
Datez les informations qui évoluent (tarifs, promotions, délais).

Ce travail sert aussi votre site : des pages claires aident vos visiteurs et les moteurs de recherche, y compris les moteurs de réponse par IA, sujet traité dans notre guide du référencement GEO.

Quelles sont les limites du RAG ?

Le RAG réduit le risque d’invention, il ne le supprime pas. Les principales limites sont les suivantes.

Recherche imparfaite : le système peut retrouver un passage voisin mais pas le bon, surtout si les documents se ressemblent.
Interprétation erronée : le modèle peut mal reformuler une condition ou combiner deux passages de façon incorrecte.
Questions hors périmètre : sans consigne claire, un chatbot peut répondre sur un sujet qu’il ne doit pas traiter.
Contenu contradictoire : si deux documents se contredisent, la réponse sera instable.
Confidentialité : tout ce qui est indexé peut potentiellement être restitué à l’utilisateur ; ne mettez pas d’informations sensibles dans une base accessible au public.
Maintenance : les documents changent, l’index doit être actualisé.

D’où l’importance des tests avant lancement et d’une relecture régulière des conversations. Pour la partie données personnelles, consultez notre article IA et RGPD.

Comment tester un chatbot RAG avant de le mettre en ligne ?

Écrivez 30 à 50 questions réelles tirées de vos e-mails, appels et messages, avec la réponse attendue.
Ajoutez des questions pièges : sujets absents de vos documents, demandes de remise, questions juridiques, tentatives de détourner le chatbot.
Vérifiez trois choses pour chaque réponse : exacte, complète, cohérente avec la source citée.
Notez les échecs par type (document manquant, document ambigu, mauvaise recherche, consigne insuffisante) et corrigez à la source.
Définissez la règle de repli : « je ne sais pas », puis proposition de contacter l’équipe.
Relisez les conversations après le lancement, au moins chaque semaine au début.

Ces nombres sont des points de départ raisonnables, pas des seuils réglementaires : ajustez-les à votre volume de questions.

Un exemple fictif : une entreprise de rénovation et sa FAQ

Cet exemple est fictif et ne décrit ni un client ni un résultat mesuré.

Une petite entreprise de rénovation reçoit souvent les mêmes questions : zones d’intervention, délais moyens d’un devis, types de travaux réalisés, modalités de paiement. Elle rassemble ses pages de services, sa FAQ et ses conditions de vente, supprime deux anciennes versions de ses conditions et ajoute les délais habituels à sa FAQ. Le chatbot répond à partir de ces contenus, cite la page utilisée, et recueille les coordonnées du visiteur pour un rappel quand la question sort de son périmètre ou concerne un prix précis. Après quelques semaines, la gérante relit les conversations, repère une question fréquente sans réponse écrite et l’ajoute aux documents : le chatbot s’améliore parce que la base s’enrichit, pas parce que le modèle change.

Quelles questions poser à un prestataire de chatbot RAG ?

Quels documents seront indexés, et comment les mises à jour sont-elles faites ?
Le chatbot cite-t-il ses sources et sait-il refuser de répondre ?
Comment transmet-il à un humain, avec quelles informations ?
Où sont stockés les documents et les conversations, et pour combien de temps ?
Mes données servent-elles à entraîner un modèle ?
Quels tests seront réalisés avant lancement, et quelles statistiques d’usage aurai-je ensuite ?
Comment le coût est-il calculé (volume de conversations, taille de la base) ?

Nos services de chatbots intelligents et de solutions IA personnalisées couvrent ce type de projet, et le guide chatbot IA : coût, fonctionnement, étapes détaille la démarche de bout en bout. Pour discuter de vos documents, écrivez-nous via la page contact.

En résumé

Le RAG fait chercher au chatbot les passages utiles dans vos documents avant de rédiger sa réponse.
Il réduit le risque d’invention mais ne le supprime pas : tests et relecture restent nécessaires.
La qualité des réponses dépend de la qualité, de la clarté et de la mise à jour de vos contenus.
Ne mettez dans la base accessible au public que des informations publiques.
Prévoyez un repli vers un humain et un suivi régulier des conversations.
Commencez par un périmètre restreint (FAQ, conditions, informations pratiques), puis élargissez.

FAQ

Le RAG veut-il dire que le chatbot ne se trompe jamais ?

Non. Il s’appuie sur vos documents, ce qui améliore la fiabilité, mais la recherche ou la reformulation peuvent échouer. Testez, citez les sources et prévoyez un repli vers une personne.

Mes documents sont-ils utilisés pour entraîner un modèle ?

Cela dépend du fournisseur et du contrat. Demandez-le par écrit : avec un RAG, vos documents sont généralement consultés au moment de la question, mais les conditions de conservation et de réutilisation varient selon les services.

Faut-il beaucoup de documents pour commencer ?

Non. Une FAQ, vos conditions de vente et vos informations pratiques suffisent pour un premier périmètre. Mieux vaut une petite base fiable qu’une grande base contradictoire.

Quelle différence entre RAG et ChatGPT avec des fichiers joints ?

Joindre des fichiers à une conversation ponctuelle est un usage individuel. Un chatbot RAG indexe vos documents de façon durable, avec des règles de réponse, des sources, un suivi et une intégration à votre site ou à vos messageries.

Le RAG convient-il à une TPE ?

Oui si vous recevez régulièrement des questions répétitives et que vos informations sont écrites. Si vos demandes sont rares ou très variées, un formulaire bien conçu et un temps de réponse court seront plus rentables.

Peut-on utiliser le RAG pour des documents internes ?

C’est possible pour un assistant interne, avec des droits d’accès par utilisateur et une réflexion sur les données personnelles. C’est un projet distinct d’un chatbot public, à cadrer séparément.