Comment donner à votre IA la connaissance de votre entreprise : guide pratique

Comment donner à votre IA la connaissance de votre entreprise : guide pratique

Pour qu'une IA connaisse votre entreprise, vous devez lui fournir vos documents de référence — offres, tarifs, processus, FAQ — structurés et à jour, puis connecter ces sources via un système RAG (Retrieval-Augmented Generation) ou un fine-tuning ciblé. L'IA ne devine pas vos règles métier : elle les lit. Commencez par identifier les questions qui bloquent vos équipes aujourd'hui, rassemblez les documents qui y répondent officiellement, testez sur un périmètre étroit avant d'étendre.

Pourquoi l'IA hallucine sur vos offres commerciales

Une IA générique a lu des milliards de textes publics. Elle sait rédiger une proposition, structurer un argumentaire, adopter un ton professionnel. Mais elle ignore que votre forfait « Premium » inclut la formation administrateur seulement depuis janvier 2024, ou que l'accompagnement démarrage est facturé au-delà de trois jours. Ces détails vivent dans vos contrats, vos emails validés par la direction, vos wiki internes. Pas dans son entraînement.

Le problème n'est pas technique. C'est un problème de source. Quand un commercial demande à ChatGPT « réponds à ce prospect », l'outil invente une réponse plausible. Plausible ne suffit pas. Une erreur sur une condition de paiement ou une SLA engage votre responsabilité. La solution : ne plus demander à l'IA de savoir, lui demander de chercher dans votre savoir.

Identifier les vrais points de friction

Avant d'acheter un outil ou de configurer un connecteur, réunissez vos équipes une heure. Posez trois questions concrètes :

• Quelle information cherchez-vous le plus souvent avant de répondre à un client ?
• Quelle demande vous oblige à interrompre un collègue ou à fouiller dans Slack ?
• Où les versions divergent-elles entre le site, les présentations commerciales et les contrats signés ?

Les réponses dessinent votre premier périmètre. Chez un éditeur SaaS, ce sera les limites fonctionnelles par plan. Chez un cabinet de conseil, les modalités d'intervention et les exclusions. Chez un industriel, les délais de livraison selon les gammes. Ne cherchez pas à tout connecter d'un coup. Un périmètre étroit, bien documenté, prouve la valeur. L'extension viendra après.

Constituer un jeu de test réaliste

Prenez vingt questions réelles reçues le mois dernier. Anonymisez-les. Pour chacune, notez la réponse exacte attendue et le document source qui fait foi — clause du contrat, page du catalogue, email de validation direction. Ce jeu de test devient votre boussole. Il permet de mesurer si l'IA retrouve la bonne information, cite la bonne source, refuse de répondre quand le document manque.

Ajoutez cinq questions pièges : des cas limites, des anciennes offres retirées, des demandes hors périmètre. L'IA doit dire « je ne trouve pas cette information dans vos documents » plutôt qu'inventer. Cette exigence de franchise sépare les jouets des outils utilisables en production.

Choisir l'architecture adaptée à votre volume

RAG : la norme pour la plupart des entreprises

Le Retrieval-Augmented Generation indexe vos documents, récupère les passages pertinents pour chaque question, les transmet au modèle de langage avec la consigne : « Réponds uniquement à partir de ces extraits ». Avantages : mise à jour simple (réindexation), traçabilité des sources, coût maîtrisé. Inconvénient : l'IA ne « comprend » pas l'entreprise, elle assemble des fragments.

Cette architecture convient si vos règles changent souvent — tarifs, processus, offres — et si vous avez entre cent et cinquante mille pages de documentation. Au-delà, la pertinence de la recherche vectorielle décroît sans travail sur le chunking et le reranking.

Fine-tuning : pour les connaissances stables et volumineuses

Le fine-tuning entraîne un modèle sur vos données. L'IA « sait » alors vos produits, votre vocabulaire, vos processus sans recherche préalable. Avantages : réponses plus fluides, meilleure gestion du contexte long, latence réduite. Inconvénients : mise à jour coûteuse (réentraînement), opacité des sources, risque d'overfitting sur des données bruitées.

Réservez cette approche aux connaissances stables — nomenclature produits, nomenclature réglementaire, procédures qualité certifiées — et aux volumes supérieurs à cent mille pages. La plupart des PME n'en ont pas besoin.

Approche hybride : le meilleur des deux

Un modèle fine-tuné sur votre vocabulaire métier + un RAG sur vos documents variables. Le modèle comprend « forfait Premium », « SLA », « mise en service ». Le RAG apporte la version actuelle des tarifs, les conditions du moment. Cette architecture sépare connaissance structurelle et données volatiles. Elle demande plus d'ingénierie mais tient la route dans la durée.

Préparer vos documents pour l'IA

Vos PDF, Word, PowerPoint, Notion, Confluence ne sont pas prêts. L'IA lit du texte brut. Un tableau dans un PDF devient une suite de caractères illisible. Une image de processus n'est pas exploitée. Une présentation avec des notes en bas de page perd la hiérarchie. Le travail de préparation représente 60 % du projet.

Nettoyer et structurer

• Convertissez tout en Markdown ou texte brut avec balises de structure (titres, listes, tableaux).
• Supprimez les en-têtes, pieds de page, numéros de page, filigranes.
• Séparez les documents par sujet : un fichier par offre, par processus, par FAQ.
• Ajoutez des métadonnées : version, date, auteur validateur, périmètre d'application.

Un document « Tarifs 2024 v3 validé DAF » vaut mieux que « Tarifs_final_vraiment_final.pdf ». La métadonnée permet au système de privilégier la version à jour et d'indiquer la source dans la réponse.

Découper intelligemment (chunking)

Le découpage en morceaux (chunks) détermine la qualité de la recherche. Trop gros : l'IA noie la réponse dans du bruit. Trop petit : elle perd le contexte. Règle pratique : un chunk = une idée complète, une réponse potentielle. Une clause contractuelle. Une fiche produit. Une étape de processus. Taille cible : 300 à 800 tokens selon la densité d'information.

Préservez les titres de section dans chaque chunk. Si un chunk commence par « 3.2 Conditions de résiliation », l'IA sait où elle est. Utilisez un découpage sémantique (par titre, par paragraphe logique) plutôt qu'un découpage à taille fixe.

Enrichir avec des questions-réponses synthétiques

Pour chaque document clé, générez cinq à dix questions que vos équipes posent réellement, avec leurs réponses exactes. Intégrez ces paires Q/R comme documents à part entière. Elles boostent la pertinence sur les requêtes fréquentes et servent de garde-fous : l'IA retrouve la réponse validée plutôt que d'interpréter le document source.

Mettre en place la gouvernance des sources

L'IA ne vaut que ce que valent ses sources. Qui décide qu'un document fait foi ? Qui met à jour ? Qui valide la suppression d'une ancienne version ? Sans gouvernance, le système indexe des brouillons, des versions obsolètes, des emails non engagés. La réponse sort juste, mais fausse.

Définir l'autorité par type de document

• Niveau 1 — Source de vérité : contrats signés, tarifs validés DAF, processus certifiés, règlements. Seule la dernière version validée est indexée.
• Niveau 2 — Référence opérationnelle : playbooks commerciaux, FAQ support, modes opératoires à jour. Validés par le responsable métier.
• Niveau 3 — Contexte complémentaire : comptes-rendus, emails de clarification, benchmarks. Utilisés seulement si Niveau 1 et 2 ne répondent pas, avec avertissement.

Cette hiérarchie s'applique dans le prompt système : « Privilégie les sources Niveau 1. Cite toujours ton niveau de source. »

Instaurer un cycle de révision

Tous les mois, le responsable métier de chaque domaine vérifie : les documents indexés sont-ils la dernière version ? Des nouveaux documents doivent-ils être ajoutés ? Des réponses du jeu de test sont-elles devenues fausses ? Ce rendez-vous de trente minutes évite la dérive. Automatisez une alerte si un document Niveau 1 n'a pas été révisé depuis six mois.

Configurer le prompt système pour votre métier

Le prompt système dicte le comportement de l'IA. Ne vous contentez pas de « Tu es un assistant utile ». Écrivez un prompt qui reflète vos exigences :

• Ton : professionnel, précis, jamais familier.
• Règle cardinale : ne jamais inventer. Si l'information n'est pas dans les sources fournies, répondre : « Je ne trouve pas cette information dans les documents de référence actuels. »
• Citation obligatoire : chaque affirmation factuelle doit référencer le document source (titre, version, section).
• Gestion de l'ambiguïté : si plusieurs sources divergent, lister les versions avec leurs dates et demander confirmation.
• Périmètre : préciser les sujets couverts et ceux exclus (juridique, RH, finance non indexés).

Testez ce prompt avec votre jeu de vingt questions. Ajustez jusqu'à obtenir zéro hallucination et zéro refus injustifié. Ce prompt devient un livrable à versionner comme du code.

Déployer par itérations successives

Phase 1 : bac à sable interne (semaines 1-2)

Ouvrez l'outil à cinq utilisateurs volontaires — deux commerciaux, un marketeur, un support, un avant-vente. Ils testent leurs vraies questions du quotidien. Notez : taux de réponse correcte, temps gagné, frustrations, demandes de nouvelles sources. Corrigez le chunking, le prompt, l'indexation. Ne communiquez pas encore à toute l'entreprise.

Phase 2 : pilote élargi (semaines 3-6)

Étendez à dix-huit utilisateurs représentatifs. Ajoutez un canal de feedback simple (bouton « réponse utile / inutile » dans l'interface). Mesurez : nombre de requêtes par jour, taux d'adoption spontanée, réduction des interruptions collègues. Partagez les gains concrets : « Marie a répondu à ce prospect en 2 minutes au lieu de 15 minutes de recherche ».

Phase 3 : industrialisation (mois 2-3)

Déployez à toutes les équipes concernées. Intégrez dans les outils existants : extension navigateur pour le CRM, bot Slack/Teams pour le support, API pour le site web. Formez les gestionnaires de sources au cycle de révision mensuel. Mettez en place un tableau de bord : volume requêtes, taux de satisfaction, couverture documentaire, temps estimé économisé.

Mesurer ce qui compte vraiment

Oubliez les métriques vanité. Suivez quatre indicateurs opérationnels :

1. Taux de réponse fondée : pourcentage de réponses citant au moins une source Niveau 1 ou 2. Objectif : > 90 %.
2. Taux d'hallucination détectée : réponses signalées fausses par les utilisateurs ou en audit aléatoire. Objectif : < 2 %.
3. Temps de recherche évité : estimation déclarée par les utilisateurs (enquête mensuelle anonyme). Objectif : > 10 min / jour / utilisateur actif.
4. Couverture documentaire : pourcentage des questions du jeu de test résolues par les sources indexées. Objectif : > 85 % à six mois.

Ces indicateurs justifient le budget auprès de la direction et guident les priorités d'indexation.

Éviter les pièges classiques

Croire que l'indexation unique suffit

Vos documents évoluent. Une offre change, un processus s'adapte, une réglementation bouge. Sans processus de mise à jour continue, l'IA devient dangereuse en trois mois. Prévoyez une ressource dédiée (0,2 ETP minimum) pour la curation documentaire.

Indexer tout sans trier

L'archive complète de la messagerie, les brouillons, les versions intermédiaires polluent la recherche. L'IA retrouve une clause annulée en 2022 et la cite. Indexez seulement les versions validées, à jour, étiquetées. La qualité bat la quantité.

Négliger la formation des utilisateurs

Vos équipes ont l'habitude de googler ou de demander à un collègue. Elles posent des questions vagues : « C'est quoi le prix ? » au lieu de « Quel est le prix du forfait Premium pour un client secteur public avec engagement 3 ans ? ». Formez-les à formuler des requêtes contextuelles. Une fiche « Bien interroger l'IA » d'une page suffit.

Confier le projet seulement à l'IT

L'IT gère l'infrastructure, les connecteurs, la sécurité. Mais le métier définit les sources, valide les réponses, utilise l'outil au quotidien. Un projet IA connaissance d'entreprise piloté seulement par l'IT produit un beau démonstrateur technique que personne n'utilise. Le sponsor doit être un directeur métier (Marketing, Commercial, Opérations).

Cas concret : une ESN de 120 personnes

Contexte : les commerciaux passent 30 % de leur temps à chercher les bonnes conditions d'offre. Les réponses divergent selon les présentations. Le directeur commercial lance le projet sur le périmètre « offres et tarifs ».

Étape 1 : atelier d'une heure avec quatre commerciaux seniors. Résultat : 47 questions récurrentes identifiées. Les trois premières : « Qu'est-ce qui est inclus dans l'offre Data Platform ? », « Quel est le délai de démarrage standard ? », « La formation admin est-elle comprise ? »

Étape 2 : collecte des sources. Douze documents Niveau 1 (contrats types, grilles tarifaires validées), huit documents Niveau 2 (fiches offre, FAQ avant-vente). Conversion en Markdown, découpage sémantique, enrichissement Q/R synthétiques.

Étape 3 : déploiement RAG sur Azure OpenAI avec indexation Azure AI Search. Prompt système configuré avec règles de citation et hiérarchie des sources. Jeu de test : 92 % de réponses correctes du premier coup.

Étape 4 : bac à sable deux semaines. Retours : l'IA confond parfois « Data Platform » et « Data Platform Plus ». Ajout de métadonnées « offre : Data Platform » / « offre : Data Platform Plus » sur chaque chunk. Taux passe à 98 %.

Étape 5 : déploiement général via bot Teams. Après six semaines : 340 requêtes / semaine, 87 % taux de satisfaction, 18 min / jour / commercial économisées. Le directeur valide l'extension au périmètre « processus de livraison » pour le mois suivant.

Étendre progressivement le périmètre

Une fois le premier cas