En bref
- Entraîner sa propre IA n’est ni nécessaire ni pertinent pour la plupart des entreprises. La voie habituelle s’appelle la génération augmentée par la recherche, ou RAG.
- Avec le RAG, le système cherche pour chaque question les passages pertinents dans vos documents et laisse le modèle de langage répondre uniquement à partir d’eux, en citant ses sources.
- La qualité dépend avant tout de vos documents : à jour, sans ambiguïté, sans doublons et avec des droits d’accès clairs.
- Les modèles de langage peuvent tourner dans des centres de données de l’UE ou sur vos propres serveurs. L’IA locale apporte le contrôle, mais coûte du matériel et de la maintenance.
Entraîner sa propre IA ? Rarement nécessaire
Quand on parle de « notre propre IA », on pense souvent à l’une de quatre choses. Elles diffèrent fortement en effort et en bénéfice :
| Approche | Ce qui se passe | Adaptée pour | Limites |
|---|---|---|---|
| Joindre des documents dans le chat | Des documents sont téléversés pour une question | Tâches ponctuelles, tests rapides | Aucune connaissance durable, pas de gestion des droits |
| RAG | Le système cherche dans vos documents et répond à partir des passages trouvés | Manuels, règles internes, connaissance produit, service client | Tout dépend de la qualité des documents |
| Affinage | Un modèle est réentraîné avec des exemples | Style homogène, formats fixes, classifications spécifiques | Peu adapté aux faits qui changent, effort à chaque modification |
| Entraîner son propre modèle | Un modèle est créé de zéro | Recherche, très grandes organisations | Pour les PME, pratiquement jamais pertinent |
Pour les connaissances qui évoluent, comme les prix, les processus ou les données produit, le RAG est presque toujours le meilleur choix. Un affinage peut compléter si le style ou le format doivent être très homogènes.
Comment fonctionne le RAG
La méthode a été décrite en 2020 dans un article de chercheurs menés par Patrick Lewis et constitue aujourd’hui la norme pour les applications de connaissance. De façon simplifiée :
- Rassembler les documents : manuels, règles internes, fiches produit, contrats, réponses passées, depuis SharePoint, des lecteurs réseau ou le wiki.
- Les découper : les documents sont divisés en sections cohérentes, par exemple selon les titres.
- Les rendre interrogeables : chaque section reçoit une description mathématique de son sens et rejoint une base de données vectorielle, souvent complétée par une recherche classique par mots-clés.
- Chercher : pour chaque question, les sections les plus pertinentes sont trouvées, uniquement dans les documents que la personne a le droit de voir.
- Répondre : le modèle de langage formule la réponse à partir de ces sections et cite les sources. Si la réponse ne figure pas dans les documents, il le dit.
Usages typiques
- Connaissance interne : les salariés posent des questions sur les processus, les règles ou les responsabilités et reçoivent une réponse avec un lien vers le document.
- Service technique : les techniciens trouvent le bon passage dans les manuels et notices de maintenance, même en déplacement.
- Service client : un chatbot IA ou un assistant e-mail répond aux questions à partir de votre documentation produit.
- Contrats et appels d’offres : les passages sur les délais, la responsabilité ou les exigences sont trouvés rapidement dans de longs documents.
Pourquoi les bases de connaissances échouent
- Documents obsolètes et doublons : s’il existe trois versions d’une règle interne, l’IA risque de trouver la mauvaise.
- PDF numérisés et tableaux : sans bonne reconnaissance de texte et préparation, du contenu se perd.
- Droits absents : si l’IA voit tout, tout le monde voit vite tout, y compris les grilles de salaires. Les droits d’accès doivent s’appliquer lors de la recherche.
- Aucune mesure : sans questions tests aux réponses connues, personne ne sait à quelle fréquence le système a raison.
- Aucune source : des réponses sans référence ne peuvent pas être vérifiées et dilapident la confiance.
IA locale ou cloud européen ?
Il existe trois façons de faire tourner le modèle de langage. Les grands fournisseurs proposent leurs modèles dans des centres de données de l’UE et indiquent ne pas utiliser par défaut les données clients pour l’entraînement dans leurs offres professionnelles et API. Vérifiez-le dans les conditions contractuelles. Il existe aussi des fournisseurs européens. Et il y a des modèles ouverts, par exemple de Mistral AI, Meta ou Alibaba, que vous pouvez exploiter sur vos propres serveurs.
L’IA locale apporte un contrôle total sur les données. En contrepartie, il faut du matériel adapté avec des processeurs graphiques, de la maintenance et des mises à jour, et les meilleurs modèles ouverts n’égalent pas dans toutes les tâches les plus grands modèles cloud. Pour beaucoup d’entreprises, un modèle dans un centre de données de l’UE avec un contrat clair est le juste milieu. Les modèles locaux se justifient pour des données particulièrement sensibles ou de très gros volumes. Quelle voie convient à vos données, un conseil en IA permet de le clarifier.
Protection des données et sécurité
Les données personnelles contenues dans les documents restent des données personnelles. Il faut une base légale, des contrats de sous-traitance et des règles d’effacement. Le Comité européen de la protection des données a traité en détail des modèles d’IA et des données personnelles dans un avis de décembre 2024. L’OWASP cite explicitement les faiblesses des systèmes vectoriels et d’embeddings comme un risque, par exemple quand les droits ne s’appliquent pas lors de la recherche. Et des documents peuvent contenir des instructions cachées destinées à manipuler le système. La règle est donc : vérifier les droits à chaque recherche, contrôler les sources, journaliser les réponses.
Premiers pas
- Choisir un domaine de connaissance : par exemple les manuels de service ou les règles internes.
- Mettre de l’ordre dans les documents : supprimer les versions obsolètes, désigner des responsables.
- Rassembler des questions tests : 30 à 50 vraies questions avec la bonne réponse et sa référence.
- Pilote avec un groupe : mesurer les résultats, intégrer les retours, puis étendre.
Sources
- Lewis et al. : Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS 2020
- OWASP : Top 10 for LLM Applications 2025
- Comité européen de la protection des données : Avis 28/2024 sur les modèles d’IA
- OpenAI : Enterprise privacy
- Règlement (UE) 2016/679 (règlement général sur la protection des données) : EUR-Lex