Comment l'IA peut-elle raisonner à partir des documents de l'organisation ? Méthode, limites et garde-fous

Une question qui traverse cinq documents, et aucune réponse dans un seul

Un responsable qualité pose une question simple en apparence : quelles obligations de traçabilité s'appliquent à ce nouveau fournisseur, compte tenu de notre procédure interne et du contrat cadre signé en mars ? La réponse existe dans l'organisation, mais elle est éclatée entre la procédure qualité, l'annexe contractuelle, une note de la direction juridique, un compte rendu de comité et un fichier de correspondance tenu par les achats. Aucun de ces documents ne répond seul. Un moteur de recherche classique renverra quarante résultats par mots-clés, et personne n'aura le temps de les lire ni de les hiérarchiser.

C'est exactement là que se joue la différence entre une IA documentaire et un chat branché sur un dossier partagé. Chercher consiste à retrouver des passages proches d'une requête. Raisonner consiste à comprendre ce qui est demandé, à découper la question en sous-questions, à rassembler les preuves de chaque sous-question, à arbitrer les contradictions éventuelles, puis à formuler une réponse conditionnelle : dans tel cas oui, dans tel autre non, et voici pourquoi. L'acheteur ne veut pas un résumé de documents, il veut une décision argumentée qu'il peut transmettre à son auditeur.

• Recherche — renvoie des documents classés par pertinence, sans conclusion.
• Raisonnement documentaire — renvoie une réponse, ses conditions d'application et les passages qui la soutiennent.
• Le second n'est utile que s'il est vérifiable : sans citation, il ajoute de l'incertitude au lieu d'en retirer.

Raisonner, ce n'est pas générer : les quatre opérations à exiger d'un système

La première opération est la décomposition. Une question métier contient presque toujours plusieurs questions cachées. Dans notre exemple : quelles clauses de traçabilité figurent au contrat, quelles obligations la procédure interne ajoute, et existe-t-il une dérogation validée en comité ? Un système qui traite la phrase comme un seul bloc récupérera des passages globalement liés au sujet, mais rarement les trois pièces nécessaires. Un système qui décompose interroge l'index trois fois, avec trois intentions distinctes, et assemble ensuite les résultats.

La deuxième opération est le recoupement. Un extrait isolé est une preuve faible ; deux extraits convergents issus de sources indépendantes constituent une preuve solide. La troisième est l'arbitrage : il faut une règle de préséance explicite, par exemple le contrat cadre prévaut sur une note interne, et la version datée la plus récente prévaut sur une version archivée. La quatrième est l'explicitation des conditions : une réponse qui ne précise pas à quel périmètre elle s'applique crée plus de risque qu'elle n'en résout. Ces quatre opérations se paramètrent : elles ne sortent pas automatiquement d'un modèle de langage, même très performant.

• Décomposer — transformer une question métier en sous-questions adressables à l'index.
• Recouper — exiger au moins deux passages convergents pour les affirmations sensibles.
• Arbitrer — appliquer des règles de préséance entre contrat, procédure, note et version antérieure.
• Conditionner — énoncer le périmètre, la date et les exceptions au lieu de généraliser.

La chaîne technique : découpage, métadonnées, recherche hybride, reranking

Tout commence par la préparation du fonds documentaire. Un découpage naïf en blocs de mille caractères coupe les articles de contrat au milieu et sépare une clause de son exception. Le découpage utile respecte la structure : titres, articles, paragraphes, tableaux, annexes. À chaque fragment doivent être attachées des métadonnées solides — date, version, propriétaire, service, niveau de confidentialité, type de document. Sans ces métadonnées, le système ne pourra ni filtrer par périmètre, ni arbitrer entre deux versions, ni restituer une source compréhensible.

Vient ensuite la recherche. Une recherche purement sémantique est excellente sur les formulations vagues, mais elle échoue sur les identifiants : « article 7.2 », « norme ISO 9001 », un numéro de commande. Une recherche hybride, qui combine correspondance lexicale exacte et proximité vectorielle, puis reclasse les résultats avec un modèle de reranking, donne des résultats nettement plus stables sur des fonds hétérogènes. Enfin, la génération doit citer le passage précis, pas seulement le document : un lien vers un PDF de quatre-vingts pages ne permet pas de vérifier une affirmation en dix secondes.

• Respecter la structure du document au découpage, plutôt que la découper à la longueur fixe.
• Indexer les métadonnées de version, de date et de confidentialité dès l'ingestion.
• Combiner lexical et sémantique pour ne pas rater les références exactes.
• Citer le passage et l'ancre, pas le fichier entier.

Les limites structurelles à connaître avant de généraliser

Un système de raisonnement documentaire hérite de l'état du fonds. Si deux procédures contradictoires coexistent, il produira soit une réponse ambiguë, soit une réponse fausse avec assurance. Si les documents ne sont pas datés, il ne pourra pas établir de préséance. Si les tableaux sont des captures d'écran scannées de mauvaise qualité, l'information existe mais reste inaccessible. La qualité du raisonnement se gagne d'abord par un travail de curation documentaire, souvent ingrat et rarement budgété, mais qui conditionne tout le reste.

Deuxième limite : les questions à plusieurs sauts. Relier une commande à une facture, puis à une clause de pénalité, puis à un avenant, demande d'enchaîner des recherches dont le résultat de l'une définit la suivante. Ces raisonnements fonctionnent, mais coûtent plus de temps et de tokens, et se dégradent vite si l'une des étapes rate. Troisième limite : les droits d'accès. Si le filtrage par autorisation intervient après la récupération, un utilisateur peut recevoir un fragment qu'il n'a pas le droit de voir. Le contrôle d'accès doit s'appliquer au moment de la recherche, pas à l'affichage.

• Contradictions non arbitrées — à traiter par une règle de préséance documentée.
• Documents non datés ou non versionnés — à corriger avant l'ingestion, pas après.
• Raisonnement multi-sauts — utile mais plus lent et plus fragile, à réserver aux cas à forte valeur.
• Filtrage des droits en aval — risque de fuite, à déplacer en amont de la récupération.

Gouvernance : rendre le raisonnement auditable, pas seulement impressionnant

Une réponse argumentée n'a de valeur en entreprise que si elle peut être relue. Cela suppose un affichage systématique des documents mobilisés, du passage exact et de la date de la version utilisée. Cela suppose aussi un journal : quelle question a été posée, par qui, à quelle heure, avec quelles sources, et quelle réponse a été produite. Ce journal n'est pas un outil de surveillance des collaborateurs ; c'est la pièce qui permet à un auditeur interne de reconstituer un raisonnement six mois plus tard, quand le document source aura été remplacé.

Un deuxième garde-fou est la gradation. Toutes les décisions ne méritent pas le même niveau d'automatisation. Une question sur une politique de congés peut recevoir une réponse directe. Une question sur une obligation réglementaire ou un engagement contractuel doit déclencher une validation humaine, avec la réponse de l'IA comme point de départ et non comme conclusion. C'est précisément le type de paramétrage que Pilardin propose via ses modules Matrix, où les droits, les sources et les étapes de validation se définissent par usage plutôt que par document.

• Afficher la source au niveau du passage, avec date et version.
• Journaliser question, sources et réponse pour permettre la relecture.
• Définir des seuils : réponse directe, réponse avec réserve, escalade obligatoire.
• Confier la validation finale à un humain sur les sujets contractuels et réglementaires.

Checklist pratique pour rendre un fonds documentaire réellement interrogeable

Avant de lancer un projet de RAG d'entreprise, il est utile de mesurer honnêtement l'état du fonds. La plupart des échecs attribués au modèle viennent en réalité d'un index construit sur des documents obsolètes, mal nommés ou dupliqués. La séquence ci-dessous n'est pas théorique : elle correspond à l'ordre dans lequel les problèmes apparaissent sur le terrain, et chaque étape peut être validée en quelques jours sur un périmètre restreint.

Commencez par un domaine bien délimité — un service, une famille de contrats, une procédure — plutôt que par l'intégralité du serveur de fichiers. Un périmètre étroit permet de vérifier la qualité des réponses avec des experts qui connaissent la bonne réponse, ce qui est la seule façon sérieuse d'évaluer un système de raisonnement documentaire.

• Inventorier les sources et éliminer les doublons et versions mortes.
• Vérifier que chaque document possède une date, un propriétaire et un niveau de confidentialité.
• Définir les règles de préséance entre types de documents avant l'ingestion.
• Créer un jeu de vingt à trente questions réelles avec leur réponse attendue et leur source.
• Tester le filtrage des droits avec un utilisateur restreint, pas seulement avec un administrateur.
• Mesurer la latence et le coût par question, puis décider quels usages passent en production.

Ce qu'il faut retenir

Une IA qui raisonne sur les documents d'une organisation n'est pas un modèle plus gros branché sur un disque. C'est une chaîne : un fonds documentaire curé, un découpage qui respecte la structure, des métadonnées qui permettent le filtrage et l'arbitrage, une recherche hybride, une génération qui cite le passage, et une gouvernance qui rend l'ensemble relisible. Retirez un maillon, et la qualité perçue s'effondre, même si la démonstration reste convaincante en réunion.

Le bon critère d'évaluation n'est donc pas la fluidité de la réponse, mais sa vérifiabilité : un collègue peut-il, en moins d'une minute, retrouver les deux passages qui fondent la conclusion et constater qu'ils sont à jour ? Si oui, le système rend service. Si non, il déplace le problème sans le résoudre. Pour cadrer un premier périmètre et voir comment les modules s'articulent, la page /matrix détaille les usages disponibles ; pour estimer le coût d'un déploiement progressif, /pricing donne les ordres de grandeur.

FAQ

Un grand modèle de langage peut-il raisonner sur nos documents sans RAG ?

Non, pas de façon fiable. Un modèle seul ne connaît pas vos procédures, vos contrats ni leurs versions. Si vous lui fournissez les documents dans le contexte de la conversation, il peut raisonner dessus, mais uniquement sur ce que vous avez collé, et sans garantie que le bon passage y figure. Le RAG sert précisément à sélectionner les passages pertinents dans un fonds volumineux et à les présenter au modèle avec leur source, ce qui rend la réponse à la fois plus juste et vérifiable.

Combien de temps faut-il pour rendre un fonds documentaire interrogeable ?

Cela dépend beaucoup plus de l'état du fonds que de la technologie. Sur un périmètre restreint et des documents déjà datés et versionnés, une première version utilisable se met en place en quelques jours à quelques semaines. Sur un fonds hétérogène accumulé depuis dix ans, l'essentiel du travail consiste à dédoublonner, dater et classer avant l'ingestion. Il est plus rentable de livrer un domaine propre que de tout ingérer et de corriger les réponses ensuite.

Que se passe-t-il lorsque deux documents se contredisent ?

Le système ne peut pas trancher seul : il applique les règles de préséance que vous avez définies. Par exemple, le contrat prévaut sur une note interne, et la version la plus récente prévaut sur une version archivée. Si aucune règle ne s'applique, la bonne pratique est d'afficher les deux passages et de signaler la contradiction plutôt que de choisir silencieusement. Une contradiction détectée est une information utile ; une contradiction masquée est un risque.

L'IA peut-elle lire des documents auxquels je n'ai pas accès ?

Elle ne le devrait pas, et c'est un point à tester explicitement. Le filtrage des autorisations doit s'appliquer au moment de la récupération, en amont de la génération, et non à l'affichage. Concrètement, l'index doit porter les métadonnées de confidentialité et de service, et la requête doit être restreinte au périmètre de l'utilisateur. Un test simple consiste à poser la même question avec un compte administrateur et avec un compte restreint : les réponses doivent différer.

Faut-il nécessairement héberger le modèle sur site ?

Pas dans tous les cas. Si les documents interrogés sont publics ou peu sensibles, un modèle hébergé peut convenir. Dès que le fonds contient des contrats, des données RH ou des informations clients, la question du lieu de traitement et de résidence des données devient structurante. L'hébergement sur site ou dans le réseau de l'organisation supprime l'envoi de documents à un tiers, au prix d'une charge d'exploitation supplémentaire qu'il faut anticiper.