Recherche intelligente dans les documents d'entreprise : la méthode en 5 couches, des droits aux réponses auditables

Le problème n'est pas le volume de documents, c'est l'absence de chemins de réponse

Un responsable juridique reçoit une question simple : quelle clause de résiliation s'applique à ce contrat-cadre signé l'an dernier avec un partenaire européen ? Les fichiers existent, mais ils sont répartis entre un dossier partagé, une boîte mail, un espace collaboratif et peut-être une ancienne GED. La recherche par nom de fichier ne répond pas, et l'équipe finit par demander à la personne qui se souvient de l'affaire. C'est exactement le scénario que doit résoudre une recherche intelligente : non pas stocker davantage, mais retrouver la bonne source, au bon niveau de droit, avec assez de contexte pour agir.

L'objectif n'est donc pas de rendre tout le corpus interrogeable en vrac, mais de construire des chemins de réponse fiables. Une recherche utile répond à trois questions : quel document fait autorité, quelle version est applicable, et qui a le droit de voir la réponse. Sans ces garde-fous, un moteur dit intelligent produit des réponses rapides mais fragiles. La bonne approche consiste à partir d'un cas d'usage mesurable — support client, audit interne, dossier RH, veille réglementaire — puis à étendre le périmètre par lots, avec des critères de qualité explicites.

• Cas d'usage prioritaire — questions répétitives, coût de recherche élevé, sources identifiables.
• Critère de succès — réponse sourcée, droits respectés, délai acceptable, taux de reprise humaine mesuré.
• Périmètre initial — un domaine documentaire, une population limitée, un propriétaire de contenu désigné.

Préparer le corpus : OCR, métadonnées et versions avant le modèle

Beaucoup de projets commencent par brancher un modèle sur un dossier partagé. Le résultat est souvent décevant, non parce que le modèle est mauvais, mais parce que le corpus est sale. Les documents scannés contiennent des tableaux, des signatures, des annexes et des en-têtes qui perdent leur sens après extraction. Un contrat de trente pages peut être découpé de manière à séparer une clause de son article de référence. Il faut donc traiter la préparation comme une étape d'ingénierie documentaire : extraction du texte, reconnaissance des structures, conservation des numéros de page, normalisation des dates et rattachement à des métadonnées métier.

Les métadonnées ne sont pas décoratives. Sans propriétaire, service, date d'effet, statut de version et politique de conservation, le moteur ne peut pas arbitrer entre un document obsolète et sa version en vigueur. Un PDF renommé « contrat_final_v3 » n'est pas une source de vérité. Il faut aussi détecter les doublons, les annexes orphelines et les documents dont les droits d'accès sont hérités d'un ancien système. Cette étape paraît moins spectaculaire qu'une démonstration de RAG d'entreprise, mais elle détermine la qualité des réponses et la confiance des utilisateurs.

Avant d'indexer, l'équipe doit donc répondre à des questions simples : qui est propriétaire de ce contenu, quelle version fait foi, combien de temps doit-il rester interrogeable et quelles restrictions s'appliquent ? Ces réponses peuvent être formalisées dans une fiche de préparation par source. Pour les documents complexes, mieux vaut indexer moins de contenu mais avec une extraction contrôlée que tout aspirer sans traçabilité.

• Cartographier les sources — GED, partages fichiers, messagerie, systèmes métier, contrats signés.
• Définir les métadonnées minimales — propriétaire, service, date, version, statut, niveau de confidentialité.
• Contrôler l'extraction — tableaux, annexes, signatures, pages, langues et documents scannés.
• Éliminer les doublons — versions obsolètes, copies locales, brouillons non validés.
• Constituer un jeu de questions de référence — cas réels, réponses attendues, sources autorisées.

Choisir le mode de recherche : index classique, RAG ou accès aux systèmes vivants

Tous les documents ne se valent pas face à la recherche. Une politique RH stable se prête bien à un index documentaire et à un RAG d'entreprise : on extrait des passages, on les retrouve par similarité et on demande au modèle de répondre en citant les sources. En revanche, un tarif produit, un stock ou un statut de commande doivent être interrogés dans le système qui fait autorité, pas dans un PDF exporté la semaine dernière. La recherche intelligente doit donc combiner plusieurs modes : recherche lexicale pour les références exactes, recherche vectorielle pour les formulations proches, et connecteurs vers les systèmes vivants pour les données opérationnelles.

Le RAG n'est pas une baguette magique. Sa qualité dépend du découpage, du classement des passages, de la reformulation de la question et de la capacité à citer la bonne source. Un mauvais découpage peut couper une clause au milieu, et un classement trop large peut noyer la bonne réponse. Il faut prévoir une phase de test avec des questions réelles, des réponses attendues et une revue par les métiers. Les agents peuvent ensuite intervenir pour enchaîner une recherche documentaire et une action contrôlée, mais uniquement dans un périmètre explicite.

Pilardin illustre cette logique de socle : documents, connecteurs et modules Matrix dans un même espace de travail. Pour évaluer ce type d'architecture, la page /matrix permet de vérifier quels cas d'usage sont couverts avant de promettre une recherche universelle.

• Recherche hybride — lexical + vectoriel / meilleure pour les références, articles, numéros et formulations métier.
• RAG documentaire — passages cités / adapté aux politiques, contrats, procédures et documents non structurés.
• Connecteur système — données à jour / indispensable pour les prix, stocks, statuts et données transactionnelles.
• Agent contrôlé — enchaînement d'étapes / utile seulement si les droits, les journaux et les validations sont définis.

Droits, résidence et audit : la recherche intelligente doit être gouvernable

Une recherche qui ignore les droits d'accès est un incident de sécurité en attente. Si un utilisateur peut poser une question sur un dossier de fusion-acquisition alors qu'il n'a pas accès au dossier confidentiel, le système ne doit pas seulement répondre « accès refusé » après coup : il ne doit pas exposer le contenu dans les passages, les citations ou les résumés. Les droits doivent être synchronisés à l'ingestion et vérifiés à la requête. Lorsqu'un collaborateur change de service ou qu'un contrat est reclassifié, la recherche doit refléter ce changement sans attendre une reconstruction manuelle de l'index.

La résidence des données n'est pas un détail d'infrastructure. Selon les juridictions et les secteurs, l'hébergement sur site, dans une région donnée ou chez un prestataire précis peut être une condition contractuelle. Il faut aussi journaliser les questions, les sources utilisées, les extraits cités, l'identité de l'utilisateur et la date de réponse. Ce journal permet de répondre à un audit, de corriger une erreur et de prouver qu'une décision ne s'est pas appuyée sur un document obsolète. Une recherche intelligente sans piste d'audit est difficile à défendre devant un risk manager.

Dans les environnements sensibles, une approche on-premise ou hybride peut être nécessaire. Le choix doit être expliqué aux métiers : ce n'est pas une préférence technique, mais une conséquence des obligations de confidentialité, de conservation et de contrôle des accès. Mieux vaut arbitrer ce point avant la démonstration commerciale que lors de la mise en production.

• Identité et droits — synchronisation avec l'annuaire, contrôle à la requête, propagation des retraits d'accès.
• Résidence — hébergement sur site, région isolée ou cloud selon les obligations applicables.
• Audit — question, sources, extraits, version du modèle, décision humaine et horodatage.
• Confidentialité — exclusion des documents non validés, brouillons et copies personnelles non autorisées.

Industrialiser sans casser l'adoption : coûts, qualité et rituels

Le coût d'un projet de recherche intelligente ne se limite pas à la licence. Les principaux postes sont l'intégration des sources, le nettoyage du corpus, la gestion des droits, la réindexation après mise à jour, la surveillance de la qualité et le temps des experts métier. Un connecteur mal documenté peut coûter plus cher qu'un modèle sophistiqué. Il faut donc calculer le coût total par cas d'usage : nombre de sources, volume de documents, fréquence de mise à jour, niveau de sécurité attendu et population d'utilisateurs. La page /pricing de Pilardin peut aider à cadrer ce budget, mais l'essentiel reste de définir un périmètre réaliste.

L'adoption dépend moins de la démonstration que des rituels autour de la réponse. Les utilisateurs doivent savoir quand faire confiance à une réponse, comment signaler une source erronée et qui corrige le corpus. Un propriétaire de contenu par domaine, une revue mensuelle des questions sans réponse et un tableau de bord des sources manquantes valent souvent mieux qu'un nouveau prompt. La qualité se mesure avec un jeu de questions de référence : taux de réponses correctement sourcées, taux de réponses refusées faute de source, temps de recherche et nombre de reprises humaines.

La recherche intelligente doit rester un dispositif évolutif. On commence par un domaine, on vérifie la qualité, puis on étend les sources. Étendre trop vite multiplie les documents obsolètes et les conflits de droits. L'industrialisation consiste à rendre ce cycle prévisible : ingestion, contrôle, test, publication, audit.

• Cadrer un lot pilote — un domaine, un propriétaire, vingt à cinquante questions réelles, sources autorisées.
• Mesurer avant d'étendre — précision des citations, couverture des sources, délai, taux de refus justifié.
• Nommer les responsables — propriétaire du corpus, administrateur des droits, référent métier, support.
• Prévoir la mise à jour — nouvelles versions, documents retirés, changements d'accès et réindexation.
• Documenter les limites — ce que le système ne sait pas faire, les cas à escalader et les décisions à ne pas automatiser.

Conclusion : la valeur vient de la réponse traçable, pas de la démonstration

Rendre les documents d'entreprise accessibles à la recherche intelligente n'est pas un projet de moteur. C'est un projet de confiance documentaire : savoir quelle source fait foi, qui peut la voir, comment la réponse est produite et comment corriger une erreur. Les organisations qui réussissent commencent petit, préparent leurs métadonnées, synchronisent les droits et mesurent la qualité avec des questions réelles. Elles évitent ainsi l'effet démo, où une réponse impressionnante en réunion ne survit pas à un audit ou à un changement d'organisation.

La progression naturelle consiste à traiter d'abord les documents non structurés à forte valeur, puis à connecter les systèmes vivants et à ajouter des modules spécialisés lorsque le besoin est clair. Une plateforme comme Pilardin n'a de sens que si elle s'insère dans ce cadre : documents, connecteurs, droits et preuves au même endroit. La recherche intelligente devient alors un outil de travail quotidien, pas une vitrine technologique.

• Commencer par un cas d'usage mesurable et un corpus maîtrisé.
• Préparer les documents et les métadonnées avant de choisir le modèle.
• Combiner RAG, recherche hybride et connecteurs vers les systèmes de référence.
• Synchroniser les droits et conserver une piste d'audit exploitable.
• Étendre par lots, avec des responsables nommés et des indicateurs de qualité.

FAQ

Faut-il indexer tous les documents de l'entreprise pour que la recherche soit intelligente ?

Non. Indexer tout le corpus augmente le bruit, les risques de fuite et le coût de maintenance. Il vaut mieux commencer par un domaine à forte valeur, avec des sources autorisées, des métadonnées fiables et un propriétaire identifié. On étend ensuite après avoir mesuré la qualité des réponses et vérifié que les droits sont correctement appliqués.

Un RAG d'entreprise suffit-il à rendre des documents accessibles ?

Le RAG est une brique utile, mais il ne remplace ni la préparation du corpus, ni la gestion des droits, ni la connexion aux systèmes de référence. Une réponse peut être grammaticalement correcte et pourtant s'appuyer sur une version obsolète ou un extrait hors contexte. Il faut donc associer le RAG à une extraction documentaire contrôlée, des citations, des tests de qualité et une piste d'audit.

Comment mesurer la qualité d'une recherche intelligente sans se tromper sur les chiffres ?

Il faut construire un jeu de questions réelles avec des réponses attendues et les sources autorisées. On suit ensuite le taux de réponses correctement sourcées, le taux de refus justifié lorsque la source manque, le temps de recherche et le nombre de reprises humaines. Ces indicateurs sont plus fiables qu'une démonstration unique et permettent de comparer les lots avant extension.

Peut-on garder certaines données sensibles sur site tout en utilisant une recherche intelligente ?

Oui, dans certaines architectures. Une approche on-premise ou hybride permet de maintenir les documents sensibles dans un environnement contrôlé, tout en interrogeant des index ou des modèles selon des règles précises. Le choix dépend des obligations de résidence des données, des droits d'accès et des capacités d'audit. Il doit être documenté avant la mise en production, pas ajusté après un incident.

Quel premier livrable concret peut-on viser pour démarrer ?

Un lot pilote limité à un domaine, avec un corpus préparé, un jeu de questions de référence, une synchronisation des droits et un journal des réponses. L'objectif est de produire des réponses sourcées sur des cas réels, puis d'identifier les sources manquantes et les limites. Ce premier livrable permet de décider d'une extension avec des preuves, plutôt qu'avec une impression de démonstration.