chatbot rag · documents internes

Un chatbot qui répond sur vos documents, avec ses sources.

Procédures, contrats, base de connaissances, documentation technique : vos équipes posent la question, l'assistant retrouve les bons passages et répond en citant ses sources. Chaque réponse s'appuie sur vos documents, et chacun ne voit que ce qu'il a le droit de voir.

Parler de mon casPrix : dès 1 500 €
  • qualité testée sur vos cas avant la mise en service
  • coût de l'IA refacturé sans marge
  • code et documentation à vous
le constat

Ce qui coince aujourd'hui

  • ~L'information existe, mais personne ne sait où : SharePoint, Drive, wiki, PDF, tickets
  • ~Les mêmes questions reviennent chaque semaine aux mêmes experts
  • ~Un essai avec ChatGPT ou Microsoft Copilot : réponses convaincantes, parfois fausses, rarement sourcées
  • ~Des documents sensibles qui ne doivent pas sortir n'importe où

L'agent travaille dans vos outils, pas à côté.

Il lit, consulte et prépare l'action dans les logiciels que vos équipes utilisent déjà. Un humain valide ce qui est sensible.

ce que fait l'agent

Concrètement, en production

01

Indexer vos sources

Connexion à vos espaces documentaires (SharePoint, Google Drive, Confluence, Notion), extraction propre des PDF et des tableaux avec Docling ou Unstructured, découpage adapté à vos documents, mise à jour automatique quand un document change.

02

Répondre en citant

Recherche hybride (embeddings + mots-clés) dans une base vectorielle comme pgvector ou Qdrant, reclassement des passages (Cohere Rerank), réponse fondée uniquement sur les passages retrouvés, lien vers la source à chaque fois.

03

Respecter les droits

Chaque utilisateur n'interroge que les documents auxquels il a accès, comme dans vos outils actuels.

04

Savoir dire « je ne sais pas »

Si la réponse n'est pas dans les documents, l'assistant le dit et oriente vers la bonne personne.

ce qu'on mesure

La qualité, mesurée sur vos cas réels

  • ✓fidélité des réponses aux sources (evals Ragas)
  • ✓taux de questions sans réponse
  • ✓pertinence des passages retrouvés
  • ✓coût par question
garde-fous

Ce qui est verrouillé

  • !réponses limitées aux documents indexés
  • !droits d'accès hérités de vos outils
  • !hébergement européen et modèles open source possibles
  • !journalisation des questions sans données sensibles
intégrations

Branché sur vos outils

SharePointGoogle DriveConfluenceNotionPDF / WordMicrosoft TeamsSlackintranetZendesk GuideElasticsearch
le parcours

Du cadrage à l'agent en production

Trois étapes, et une seule décision à prendre avant de payer quoi que ce soit : le cadrage est offert.

01 · sous 5 jours

Cadrage

offert

  • échange de 30 min, analyse du besoin
  • cas d'usage priorisés, outils recommandés
  • coût de fonctionnement mensuel estimé
  • proposition chiffrée ferme

Un existant à reprendre (projet IA, app, code) ? Check-up 350 € ou audit de reprise 750 €.

02 · dès 2 semaines

Construction

dès 1 500 €

  • un agent en production sur un cas d'usage
  • qualité testée sur vos cas réels, garde-fous
  • branché sur vos outils
  • supervision et suivi des coûts
  • code et documentation à vous

Un agent qui consulte et répond : dès 1 500 €. Un agent qui agit dans vos outils : le plus souvent de 4 000 à 12 000 €, prix ferme au cadrage. Voir les tarifs.

03 · mensuel, conseillée

Maintenance

350 € / mois

  • l'équivalent d'1 jour par mois
  • supervision, correctifs, mises à jour des dépendances et des modèles
  • petites évolutions

Ou on transfère l'agent à votre équipe, avec sa documentation.

pour aller plus loin

Nos articles sur le sujet

RAG & LLM

Chatbot interne sur des milliers de documents : ce qui casse en production

Chatbot documents internes : découpage, droits d'accès par document, fraîcheur des sources, citations et evals. Les cinq points qui cassent au-delà de mille documents, et comment les tenir.

RAG & LLM

RAG et mise à jour des sources : garder des réponses à jour

Un RAG figé sur des documents périmés répond faux avec assurance. Détection, synchronisation depuis SharePoint ou Notion, versionnement : organiser la mise à jour des sources d'un RAG.

RAG & LLM

Évaluer la qualité d'un RAG : les métriques qui comptent

Fidélité, pertinence, recall, précision : les métriques pour évaluer un RAG, le jeu de référence à construire, les outils (Ragas, DeepEval, Langfuse) et le suivi en production.

Questions fréquentes

FAQ

C'est quoi, le RAG ?
La génération augmentée par récupération : avant de répondre, l'assistant cherche les passages pertinents dans vos documents et ne répond qu'à partir d'eux. C'est ce qui permet des réponses à jour, propres à votre entreprise et sourcées.
Quel modèle et quelle base vectorielle ?
Le modèle (GPT, Claude, Gemini, Mistral ou un modèle open source comme Llama) est choisi sur vos questions de test, selon la qualité, le coût et vos contraintes d'hébergement. Pour l'index, pgvector suffit souvent si vous utilisez déjà PostgreSQL ; Qdrant, Pinecone ou Weaviate se justifient sur de gros volumes. LlamaIndex ou LangChain servent à assembler la chaîne.
Pourquoi pas simplement ChatGPT Enterprise ou Microsoft Copilot ?
Pour un usage généraliste, ils conviennent bien. Un chatbot RAG sur mesure se justifie quand il faut des réponses sourcées sur un corpus précis, des droits d'accès fins, des evals sur vos cas réels ou un hébergement maîtrisé.
Mes documents servent-ils à entraîner le modèle ?
Non. Les documents restent dans votre index ; le modèle les lit au moment de répondre. On choisit un fournisseur et un contrat qui excluent l'entraînement sur vos données, ou un modèle open source hébergé en Europe si besoin.
Combien de temps pour un premier chatbot en production ?
Deux semaines pour un assistant qui consulte et répond sur un périmètre documentaire cadré. Le cadrage fixe le périmètre, les sources et le jeu de questions de test avant d'écrire du code.
Combien ça coûte à faire tourner ?
Le coût dépend du volume de questions et du modèle. On estime le coût mensuel (modèle, hébergement, supervision) dès le cadrage, et on le suit pendant la mission dans un outil d'observabilité comme Langfuse.
autres cas d'usage
Agent IA service clientAgent IA finance & comptabilitéAgent IA commercialIntégrer l'IA dans votre SaaSTous les agents IA →

Un cas comme celui-ci ?

Décrivez-le en deux phrases. On vous dit s'il est faisable, comment, et ce qu'il coûte à construire et à faire tourner.

En 30 minutes avec un lead technique, vous repartez avec :

  • Un avis franc sur la faisabilité de votre cas, et la façon de s'y prendre.
  • Une fourchette de budget : construction et coût mensuel de l'IA.
  • Le gain attendu et le délai pour que l'agent se rembourse.
  • Le premier pas le plus simple, même si ce n'est pas avec nous.
Décrire mon cas

Gratuit, sans engagement, sans relance commerciale.