Une base de connaissances utile fournit à l’agent le contexte nécessaire pour répondre, préparer et s’arrêter au bon endroit.
À retenir avant de commencer
Un agent IA travaille avec la bonne information au bon moment, à l’intérieur d’une frontière claire. L’erreur classique consiste à vouloir lui donner « toute l’entreprise » : il reçoit alors des versions contradictoires, des données hors sujet et des règles périmées.
Cette information peut venir d’un texte, d’un PDF ou d’une image avant d’entrer dans la recherche. Le guide sur l’agent IA multimodal explique comment ces formats rejoignent un même processus sans élargir les permissions.
Le RAG (Retrieval-Augmented Generation) désigne une approche qui combine recherche d’information et génération de texte pour ancrer une réponse dans des connaissances externes. [1] Le terme désigne une méthode ; il faut ensuite choisir les sources, le périmètre, les droits et la façon de vérifier le résultat.
Pourquoi la bonne question vaut mieux qu’un gros tas de documents
Une petite entreprise reçoit trois demandes :
- « Prépare une relance pour le devis Martin. »
- « Qu’est-ce qui manque au dossier de cette cliente ? »
- « Quels créneaux proposer la semaine prochaine ? »
La bonne réponse se cache dans un petit ensemble de pièces : le dernier échange avec le client Martin, la règle de relance à J+7, le devis actif, l’agenda de la semaine, la fiche tarifaire en vigueur. Trois à cinq documents pertinents valent mieux que 10 000 fichiers « accessibles ».
Si l’agent voit trop de choses, il mélange des versions, expose des informations hors sujet ou applique une règle périmée. S’il ne voit rien, il improvise. L’enjeu : construire un chemin de contexte lisible, où chaque source entre pour une raison précise.
RAG, mémoire et base de connaissances : trois rôles différents
Le RAG : retrouver avant de répondre
Dans une architecture RAG, une question déclenche la recherche de passages ou de documents pertinents. Ces éléments sont ensuite transmis au modèle pour l’aider à produire une réponse. La réponse est ainsi reliée à un contenu récupéré au moment de la demande, plutôt qu’à une mémoire vague.
La qualité dépend de la question, de la recherche, des documents indexés, du classement des résultats et de la consigne donnée au modèle. Les systèmes de recherche parlent de compréhension de requête, de classement et de données de grounding : la recherche est un système à concevoir, étape par étape. [2]
La mémoire : conserver un fil de travail
La mémoire sert à garder un élément utile dans la durée : une préférence confirmée, le nom d’un interlocuteur, une décision prise ou l’état d’un dossier. Sa valeur vient de sa sélectivité : chaque note retenue sert une prochaine demande.
Dans une TPE, « préfère les rendez-vous le matin » peut être une mémoire utile. Un vieux brouillon de devis ou une pièce sensible reste dans une conservation distincte.
La base de connaissances : organiser ce qui peut être consulté
La base de connaissances est le périmètre documentaire : procédures, offres, règles, fiches, contrats, FAQ ou documents internes. Elle doit avoir un propriétaire, une date de mise à jour et des droits d’accès.
Le RAG peut s’appuyer sur cette base. Mais la base existe aussi sans RAG, et un agent peut utiliser d’autres sources contrôlées : CRM, agenda, messagerie ou serveur métier.
Une même demande, trois terrains
Clique sur un terrain puis sur chaque étape. Tu verras quelles sources deviennent légitimes pour une demande précise, et ce que l’agent doit encore te rendre.
Interaction-signature
Le contexte se construit à partir des bonnes sources
Une demande métier précise
L’agent reçoit une intention bornée : préparer une relance pour un dossier identifié, plutôt qu’explorer tout le CRM.
Devis Martin · préparation uniquement
Choisis un terrain, puis ouvre chaque étape pour voir les frontières.
La recherche pertinente reste étroite. Pour une relance, le dernier échange et le devis actif sont plus utiles que toutes les anciennes conversations. Pour un agenda, les règles de durée et les disponibilités comptent davantage qu’une brochure commerciale.
La proximité sémantique aide un moteur de recherche à retrouver des contenus liés à une question : les embeddings représentent des éléments dans un espace où la recherche de voisins proches identifie des candidats pertinents. [3] Le jugement métier reste décisif : une pièce « proche » mérite une vérification avant d’être utilisée.
Le périmètre avant la réponse
Avant de demander à un agent de répondre, pose quatre questions :
- Quelles sources sont autorisées pour ce type de demande ?
- Quelle version fait foi si deux documents se contredisent ?
- Les données peuvent-elles être utilisées pour cette personne et cette équipe ?
- Que dire quand l’agent manque de preuve suffisante ?
Dans une entreprise en croissance, ces questions évitent de transformer un dossier client en recherche plein texte sans frontière. L’accès à la connaissance doit suivre le besoin, le rôle et le contexte.
« J’ai trouvé une règle ancienne. Je prépare un brouillon et j’attends ta validation avant l’envoi. »
Ce qui doit rester contrôlé
Le RAG aide à retrouver du contexte. L’envoi, la modification et la suppression restent des décisions séparées, couvertes par les permissions.
Pour une relance, l’agent peut rechercher le dernier échange, résumer le dossier et proposer un message. L’envoi peut rester derrière une validation. Pour un dossier administratif, il peut comparer une checklist avec les pièces reçues, puis signaler ce qui manque. Pour une prise de rendez-vous, il peut préparer trois créneaux et garder la réservation derrière la confirmation de la règle métier.
Rechercher
Retrouver les sources autorisées et leurs versions.
Préparer
Synthétiser ou proposer une action sans l’exécuter.
Contrôler
Rendre la preuve visible avant la décision sensible.
Quand une base simple suffit
Une base documentaire bien tenue peut suffire : questions répétitives, documents peu nombreux, règles explicites et réponses sans action irréversible : quatre conditions qui décrivent beaucoup de petites structures.
Un RAG devient intéressant lorsque le contexte change souvent, que plusieurs sources doivent être rapprochées ou que la recherche manuelle ralentit une équipe. Il faudra alors tester la récupération, les réponses, les absences de source et les droits d’accès, au-delà de la phrase finale.
L’évaluation vérifie deux choses : le système récupère-t-il les bons passages, et la réponse reste-t-elle fidèle à ces passages ? Une réponse élégante sans appui documentaire est un échec déguisé.
Le résumé utile
Le RAG retrouve du contexte au moment de la demande ; la gouvernance et le jugement métier restent au-dessus.
Une mémoire utile reste sélective, datée et liée à un besoin précis.
Une base de connaissances a besoin d’un périmètre, d’un propriétaire, de versions et de droits.
Un agent fiable signale clairement quand la preuve manque.
Pour une TPE ou une PME, le premier cas utile part d’une question métier : limiter les sources, observer la réponse et décider exactement où l’humain reprend la main.