Moteur de recherche documentaire IA : tester avant de choisir
Évaluez un moteur de recherche documentaire IA avec une méthode concrète : corpus, OCR, droits, citations, abstention, coût et test de sortie.
Un moteur de recherche documentaire IA mérite un pilote lorsque les équipes perdent du temps à retrouver une information déjà présente dans des contrats, procédures, plans, factures ou dossiers clients. Mais la démonstration « posez une question, obtenez une réponse » ne prouve presque rien. Le système doit retrouver le bon document, respecter les droits de la personne connectée, citer le passage exact, signaler les versions contradictoires et savoir répondre qu’il ne trouve pas.
La décision tient en sept preuves : question → document → page → droit → réponse → abstention → preuve. Testez-les sur un corpus restreint, avec des cas imparfaits et un coût par réponse réellement acceptée. Si une recherche par mots-clés, une meilleure arborescence ou un nettoyage documentaire résout déjà le problème, n’ajoutez pas de génération. L’objectif n’est pas de faire parler tous les fichiers. Il est de rendre une information importante plus rapide à retrouver et plus simple à vérifier.
Pourquoi ce sujet devient concret maintenant
La recherche augmentée par génération, souvent appelée RAG pour retrieval-augmented generation, n’est plus réservée aux prototypes techniques. France Num classe la recherche et l’analyse documentaire parmi les usages accessibles aux PME : recherche, synthèse, classification, extraction et analyse de documents.
Le 1er octobre 2026, Cloudflare a aussi annoncé la disponibilité générale de son service AI Search. Sa documentation actuelle réunit recherche hybride, filtres de métadonnées, recherche d’images et reconnaissance optique de caractères. Ce lancement ne fait pas de Cloudflare une réponse universelle. Il montre plutôt que l’infrastructure de recherche devient plus facile à assembler, tandis que les questions difficiles restent du côté de l’entreprise : qualité du corpus, versions, permissions, critères d’acceptation et exploitation.
Un moteur documentaire ne remplace pas non plus un agent de données. Notre guide sur les agents IA et les données d’entreprise traite des métriques, des définitions métier et des calculs issus de bases structurées. Ici, la page propriétaire est différente : retrouver une information dans un ensemble de documents, montrer sa source et refuser de conclure lorsque le corpus ne suffit pas.
Un RAG ne transforme pas un dossier partagé en vérité
Le fonctionnement peut être expliqué sans jargon excessif. Le système prépare les documents, les découpe en passages, ajoute des informations de contexte, puis construit un index. À chaque question, il cherche des passages susceptibles d’y répondre. Un modèle peut ensuite formuler une réponse à partir de ces extraits.
Cette chaîne contient plusieurs endroits où une réponse plausible peut devenir fausse :
- l’OCR lit mal un scan ou un tableau ;
- le document pertinent n’a pas été indexé ;
- une ancienne version apparaît avant l’avenant qui la remplace ;
- un passage proche par le vocabulaire ne répond pas à la question ;
- les droits du document ne sont pas répercutés dans la recherche ;
- la réponse généralise au-delà de ce que dit la source ;
- une citation pointe vers le bon fichier, mais pas vers le bon passage.
Le guide public de la Direction générale des Entreprises sur la RAG insiste notamment sur la préparation des données, l’OCR, la suppression des doublons, les contradictions, la segmentation et les métadonnées. Ces travaux ne sont pas un préambule administratif. Ils déterminent ce que le système pourra effectivement retrouver.
La matrice Anakyos des sept preuves documentaires
Remplissez une ligne par question prioritaire. Une première version n’a pas besoin d’absorber toute la mémoire de l’entreprise. Elle doit terminer proprement un parcours de recherche utile.
| Preuve | Question à trancher | Artefact attendu | Signal d’arrêt |
|---|---|---|---|
| Question | quelle décision ou action la recherche doit-elle préparer ? | formulation, rôle, contexte et délai utile | le besoin reste « discuter avec nos documents » |
| Document | quelles sources font autorité et qui les maintient ? | corpus nommé, propriétaire, version et date | plusieurs copies existent sans règle de priorité |
| Page | quel passage soutient précisément la réponse ? | citation vers fichier, page et extrait | le système cite seulement un titre ou une collection |
| Droit | qui peut rechercher, lire, exporter ou partager ? | matrice de rôles et tests de refus | le pilote utilise un compte administrateur commun |
| Réponse | qu’est-ce qu’une sortie assez exacte et complète ? | exemples attendus, tolérances et erreurs interdites | la qualité dépend d’une impression générale |
| Abstention | quand le système doit-il demander, nuancer ou refuser ? | cas absents, ambigus, périmés et contradictoires | le moteur répond à chaque question quoi qu’il arrive |
| Preuve | comment rejouer le contrôle après un changement ? | question, corpus, version, résultat, écart et décision | aucune référence n’est conservée |
Cette matrice sépare la fluidité de l’interface de la qualité du service. Une réponse peut sembler claire tout en reposant sur le mauvais avenant. À l’inverse, une abstention bien expliquée peut être le meilleur résultat lorsque l’information n’existe pas ou que l’utilisateur n’a pas le droit de la voir.
Préparer le corpus avant de comparer les outils
Commencez avec cinquante à cinq cents documents liés à une seule tâche. Ce périmètre doit contenir des cas courants et les difficultés réelles : scans, tableaux, annexes, doublons, versions, pièces absentes et documents soumis à des droits différents.
Inventorier les sources et les propriétaires
Pour chaque famille documentaire, notez l’emplacement, le format, le volume, la fréquence de mise à jour, le propriétaire et la règle qui désigne la version de référence. Un contrat signé et son brouillon ne doivent pas avoir la même autorité. Une procédure expirée peut rester utile pour l’historique, mais ne doit pas être présentée comme la règle actuelle.
Tester l’extraction, pas seulement le fichier
La prise en charge d’un PDF ne garantit pas la lecture de son contenu. Contrôlez séparément le texte natif, les scans, les tableaux, les colonnes, les notes de bas de page et les annexes. La documentation Cloudflare fixe par exemple des formats et limites propres à l’OCR. Ces chiffres décrivent ce produit à une date donnée ; ils rappellent surtout qu’un format « accepté » peut encore exiger une recette précise.
Préparez une petite vérité de référence : dix passages dont le texte attendu est connu, avec des montants, dates, références et cellules de tableau. Mesurez l’extraction avant d’évaluer la génération. Si la donnée n’entre pas correctement dans l’index, changer le prompt ne réparera pas le document.
Conserver les droits à chaque étape
Le droit ne doit pas seulement protéger le téléchargement du fichier original. Il doit rester effectif dans les résultats, les extraits, les réponses, l’historique, les exports et les partages. Testez un utilisateur autorisé, un rôle limité à une équipe et un compte qui ne doit voir ni le document ni l’existence de certaines informations.
La CNIL recommande de limiter l’accès aux personnes habilitées, de vérifier la fiabilité des sources et de documenter les conditions et limites du système. Lorsqu’un corpus contient des données personnelles, l’entreprise doit aussi pouvoir localiser les sources et traiter les droits applicables. Une indexation supplémentaire ne doit pas transformer des dossiers cloisonnés en base commune ouverte par défaut.
Choisir entre recherche classique, produit du marché et développement
La génération n’est qu’une option dans la trajectoire. Comparez les solutions à partir de la tâche complète.
| Trajectoire | Pertinente si | Preuve à exiger | Risque principal |
|---|---|---|---|
| Recherche classique et métadonnées | les termes, références et filtres sont stables | les documents utiles apparaissent dans les premiers résultats | ajouter une couche IA à un problème d’indexation |
| Produit documentaire du marché | les formats et permissions correspondent à un besoin commun | test sur corpus réel, export et suppression | dépendance aux connecteurs, limites ou prix du fournisseur |
| Intégration RAG ciblée | le corpus est maîtrisé et l’expérience doit rejoindre un outil existant | qualité de récupération, citations, droits et supervision | sous-estimer préparation et maintenance de l’index |
| Développement plus spécifique | la recherche porte un avantage métier ou des règles propres | parcours complet, exploitation, réversibilité et coût du changement | construire trop avant d’avoir prouvé la tâche |
Un outil standard peut être la meilleure décision. Le sur-mesure devient justifié lorsque les règles de version, les droits, les formats ou l’intégration au processus créent une différence durable. Le guide pour choisir une solution IA en PME permet de comparer plusieurs candidats avec la même ligne de base et le même test de sortie.
Dix scénarios de recette avant d’ouvrir le moteur
Un jeu d’essai doit couvrir ce qui peut tromper la décision, pas seulement les questions auxquelles la démo répond bien.
| Scénario | Question ou situation | Résultat attendu |
|---|---|---|
| Réponse directe | une clause explicite dans un document unique | réponse courte avec document, page et passage |
| Synonyme métier | la question emploie un autre terme que la procédure | passage pertinent retrouvé sans élargissement abusif |
| Information absente | le corpus ne contient pas la donnée demandée | abstention claire et suggestion de source manquante |
| Versions contradictoires | un contrat et son avenant divergent | contradiction exposée, version de référence expliquée |
| Scan médiocre | la page est inclinée ou peu contrastée | incertitude signalée, aucune valeur inventée |
| Tableau | la réponse dépend d’une ligne et d’une colonne | valeur reliée à la bonne cellule et au bon en-tête |
| Annexe | la règle principale dépend d’un document lié | relation conservée et annexe citée |
| Droit limité | l’utilisateur ne peut voir qu’un périmètre | aucun extrait, indice ou source interdite n’est révélé |
| Question orientée | la formulation suppose un fait faux | prémisse corrigée avant la réponse |
| Document ajouté | une nouvelle version entre dans le corpus | index actualisé, ancien résultat rejoué et écart visible |
Conservez pour chaque cas la question exacte, les documents disponibles, le résultat humain de référence, la réponse, les citations, l’effort de correction et la décision. Une moyenne globale ne doit pas masquer un accès interdit ou une citation trompeuse.
Exemple fictif : rechercher une clause dans les contrats fournisseurs
L’exemple suivant est fictif. Une PME veut retrouver les délais de résiliation de ses contrats fournisseurs. Les documents sont répartis entre un dossier partagé, une messagerie et un outil d’achats. Certains contrats ont un avenant ; d’autres n’existent qu’en scan.
La première version exclut la messagerie. Elle contient cent vingt contrats et leurs annexes, avec un identifiant fournisseur, une date de signature, un statut et une règle de priorité pour les avenants. L’équipe juridique prépare vingt questions et note le document, la page, le délai exact et les réserves attendues.
Le moteur répond correctement à seize questions. Deux scans sont mal lus, un avenant n’est pas relié au contrat et une clause tacitement reconductible est résumée sans sa condition de préavis. Le score brut paraît encourageant, mais la décision reste « corriger » : trois écarts peuvent conduire à manquer une échéance.
La correction ne consiste pas d’abord à changer de modèle. Elle améliore l’OCR des scans, ajoute la relation contrat-avenant et impose que toute réponse sur un délai cite aussi la condition qui le déclenche. Le pilote devient utile parce qu’il rend le défaut localisable et rejouable.
Mesurer le coût par réponse acceptée
Le prix d’une requête ne représente qu’une fraction du coût. Additionnez la préparation du corpus, l’OCR, l’indexation, le stockage, la recherche, la génération, les connecteurs, le contrôle humain, les corrections, le support et la mise à jour.
Utilisez ensuite une formule simple :
coût par réponse acceptée = coût complet du pilote / nombre de réponses utilisées sans correction critique
Ajoutez deux mesures : le temps médian pour vérifier une citation et la part de questions qui aboutissent à une abstention correcte. Une réponse rapide qui demande dix minutes de vérification peut coûter plus cher que la recherche précédente. Une abstention qui évite une décision fausse possède au contraire une valeur réelle.
Les tarifs publiés par Cloudflare distinguent ingestion, traitement d’image, stockage et requêtes. D’autres fournisseurs emploient d’autres unités. Comparez toujours un scénario commun : même corpus, même fréquence de mise à jour, même volume de questions et même niveau de revue humaine.
Un pilote de trente jours, avec une vraie sortie
Semaine 1 — fixer la référence
Choisissez une tâche, un groupe d’utilisateurs et vingt à cinquante questions réelles. Préparez les réponses, citations et refus attendus. Mesurez le temps actuel pour retrouver et vérifier l’information.
Semaine 2 — préparer et connecter en lecture seule
Nettoyez le corpus minimal, attribuez les versions et appliquez les droits réels. Vérifiez l’extraction de l’OCR et les métadonnées avant d’ouvrir la génération.
Semaine 3 — exécuter les cas imparfaits
Faites tester le moteur par les personnes qui connaissent les documents. Mesurez récupération, exactitude, citation, abstention, refus d’accès, temps de vérification et correction.
Semaine 4 — décider et tester la sortie
Choisissez entre déployer progressivement, corriger, réduire le périmètre ou arrêter. Exportez le corpus préparé, les métadonnées, le jeu d’essai, les résultats et les règles d’accès. Supprimez l’index de test ou prouvez sa conservation autorisée. Une sortie documentaire utilisable compte autant que la première réponse.
Quand faut-il renoncer à la couche générative ?
Ne construisez pas un moteur de réponse lorsque les documents n’ont pas de propriétaire, que les versions ne peuvent pas être distinguées, que les droits sont inconnus ou que personne ne peut vérifier les réponses. Commencez par corriger le corpus.
Renoncez aussi lorsque la recherche classique retrouve déjà l’information avec des filtres stables, lorsque le volume de questions est trop faible pour amortir la préparation, ou lorsque la décision exige une interprétation professionnelle que le système ne peut qu’assister. Un RAG réduit certaines recherches ; il ne transforme pas automatiquement une archive en connaissance fiable.
La plus petite preuve complète tient donc dans un corpus borné, des droits réels, un jeu d’essai contradictoire, des citations vérifiables, une abstention explicite et une sortie testée. Anakyos conçoit des logiciels métier sur mesure lorsque cette fonction doit rejoindre des règles, données et parcours propres à l’entreprise. Le premier livrable peut rester plus petit : la matrice des sept preuves, le corpus pilote et une décision argumentée entre recherche classique, produit du marché et intégration ciblée.
Sources principales
- Direction générale des Entreprises — Guide de la génération augmentée par récupération, publié en novembre 2024 ; préparation, segmentation, métadonnées, architecture, évaluation et responsabilités.
- France Num — Recherche intelligente et analyse documentaire avec l’IA, mis à jour le 26 juin 2026 ; usages pour les TPE et PME.
- Cloudflare — AI Search, documentation mise à jour le 1er octobre 2026 ; disponibilité générale, recherche hybride, images, OCR et filtres.
- Cloudflare — Sources et formats de données, documentation mise à jour le 1er octobre 2026 ; formats, limites et activation de l’OCR.
- Cloudflare — Limites et tarification AI Search, documentation mise à jour le 1er octobre 2026 ; unités de coût et plafonds à dater.
- CNIL — Sécurité : intelligence artificielle, conception et apprentissage, publié le 14 mars 2024 ; qualité des sources, habilitations, documentation, tests et surveillance.
- CNIL — Respecter et faciliter l’exercice des droits des personnes concernées, publié le 7 février 2025 ; sources, données personnelles et systèmes reliés à une base de connaissance.
