Un chatbot pour site web et vos équipes, qui répond à partir de vos documents, sources à l'appui

Qu'est-ce qu'un chatbot IA d'entreprise, et qu'est-ce qui le rend fiable ?

C'est un assistant qui répond en langage courant à partir d'un corpus défini de connaissances de l'entreprise. Ce qui le rend fiable n'est pas le modèle mais la conception : il ne répond qu'à partir des passages retrouvés, les cite et refuse de répondre quand les éléments manquent.

Les chatbots génériques échouent parce qu'ils répondent à partir de l'entraînement général du modèle, qui paraît sûr de lui et se trompe souvent sur vos produits, vos prix et vos politiques. Le nôtre est ancré dans vos sources. Chaque réponse renvoie à la page, à la section ou au fichier dont elle provient : un client peut vérifier, et un collaborateur peut ouvrir la politique complète en un clic.

Comment fonctionne la recherche documentaire avec citations ?

La génération augmentée par la recherche, ou RAG, fonctionne en deux temps. D'abord, vos documents sont découpés en passages et stockés dans un index de recherche qui comprend le sens, et pas seulement les mots-clés. Ensuite, pour chaque question, le système récupère les passages les plus proches et demande au modèle de répondre uniquement à partir d'eux, en indiquant d'où vient chaque point.

Un bon développement RAG porte surtout sur la première étape. Nous découpons les documents selon leur structure réelle (titres, clauses, lignes de tableau) plutôt qu'en longueurs fixes, ajoutons des métadonnées comme le produit, la région et la date d'effet, et combinons recherche sémantique et recherche par mots-clés pour que les références produit et les codes de politique soient trouvés à l'identique. Les index sont hébergés dans Pinecone, Qdrant, Supabase avec pgvector ou Azure AI Search, selon l'endroit où vos données sont autorisées à résider.

Quelles sources la base de connaissances IA peut-elle inclure ?

La plupart des textes que vos équipes maintiennent déjà : sites et bibliothèques SharePoint, dossiers Google Drive, articles du centre d'aide, PDF, fichiers Word, tableurs et pages de wiki exportées. Les tickets résolus de Zendesk peuvent aussi être ajoutés, ce qui aide le bot à répondre à la longue traîne de questions que vos articles d'aide n'ont jamais couvertes.

La base de connaissances reste synchronisée. Nous planifions la réindexation ou la déclenchons quand des fichiers changent, supprimons les passages des documents supprimés ou remplacés, et enregistrons la date de dernière mise à jour de chaque source. Une politique modifiée le lundi est celle que le bot cite le mardi.

• Bibliothèques SharePoint et OneDrive.
• Google Drive et Google Docs.
• Articles du centre d'aide et tickets résolus de Zendesk.
• Manuels, contrats et fiches produit au format PDF.
• Données structurées comme des grilles tarifaires ou des tableaux de spécifications.

Où placer le chatbot : site web, Slack, Teams ou Zendesk ?

Là où les questions se posent. Un widget sur le site public sert les clients, uniquement avec du contenu public. Un assistant interne dans Slack ou Microsoft Teams sert les collaborateurs avec le contenu interne filtré selon leurs droits. Dans Zendesk, le bot peut rédiger une réponse sourcée que l'agent du support modifie et envoie.

La même base de connaissances peut alimenter les trois canaux, avec des règles propres à chacun. Les bots publics ont un périmètre plus restreint et un chemin clair vers un humain, comme un formulaire de ticket ou un transfert vers le chat en direct. Les bots internes peuvent couvrir la politique RH, les procédures IT, les supports commerciaux et les modes opératoires, chaque section n'étant visible que par les groupes concernés.

Chaque canal dispose aussi de ses propres statistiques : questions posées, taux de réponse, taux de transfert et sujets qui reviennent le plus. Les responsables du support s'en servent pour décider quels articles d'aide rédiger ensuite, et les équipes RH ou IT pour repérer les politiques que les collaborateurs comprennent mal.

Comment empêcher le chatbot d'inventer des réponses ?

En refusant de répondre sans preuve, et en le mesurant. Si la recherche ne renvoie rien au-dessus d'un seuil de pertinence, le bot indique qu'il n'a pas trouvé de réponse et propose de transmettre la question. Le modèle a pour consigne de n'utiliser que les passages fournis, et un contrôle vérifie que chaque réponse comporte au moins une citation valide.

Avant le lancement, nous constituons un jeu d'évaluation de vraies questions avec les bonnes réponses, y compris des questions que le bot doit décliner. Nous mesurons la précision, l'exactitude des citations et le comportement de refus, et relançons le jeu après chaque synchronisation de documents ou modification de prompt. Les questions qui finissent en transfert sont journalisées, ce qui vous montre précisément quels documents manquent ou sont périmés.

Nos données sont-elles en sécurité dans un chatbot IA ?

Elles peuvent l'être, avec les bonnes conditions de compte et la bonne architecture. Nous n'appelons les modèles que via des offres API ou entreprise, jamais via des applications grand public, conservons l'index dans votre propre compte cloud si nécessaire et journalisons prompts et résultats pour que vous puissiez auditer ce qui a été demandé et répondu.

Les droits sont appliqués au moment de la recherche : le bot ne cherche que dans les passages que l'utilisateur est autorisé à voir, si bien qu'un assistant interne ne peut pas divulguer une grille de salaires à quelqu'un hors des RH. Pour les contenus réglementés, les modèles peuvent passer par Amazon Bedrock, Microsoft Foundry ou tourner en open-weight dans votre réseau, et toute donnée de santé exige un BAA signé avec chaque fournisseur qui la traite.