Un moteur de recherche interne avec IA retrouve un document par son sens et non par ses mots exacts. Il convertit les textes en vecteurs (des embeddings), compare la question à ces vecteurs, et le plus souvent combine ce résultat avec une recherche par mots-clés, ce qu'on appelle la recherche hybride.
Deux options existent. Un outil du marché comme Glean, qui se branche sur vos applications, ou un moteur sur mesure construit sur vos sources et votre vocabulaire. Cet article explique les différences pour un décideur, les conditions de réussite, et le moment où il vaut mieux ajouter un assistant qui rédige la réponse (le RAG).
En bref
- La recherche par mots-clés rate les synonymes, les reformulations et les documents mal nommés
- La recherche sémantique (ou vectorielle) retrouve le sens, la recherche hybride ajoute les termes exacts
- Un outil du marché va vite sur les applications courantes, le sur mesure s'impose sur les sources atypiques
- Les droits d'accès se règlent à l'indexation, pas après coup
- Un moteur de recherche est la base d'un assistant RAG, pas un projet à part
Pourquoi la recherche par mots-clés échoue dans une entreprise
La recherche classique d'un intranet ou d'un partage de fichiers ne retrouve que les documents qui contiennent les mots tapés. Un collaborateur cherche « congé parental », le document s'intitule « absences familiales ». Résultat nul, et la personne demande à un collègue.
Ce n'est pas un détail. Selon le rapport 2012 du McKinsey Global Institute sur l'économie sociale, un salarié du savoir passe environ 1,8 heure par jour, soit 9,3 heures par semaine, à chercher et rassembler de l'information. C'est une étude ancienne, à lire comme un ordre de grandeur, mais elle correspond à ce qu'on entend en mission.
Les causes sont toujours les mêmes.
- Vocabulaire, chaque service nomme les choses à sa façon.
- Documents mal titrés, « Version finale 3 » ne dit rien du contenu.
- Sources éclatées, SharePoint, messagerie, GED, serveur de fichiers, outils métier.
- Formats difficiles, PDF scannés, tableaux, schémas.
Recherche sémantique, vectorielle, hybride, ce que ça change
La recherche sémantique cherche le sens d'une requête. Elle s'appuie en général sur des embeddings, des vecteurs numériques produits par un modèle, où deux textes de sens proche donnent deux vecteurs proches. C'est pour cela qu'on parle aussi de recherche vectorielle, les vecteurs étant stockés dans une base vectorielle (Qdrant, pgvector, Azure AI Search...).
La recherche vectorielle seule a un défaut. Sur un numéro de contrat, une référence article ou un acronyme interne, elle est moins fiable qu'une recherche par mots-clés. La recherche hybride combine les deux, souvent BM25 pour les mots exacts et le vectoriel pour le sens, puis fusionne les résultats.
| Méthode | Ce qu'elle compare | Points forts | Limites |
|---|---|---|---|
| Mots-clés (BM25) | Les mots exacts de la requête | Références, codes, noms propres | Rate les synonymes et les reformulations |
| Sémantique / vectorielle | Le sens, via des embeddings | Questions en langage naturel | Peu fiable sur les codes et numéros exacts |
| Hybride | Les deux, résultats fusionnés | Couvre les deux familles de requêtes | Plus de réglages à mesurer |
Sur un projet RAG réel, ajouter la recherche hybride fait partie des corrections qui ont amélioré la qualité des réponses. Un reranking (second tri des meilleurs résultats) a fait passer un test de 89 % à 92 %. Nous ne l'avons pas gardé, car ce cas d'usage exigeait aussi un temps de réponse court et 3 points ne justifiaient pas l'attente supplémentaire. Chaque réglage se décide sur une mesure, pas sur une mode.
Pour le détail technique des embeddings et de la fusion hybride, nous renvoyons à ianas.fr, le blog technique d'Anas, avec les embeddings expliqués et le RAG hybride BM25 et vectoriel.
Glean ou sur mesure, comment choisir
Glean est un outil du marché de recherche d'entreprise. D'après sa documentation, ses connecteurs indexent le contenu des applications et reprennent les permissions de chaque source, pour que chacun ne voie que ce qu'il a déjà le droit de voir. C'est une vraie réponse quand vos documents vivent dans des applications SaaS courantes.
Un moteur sur mesure répond à d'autres situations. Le tableau suivant compare les deux sur les critères qui comptent. Il décrit une famille d'outils, pas une évaluation produit par produit, et le tarif d'un outil se demande à son éditeur.
| Critère | Outil du marché (type Glean) | Moteur sur mesure |
|---|---|---|
| Mise en route | Rapide, connecteurs prêts pour les applications SaaS courantes | Plusieurs semaines, sprints avec évaluation |
| Sources | Applications standard (Drive, Slack, Confluence, SharePoint...) | Toute source, y compris base interne, ERP, fichiers sur serveur |
| Réglage de la recherche | Géré par l'éditeur | Chunking, hybride, reranking réglés sur votre vocabulaire |
| Droits d'accès | Repris depuis chaque source par les connecteurs | Conçus avec vous, y compris des règles métier |
| Hébergement et données | Chez l'éditeur, à vérifier selon vos exigences | Choisi librement, souverain possible |
| Coût | Licence par utilisateur, sur devis éditeur | Développement sur devis, puis hébergement et modèles à l'usage |
Trois signaux orientent vers le sur mesure.
- Des sources qu'aucun connecteur ne couvre, base interne, ERP ancien, serveur de fichiers, documentation technique.
- Un vocabulaire métier (références, normes, nomenclatures) que la recherche générique traite mal.
- Une exigence d'hébergement, données sensibles, secteur régulé, souveraineté.
Dans les autres cas, tester d'abord un outil du marché est raisonnable. Et les deux ne s'excluent pas, un outil peut couvrir les applications courantes et un moteur sur mesure une base documentaire précise.
Recherche intranet, SharePoint, documents internes, les cas courants
Trois situations reviennent le plus souvent dans les demandes que nous recevons.
Recherche intranet ou SharePoint. La recherche native cherche surtout sur les titres et les mots. Copilot ou Copilot Studio ajoutent l'IA en héritant des droits SharePoint, ce qui est une bonne base. Un moteur sur mesure indexé via Microsoft Graph devient utile pour croiser SharePoint avec d'autres sources. Le comparatif est détaillé dans notre article sur le RAG sur SharePoint et Microsoft 365 Copilot.
Recherche dans ses documents techniques. Sur un projet de documentation d'erreurs machine dans l'industrie, le sujet est le vocabulaire exact des codes et des pièces, d'où l'intérêt d'une recherche hybride.
Recherche dans les anciens rapports. Pour rédiger de nouveaux rapports (sinistres, réponses à appel d'offres), on retrouve d'abord les anciens documents proches. Sur ces projets de rédaction, le gain de temps est d'environ 70 % dans nos missions. C'est un ordre de grandeur de terrain, pas une garantie.
Ce qui fait réussir ou échouer un moteur de recherche interne
Dans les audits de systèmes de recherche et de RAG que nous menons, le modèle est rarement le coupable. Ce qu'on trouve le plus souvent, ce sont des bugs dans la chaîne de traitement.
- Un modèle d'embeddings différent à l'indexation et à la recherche, ce qui fausse tout.
- Un seul morceau de document remonté par erreur.
- Une recherche qui ne prend en compte que le dernier message d'une conversation.
Deux conditions pèsent le plus.
Mesurer dès le départ. En général, les entreprises n'ont aucune mesure de la qualité de leur recherche. Nous construisons dès les premiers jours un jeu de 20 à 50 questions réelles, avec la réponse attendue, et nous le rejouons à chaque modification. Un RAG basique répond correctement à 50 à 70 % des questions environ, la suite du travail se décide sur ce chiffre.
Régler les droits d'accès à l'indexation. Chaque document est indexé avec ses autorisations, et le filtre s'applique à chaque requête. Le principe est détaillé dans notre article sur les sécurité et droits d'accès d'un RAG. Les documents posent aussi problème, tableaux, graphiques et schémas sont difficiles à exploiter, et les doublons faussent les résultats.
De la recherche à l'assistant qui répond, le RAG
Un moteur de recherche renvoie une liste de documents. Un assistant RAG (Retrieval-Augmented Generation) utilise ces mêmes résultats pour rédiger une réponse, avec ses sources. La recherche est donc la brique de base, et sa qualité plafonne celle de l'assistant.
Quand garder une simple liste de résultats ? Quand les utilisateurs cherchent un document précis. Quand ajouter un assistant ? Quand la réponse est répartie sur plusieurs documents, ou quand la personne veut une réponse directe plutôt qu'un fichier à ouvrir. Nous conseillons de citer systématiquement les sources, pour que chacun puisse vérifier.
Pour comprendre le principe, voir RAG, c'est quoi et notre guide RAG en entreprise. Si vous voulez un cadrage de votre cas, c'est le périmètre d'un assistant IA interne RAG, sur devis, avec livrables et calendrier définis à l'avance.
Questions fréquentes sur le moteur de recherche interne avec IA
Articles recommandés
- Guide du RAG en entreprise : le cadre général avant de choisir une architecture de recherche.
- RAG, c'est quoi : la définition pour un décideur.
- RAG sur SharePoint et Microsoft 365 Copilot : Copilot, Copilot Studio ou sur mesure.
- Chatbot sur les procédures internes : vérifier que vos documents sont prêts.
