Développement RAG sur mesure : assistant RAG et IA interne

Mesuré en production, sur deux projets documentés

89 %

de réponses justes chez Continental, contre 67 % avec la recherche sémantique seule

15 000

documents techniques indexés depuis SharePoint, des PDF et des wikis

2 000+

utilisateurs sur les lignes de production, sur plusieurs sites

50 %

de tickets support en moins chez un éditeur de logiciel médical

Vous avez déjà un RAG qui répond mal ?

Avant de reconstruire, l'audit technique RAG et agents IA mesure la qualité actuelle sur vos questions, localise les causes d'erreur (documents, découpage, recherche, génération) et priorise les corrections.

Ce que nous développons : trois formes d'assistant RAG

Un RAG (Retrieval-Augmented Generation) cherche d'abord les passages utiles dans vos documents ou vos données, puis fait rédiger la réponse par un modèle de langage à partir de ces seuls passages, avec la source. Nous le développons sous trois formes, selon qui pose les questions.

Pour le fonctionnement détaillé, les coûts et les limites, voir notre dossier sur le RAG en entreprise. Pour une présentation neutre de la démarche, la Direction générale des Entreprises a publié en novembre 2024 un guide de la génération augmentée par récupération.

Pour vos équipes

Assistant IA interne sur vos documents et procédures

Vos collaborateurs posent leurs questions en langage courant et obtiennent une réponse sourcée, tirée de vos procédures, contrats, fiches techniques ou comptes rendus. Les sources sont branchées sur SharePoint, Google Drive, Confluence, votre GED ou des exports de votre ERP.

Procédures qualité, RH, sécurité
Documentation technique et historiques de pannes
Fonds documentaire juridique ou contractuel

Fin 2025, 55 % des TPE et PME déclaraient utiliser l'IA générative, contre 31 % un an plus tôt (Bpifrance Le Lab, janvier 2026). Un assistant interne donne un cadre à cet usage : vos sources, des accès contrôlés, un hébergement choisi.

Pour vos clients

Assistant face aux clients : support et avant-vente

L'assistant répond aux questions de vos clients et prospects à partir de votre documentation produit, de vos fiches techniques et de vos conditions. Il passe la main à un humain quand la question sort de son périmètre ou que sa confiance est trop faible.

Support de niveau 1 sur un logiciel ou un équipement
Conseil produit sur un catalogue de références
Qualification des demandes avant transfert au commercial

Pour le support, voir notre offre d'agent IA support client, qui connaît le compte de l'utilisateur et peut agir dans votre outil.

Dans votre produit

RAG intégré dans votre logiciel

Pour les éditeurs : une brique RAG exposée par API et intégrée à votre interface. Elle tient compte de l'utilisateur connecté (son compte, ses droits, ses données) et cloisonne les données de chacun de vos clients.

Aide contextuelle dans l'application
Recherche en langage naturel dans les données de l'utilisateur
Cloisonnement entre clients (multi-tenant)

C'est le cas de l'éditeur de logiciel médical présenté plus bas : l'assistant répond depuis l'interface du logiciel, sans que l'utilisateur change d'outil.

Comment on rend un RAG fiable en production

Un RAG fiable tient moins au choix du modèle qu'à trois éléments : la préparation des documents, la qualité de la recherche (sur le principe, voir notre article sur le moteur de recherche interne avec IA) et le respect des droits d'accès. Ce sont les points à vérifier chez tout prestataire RAG, nous compris.

01

Ingestion et découpage des documents complexes

Un PDF scanné, un tableau, un plan, un document sur deux colonnes ou une vidéo ne se découpent pas comme un article de blog. Nous extrayons le texte et la structure (titres, articles, tableaux), découpons par unité de sens (un article de CCTP, une procédure, une question de FAQ) et ajoutons des métadonnées : source, version, date, service, niveau de confidentialité.

Chez Continental, la préparation des données a représenté 40 % de l'effort total du projet. Chez l'éditeur de logiciel médical, les vidéos tutoriels ont été transcrites puis indexées au même titre que la documentation écrite.

02

Recherche hybride (sémantique et BM25) et reranking

La recherche sémantique comprend l'intention d'une question, mais rate souvent les termes exacts : références de pièces, codes d'erreur, noms de fonctionnalités, numéros d'articles. La recherche lexicale BM25 les retrouve. Nous combinons les deux, fusionnons les classements (Reciprocal Rank Fusion), puis un modèle de reranking reclasse les meilleurs passages avant la génération.

Sur la documentation technique de Continental, passer de la recherche sémantique seule à la recherche hybride a fait monter les réponses correctes de 67 % à 89 %. Les autres réglages (réécriture de requête, taille des passages) sont détaillés dans notre article pour optimiser un système RAG.

03

Droits d'accès : chacun ne voit que ce qu'il a le droit de voir

Un assistant interne ne doit jamais répondre à partir d'un document que l'utilisateur ne pourrait pas ouvrir lui-même. Les droits de vos sources (SharePoint, GED, groupes Active Directory ou Entra ID) sont reportés sur chaque passage indexé, et le filtre s'applique au moment de la recherche, pas après la génération.

Dans un logiciel utilisé par plusieurs clients, chaque client dispose d'un espace cloisonné. Les questions posées et les sources consultées sont journalisées, pour pouvoir expliquer une réponse après coup.

Évaluer avant de complexifier

Un RAG se juge sur des questions réelles et mesurées, pas sur une démonstration. Nous mesurons la qualité avant chaque changement, et nous ne rendons l'architecture plus complexe que si la mesure le justifie.

Avant et après chaque changement

Un jeu de questions de référence

Au cadrage, vos experts métier rédigent des questions réelles avec la réponse attendue et le document source. 20 à 50 questions suffisent pour démarrer dès les premiers jours, 100 à 150 pour suivre les régressions dans la durée.

On mesure séparément la recherche (le bon passage est-il retrouvé ?) et la réponse (est-elle juste, complète, sourcée ?). Chaque modification du découpage, du modèle ou des consignes est rejouée sur ce jeu : on sait si elle améliore ou dégrade le système. La méthode est détaillée dans notre article sur la baseline d'évaluation RAG, et ce que montre la première mesure chez nos clients dans mesurer la performance d'un RAG.

Seulement quand c'est utile

Le RAG agentique, quand le RAG classique ne suffit pas

Certaines questions demandent plusieurs recherches : comparer deux versions d'un contrat, croiser une procédure avec un historique de pannes, agréger des informations dispersées. Un RAG agentique décompose la question, choisit ses sources ou ses outils (recherche documentaire, requête SQL, API métier), vérifie ce qu'il a trouvé et relance si besoin.

Il est plus lent et plus cher par question. Nous le réservons aux questions qui en ont besoin, mesure à l'appui. Plus de détails dans notre article sur l'agentic RAG.

Où votre RAG est déployé

Nous déployons le RAG là où vos données ont le droit d'aller : dans votre cloud (AWS, Azure), chez un hébergeur français, sur vos propres serveurs, ou en version souveraine avec des modèles ouverts. Le choix se fait au cadrage, selon la sensibilité des données, vos contrats et l'infrastructure déjà en place.

Votre cloud

AWS ou Azure, en région européenne

Le RAG tourne dans votre compte, avec vos règles réseau et vos droits IAM. C'est le choix de l'éditeur de logiciel médical : modèles hébergés en Europe sur AWS, aucune donnée médicale hors de l'Union européenne.

Cloud français

Scaleway, OVHcloud ou Outscale

Hébergement chez un acteur français, avec un modèle ouvert ou une API européenne, sans matériel à gérer de votre côté.

On-premise

Sur vos serveurs

Pour les données qui ne doivent pas quitter votre réseau : modèle servi avec vLLM sur vos GPU, base vectorielle et index sur vos machines. Il faut prévoir l'exploitation : mises à jour, supervision, capacité.

Option souveraine

Mistral et Qdrant auto-hébergé

Modèles Mistral ou autres modèles ouverts, base Qdrant auto-hébergée, chaîne complète sous votre contrôle. Voir notre offre d'IA souveraine et notre architecture de RAG souverain avec Mistral.

Base vectorielle et modèles

Ils se choisissent selon vos contraintes, pas par habitude : Qdrant chez l'éditeur médical, Pinecone chez Continental, pgvector quand PostgreSQL est déjà en place. Côté génération, Mistral, Claude, GPT ou un modèle ouvert. Le modèle de génération peut être changé sans reconstruire l'index, tant que le modèle d'embeddings reste le même, et chaque changement est revalidé sur le jeu de questions de référence.

Clé en main ou sur mesure ?

Tout projet RAG n'a pas besoin de développement. Heeya, le SaaS de chatbot RAG conçu par Tensoria, suffit quand la connaissance est publique et que vous voulez démarrer vite. Le sur mesure s'impose quand les données sont sensibles, que l'assistant doit connaître le compte de l'utilisateur ou agir dans un logiciel, que l'infrastructure est imposée ou que les volumes sont importants.

Clé en main

Heeya : chatbot RAG pour vos contenus publics

Vous ajoutez votre site web, votre documentation et vos questions fréquentes : Heeya construit la base de connaissances et vous installez un widget sur votre site. Il propose un formulaire de contact quand la question dépasse son périmètre, et vous donne des statistiques sur les questions posées.

Heeya existe aussi en marque blanche, pour les agences web et les éditeurs qui veulent le proposer à leurs propres clients sous leur marque.

Découvrir Heeya →

Sur mesure

Développement RAG quand l'assistant doit aller plus loin

Données sensibles ou réglementées : santé, juridique, industriel, RH
L'assistant doit connaître le compte, le contrat ou l'historique de l'utilisateur
Il doit agir dans un logiciel : créer un ticket, lire une commande, remplir un dossier
Infrastructure imposée : votre cloud, vos serveurs, un hébergement français
Gros volumes ou documents complexes : milliers de PDF techniques, références produit

Parler de mon projet sur mesure

Comparaison entre un chatbot RAG clé en main (Heeya) et un développement RAG sur mesure
Critère	Heeya, clé en main	Développement sur mesure
Sources de connaissance	Site web, documentation publique, FAQ	Documents internes, GED, ERP, CRM, bases métier
Personnalisation par utilisateur	Réponses communes à tous les visiteurs	Compte, contrat, historique et droits d'accès de l'utilisateur
Actions	Formulaire de contact	Appels à vos API : tickets, commandes, dossiers
Recherche	Sémantique, adaptée aux contenus rédigés	Hybride (sémantique et BM25) avec reranking, réglée sur votre vocabulaire
Hébergement	Plateforme Heeya	Votre cloud, cloud français, vos serveurs ou option souveraine
Mise en route	Sans développement, en autonomie	Quelques semaines, avec cadrage et évaluation
Marque	Heeya ou marque blanche	Votre interface ou votre produit

Deux RAG en production, résultats mesurés

Deux projets RAG documentés, avec leurs chiffres mesurés après déploiement : un assistant industriel chez Continental, et un assistant de support intégré dans un logiciel médical.

Industrie automobile

Continental : de 67 % à 89 % de réponses justes sur 15 000 documents

Le point de départ. Plus de 15 000 documents techniques (manuels d'équipements, procédures de maintenance, historiques de pannes, normes de sécurité) dispersés entre SharePoint, des PDF et des wikis. Trouver la bonne procédure prenait 30 à 60 minutes à un opérateur.

Ce qui a été construit. Ingestion et découpage des documents, recherche hybride sémantique et BM25, réponses citées avec lien vers le document d'origine. Pinecone, LangChain, Python et FastAPI.

89 % de réponses correctes, contre 67 % avec la recherche sémantique seule
Une réponse sourcée en moins de 10 secondes
Plus de 2 000 utilisateurs sur les lignes de production, sur plusieurs sites
Déploiement en quatre phases, sur 4 à 6 mois

Lire le cas client Continental →

Éditeur de logiciel, santé

Éditeur de logiciel médical : 50 % de tickets support en moins

Le point de départ. Un éditeur toulousain de logiciel de statistiques utilisé par des professionnels de santé. La documentation et les vidéos tutoriels existaient, mais les utilisateurs ouvraient un ticket plutôt que de les chercher.

Ce qui a été construit. Un assistant intégré dans le logiciel, avec une base unique (documentation et transcriptions des vidéos) dans Qdrant hébergé en Europe, une recherche hybride BM25 et vectorielle fusionnée par Reciprocal Rank Fusion, et des modèles européens sur AWS. Quand une vidéo est la meilleure réponse, l'assistant la propose avec l'extrait correspondant.

Volume de tickets support divisé par deux
Documentation écrite et vidéos réunies dans une seule base de connaissances
Aucune donnée médicale hors de l'Union européenne

Retour de l'éditeur après déploiement

« Les utilisateurs trouvent maintenant les réponses eux-mêmes, et quand l'assistant leur propose directement la bonne vidéo, ils sont bluffés. Notre équipe support peut enfin se concentrer sur les vrais problèmes. »

Lire le cas client de l'éditeur médical →

Cas d'usage du RAG en entreprise

Le RAG est utile partout où la réponse existe déjà dans vos documents mais prend trop de temps à retrouver. Voici six cas d'usage que nous avons documentés, avec leur architecture et leurs limites.

Support client

Support de niveau 1

RAG sur la base de connaissances, seuil de confiance, escalade vers un humain, intégration à Zendesk ou Freshdesk.

Architecture d'un agent support N1 → Notre offre agent IA support client → Quel taux de résolution attendre →

Industrie

Documentation technique et maintenance

Accès aux procédures sur la ligne, aide au diagnostic de pannes à partir des historiques, formation des nouveaux techniciens.

RAG pour l'industrie → Vos procédures sont-elles prêtes ? →

Juridique

Jurisprudence et fonds documentaire

Recherche dans la jurisprudence annotée et les consultations passées du cabinet, avec un hébergement compatible avec le secret professionnel.

RAG pour cabinets d'avocats →

Bureaux d'études

CCTP, DPGF et mémoires techniques

Découpage par article, recherche hybride sur les références et les lots, réponses citées pour préparer les réponses aux consultations.

RAG sur CCTP et DPGF →

Commercial

Propositions commerciales

Une première version rédigée à partir de vos propositions gagnées, dans votre structure et votre ton, relue par le commercial.

Propales générées par RAG →

Finance

Factures fournisseurs

Ici, le RAG seul ne suffit pas : extraction structurée et base SQL pour les montants, RAG pour les questions posées en texte libre.

Architecture hybride SQL et RAG →

Distribution B2B

Conseiller produit sur un grand catalogue

Recherche hybride sur les références et les compatibilités, stock lu dans l'ERP, la fiche produit citée pour chaque proposition.

Assistant IA conseiller produit →

Fabricants et distributeurs

Fiches techniques et notices

Une cote, une norme ou une compatibilité retrouvée et citée à la page, avec les contradictions entre documents signalées.

Recherche IA dans les fiches techniques →

Voir tous les cas d'usage de l'IA par expertise et par métier →

Déroulé d'un projet RAG et livrables

Un projet RAG se déroule en quatre étapes, avec une décision à la fin de chacune. Une première version exploitable sur un périmètre ciblé demande en général 4 à 8 semaines. Un déploiement à l'échelle d'un groupe industriel, comme chez Continental, a pris 4 à 6 mois.

01

Cadrage

Choix du cas d'usage, inventaire des sources et de leurs droits, choix de l'hébergement. Vos experts rédigent avec nous le jeu de questions de référence, qui sert de critère d'acceptation.

Livrable : note de cadrage avec périmètre, architecture, critères de réussite et planning.
02

Prototype évalué

Un premier RAG sur vos vrais documents, mesuré sur le jeu de questions. On voit ce qui fonctionne, ce qui manque dans les documents et ce que coûtera la suite. Si la qualité n'est pas là, on le dit à ce stade.

Livrable : prototype ouvert à quelques testeurs, rapport d'évaluation chiffré, décision de continuer ou d'arrêter.
03

Mise en production

Connecteurs vers vos sources avec synchronisation automatique, droits d'accès, interface web ou intégration dans vos outils (Teams, intranet, votre logiciel par API), journalisation, suivi de la qualité et des coûts.

Livrable : assistant en production, documentation d'architecture et d'exploitation.
04

Transfert et maintenance

Formation des utilisateurs et de l'équipe qui reprend la main. Ensuite, si vous le souhaitez, maintenance : suivi de la qualité sur le jeu de test, ajout de sources, évolution des modèles.

Livrable : code, index, consignes et jeux d'évaluation remis dans votre dépôt.

Propriété du code

Le code, les index, les consignes et les jeux d'évaluation vous appartiennent. L'architecture est documentée : vous pouvez internaliser la maintenance ou la confier à un autre prestataire. Le détail est dans notre article sur la propriété du code et du modèle IA. Pour former votre équipe technique, voir le parcours de formation RAG.

Budget : sur devis

Le devis dépend du nombre et du format des sources, des connecteurs, du modèle de droits d'accès, de l'hébergement et de l'intégration dans vos outils. Il précise la durée, les livrables et les critères d'acceptation. Le premier échange de 30 minutes est offert. Pour une proposition écrite : devis assistant RAG entreprise.

Questions fréquentes sur le développement RAG

Comptez 4 à 8 semaines pour une première version exploitable sur un périmètre ciblé : une ou deux sources documentaires et un groupe d'utilisateurs pilotes. Le prototype évalué arrive avant, et sert de point de décision. Un déploiement à grande échelle prend plus longtemps : chez Continental, avec 15 000 documents et plus de 2 000 utilisateurs, il a pris 4 à 6 mois.

Des PDF, y compris scannés, des fichiers Word et Excel, des pages SharePoint ou Confluence, une GED, des tickets de support, des emails, des transcriptions de vidéos ou de réunions, et des données structurées issues d'un ERP ou d'un CRM. Les données chiffrées (montants, stocks, factures) sont mieux servies par une requête SQL que par une recherche documentaire : l'assistant combine alors les deux. La qualité des réponses dépend d'abord de la qualité des documents, qu'on examine au cadrage.

Là où vous le décidez : dans votre compte AWS ou Azure en région européenne, chez un hébergeur français, sur vos propres serveurs, ou en version souveraine avec des modèles Mistral et une base Qdrant auto-hébergée. Les documents, l'index et les journaux restent dans ce périmètre. Le choix se fait au cadrage, selon la sensibilité des données et vos obligations contractuelles.

Au choix : votre équipe, formée pendant le transfert, ou Tensoria dans le cadre d'un contrat de maintenance. Un RAG demande un suivi : synchronisation des nouvelles versions de documents, contrôle régulier de la qualité sur le jeu de questions de référence, mises à jour des modèles. Le code, les index et la documentation vous appartiennent, ce qui vous laisse libre de changer de prestataire.

ChatGPT Entreprise et Microsoft 365 Copilot sont des assistants généralistes, très utiles pour rédiger, résumer et chercher dans les outils qu'ils savent connecter. Copilot s'appuie par exemple sur les contenus Microsoft 365 auxquels l'utilisateur a accès. Un RAG sur mesure est pertinent quand vos sources sont ailleurs (GED métier, ERP, base produit), quand votre vocabulaire demande une recherche réglée (références, codes, numéros d'articles), quand la qualité doit être mesurée sur vos propres questions, ou quand l'assistant s'adresse à vos clients ou s'intègre à votre logiciel.

Si la connaissance est publique (site web, documentation, FAQ) et que vous voulez démarrer vite, un chatbot RAG clé en main comme Heeya, conçu par Tensoria, suffit. Le développement sur mesure se justifie quand les données sont sensibles, que l'assistant doit connaître le compte de l'utilisateur ou agir dans un logiciel, que l'infrastructure est imposée ou que les volumes sont importants. Nous orientons vers l'option la plus simple qui répond au besoin.

L'assistant répond uniquement à partir des passages retrouvés et cite ses sources, ce qui permet de vérifier chaque réponse. Quand l'information n'est pas dans vos documents, il le dit au lieu de répondre quand même. Le risque d'erreur ne disparaît pas pour autant, il se mesure : le jeu de questions de référence donne un taux de réponses justes avant la mise en production, puis à chaque évolution.

Pour approfondir

Architecture, choix des outils, coûts réels, limites et cas concrets sont réunis dans notre guide du RAG en entreprise.

Développement RAG sur mesure : assistant RAG interne ou client