# L'IA sur les propres documents de l'entreprise (RAG), y compris en hongrois

Selon Mesterséges Intelligencia Központ Kft., société de développement logiciel basée à Budapest, le RAG donne des réponses vérifiables tirées des documents de l'entreprise : le système trouve d'abord les passages pertinents, puis le modèle répond à partir d'eux, source citée, y compris en hongrois.

> **L'essentiel :** inutile d'entraîner le modèle sur vos propres données : le RAG lui fournit les passages pertinents au moment de la question, et la réponse indique la source. La qualité dépend de l'organisation des documents, de la précision de la recherche et d'une mesure continue ; cela fonctionne aussi en hongrois, mais il faut le mesurer sur vos propres questions en hongrois.

## Qu'est-ce que le RAG, et d'où vient le terme ?

RAG est l'abréviation de retrieval-augmented generation, en français à peu près « génération augmentée par récupération ». Le terme provient d'un [article publié en 2020](https://arxiv.org/abs/2005.11401) par Patrick Lewis et ses coauteurs, intitulé « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks ». Les auteurs y ont associé la mémoire dite paramétrique d'un modèle de langage pré-entraîné à une mémoire non paramétrique : un index vectoriel dense de Wikipédia, interrogé par un moteur de recherche neuronal.

Aujourd'hui, le terme désigne plus largement une solution dans laquelle, pour chaque question, le système recherche d'abord les passages nécessaires dans une collection de documents, et le modèle de langage formule la réponse à partir de ceux-ci. Les connaissances propres du modèle ne changent pas pour autant : il reçoit les contenus de l'entreprise au moment de la question. D'où les trois avantages pratiques du RAG : les connaissances peuvent être mises à jour immédiatement, la réponse peut indiquer sa source, et la recherche peut être filtrée sur ce que la personne qui pose la question a le droit de voir.

## Comment cela fonctionne-t-il ? Six étapes

1. **Collecte :** nous réunissons les sources en un seul endroit : gestion documentaire, wiki, outil de ticketing, partie sélectionnée de la messagerie.
2. **Découpage :** les longs documents sont découpés en segments plus petits (chunks) de quelques paragraphes. Le [service de recherche](https://developers.openai.com/api/docs/guides/retrieval) d'OpenAI, par exemple, crée par défaut des segments de 800 tokens au maximum, avec un chevauchement de 400 tokens.
3. **Embedding (plongement vectoriel) :** un modèle d'embedding transforme chaque segment en une suite de nombres, un vecteur. Selon la [description](https://developers.openai.com/api/docs/guides/embeddings) d'OpenAI, une faible distance entre les vecteurs indique une forte parenté de contenu, une grande distance une faible parenté.
4. **Recherche :** le même modèle transforme la question en vecteur, et le système recherche les segments les plus proches de celle-ci. Dans sa description de la [Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval), Anthropic complète la recherche par le sens par une recherche littérale par mots-clés (BM25), car celle-ci trouve mieux les expressions exactes (par exemple les identifiants), puis une étape de reclassement (reranker) ne transmet au modèle que les segments les plus pertinents.
5. **Filtrage et assemblage :** parmi les segments trouvés, seuls restent ceux que la personne qui pose la question a aussi le droit de voir, et ce sont eux qui sont présentés au modèle avec la question.
6. **Réponse avec citation des sources :** le modèle répond à partir des passages reçus et indique d'où provient chaque affirmation. La [fonction citations](https://platform.claude.com/docs/en/build-with-claude/citations) d'Anthropic renvoie au numéro de page pour un PDF, à la position des caractères pour du texte brut ; la [recherche de fichiers](https://developers.openai.com/api/docs/guides/tools-file-search) d'OpenAI ajoute dans la réponse une annotation qui renvoie au fichier source.

Lors du découpage, une erreur fréquente est que le segment perd son contexte, ce qu'Anthropic signale aussi dans la même description. Une phrase comme « Le délai court à compter de la réception » ne dit pas à elle seule de quel contrat ni de quel délai il s'agit. C'est pourquoi il est utile d'ajouter à chaque segment le titre du document, le titre de la section et la date, afin que la recherche comme le modèle en voient le contexte.

## RAG ou affinage ?

L'affinage (fine-tuning) consiste à poursuivre l'entraînement du modèle sur des données propres à une tâche. Selon le [guide d'OpenAI sur la précision](https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy), le RAG fournit le contexte métier nécessaire à la tâche, et il s'impose lorsque les connaissances du modèle sont obsolètes ou que la tâche exige les informations propres à l'entreprise ; l'affinage aide lorsque la sortie du modèle est incohérente, ou que son format ou sa tonalité ne conviennent pas. Selon le guide, les deux méthodes sont complémentaires et peuvent être utilisées ensemble.

| Critère | RAG | Affinage |
|---|---|---|
| À quoi cela sert | transmettre les connaissances de l'entreprise au moment de la question | uniformiser le comportement, le format et la tonalité du modèle |
| Connaissances à jour | valables dès que l'index est mis à jour après la modification du document | nécessite un nouvel entraînement |
| Citation des sources | la réponse peut renvoyer au passage trouvé | les connaissances intégrées aux poids du modèle ne s'accompagnent d'aucune source |
| Droits d'accès | filtrables document par document | les connaissances apprises sont les mêmes pour tous les utilisateurs |
| Retrait d'un document | le document est retiré de l'index | son effet ne disparaît qu'avec un nouvel entraînement |
| Quand le choisir | pour les documents d'entreprise, presque toujours le point de départ | si la cohérence du format ou de la tonalité pose problème, en complément du RAG |

Pour les documents d'entreprise, le RAG est donc le point de départ naturel. La question « faut-il entraîner le modèle ? » signifie la plupart du temps, en réalité : comment le modèle obtient-il les connaissances de l'entreprise ? La réponse à cela, c'est le RAG.

## Y compris en hongrois ? Prise en charge des langues et contenus en plusieurs langues

### Le modèle qui répond

Les modèles des grands fournisseurs comprennent et écrivent bien le hongrois, mais les mesures de performance linguistique qu'ils publient ne couvrent pas toujours le hongrois. La [page d'Anthropic consacrée au multilinguisme](https://platform.claude.com/docs/en/build-with-claude/multilingual-support) publie des résultats pour 14 langues autres que l'anglais, dont le hongrois ne fait pas partie (vérifié le 17 octobre 2026) ; la page souligne toutefois que Claude est utilisable dans de nombreuses langues au-delà de celles du tableau, recommande de tester les langues importantes pour l'application, et conseille de fixer la langue de réponse dans les instructions système (system prompt). C'est aussi notre propre expérience : l'assistant IA de notre page d'accueil, fondé sur Claude, converse en hongrois et dans 13 autres langues, mais nous mesurons chaque nouvel usage sur des questions en hongrois.

### Le modèle d'embedding

La qualité de la recherche dépend au moins autant du modèle d'embedding que du modèle qui répond. Chez les grands fournisseurs (vérifié le 17 octobre 2026) :

- selon sa documentation, le [modèle Gemini Embedding 2](https://ai.google.dev/gemini-api/docs/embeddings) de Google fonctionne dans plus de 100 langues ;
- Anthropic [ne propose pas de modèle d'embedding propre](https://platform.claude.com/docs/en/build-with-claude/embeddings), mais mentionne les modèles de Voyage AI, parmi lesquels voyage-4 est optimisé pour la recherche généraliste et multilingue ;
- le guide d'OpenAI consacré aux embeddings présente les modèles text-embedding-3, mais n'énumère pas les langues prises en charge.

C'est pourquoi nous choisissons le modèle d'embedding sur les propres paires question–document en hongrois de l'entreprise, et non sur la base des mesures générales du fournisseur.

### Spécificités hongroises

- **Flexion :** « szerződés », « szerződésben » et « szerződéseinkről » (contrat, dans le contrat, au sujet de nos contrats) parlent de la même chose, mais une recherche littérale par mots-clés ne les considère pas comme une correspondance sans racinisation. La recherche par le sens aide ici, et la recherche hybride combine les deux.
- **Termes techniques et noms internes :** les abréviations, les codes produits et les dénominations internes de l'entreprise ne font pas partie des connaissances générales du modèle ; un court glossaire améliore beaucoup la recherche.
- **Contenus en plusieurs langues :** si la question est en hongrois et le manuel en anglais, il faut un modèle d'embedding multilingue, et la langue de réponse doit être fixée ; la citation de la source reste dans sa langue d'origine.
- **Formulation de tous les jours :** les fautes de frappe, les questions saisies sans accents et les expressions familières doivent aussi figurer parmi les questions de test.

## À partir de quels documents peut-il travailler ?

| Source | Points d'attention |
|---|---|
| PDF textuel | bien exploitable ; la citation de la source peut aussi renvoyer au numéro de page |
| PDF numérisé | une reconnaissance de texte (OCR) est d'abord nécessaire : selon la documentation d'Anthropic, un PDF numérisé sans texte extractible ne permet pas de citation |
| Word et Excel | Anthropic recommande de convertir les fichiers DOCX et XLSX en texte, la recherche de fichiers d'OpenAI accepte aussi directement le DOCX ; la structure des tableaux doit être préservée |
| Wiki et intranet | c'est la version en vigueur qui doit compter, les anciennes pages doivent être archivées |
| Tickets, helpdesk | ils contiennent beaucoup de données personnelles et de solutions obsolètes, il faut donc les filtrer |
| E-mails | uniquement un ensemble sélectionné et organisé ; la source la plus délicate en matière de données personnelles et de droits d'accès |

## Droits d'accès document par document

Le point le plus délicat du RAG est que le système ne doit divulguer aucun passage que la personne qui pose la question ne pourrait pas non plus ouvrir dans le système source. Nous ne confions pas cela au modèle, nous l'intégrons à la recherche :

- chaque segment emporte avec lui, sous forme de métadonnées, les droits d'accès de son document source ;
- le filtrage a lieu avant ou pendant la recherche (le service de recherche d'OpenAI, par exemple, propose un filtrage par attributs de fichier avant la recherche sémantique), de sorte que ce que la personne n'a pas le droit de voir ne parvient même pas au modèle ;
- les changements de droits d'accès sont synchronisés depuis le système source, et non tenus à jour à la main ;
- nous journalisons qui a demandé quoi, et à partir de quels documents la réponse a été donnée.

## Un index tenu à jour

Le RAG ne vaut que ce que vaut la fraîcheur de son index. Ce à quoi nous veillons :

- **Détection des changements :** le système traite automatiquement les documents nouveaux et modifiés.
- **Suppression :** un document supprimé de la source est aussi retiré de l'index ; selon la documentation d'OpenAI, la suppression prend effet progressivement, si bien qu'un fichier supprimé peut encore apparaître brièvement dans les résultats.
- **Versions :** distinguer la version en vigueur de la version retirée, avec la date dans les métadonnées.
- **Responsable de la source :** chaque source a un responsable, qui signale ce qui est devenu obsolète.
- **Expiration :** une règle d'expiration pour les contenus temporaires ; on peut par exemple fixer une durée d'expiration pour les magasins de vecteurs (vector stores) d'OpenAI.

## Moins de réponses erronées : source, « je ne sais pas », mesure

Un modèle de langage peut se tromper même avec les contenus fournis. Le [guide d'Anthropic sur la réduction des réponses erronées](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations) recommande d'autoriser explicitement le modèle à répondre « je ne sais pas », de le fonder sur des citations littérales, de lui faire chercher une citation à l'appui de chaque affirmation (et, s'il n'en trouve pas, de retirer l'affirmation), et de le limiter aux documents fournis. Le guide ajoute que ces méthodes réduisent les réponses erronées sans les éliminer complètement ; les informations importantes doivent donc être vérifiées. Nous nous fondons sur ces principes :

- **Citation des sources :** chaque réponse indique de quelle partie de quel document elle provient.
- **« Je ne sais pas » et transfert :** si la réponse ne figure pas dans les contenus, le système le dit et transmet la question à un collaborateur.
- **Uniquement à partir des contenus fournis :** le modèle n'utilise pas ses connaissances générales au sujet de l'entreprise.
- **Jeu d'évaluation :** de vraies questions avec la réponse attendue et la bonne source. Nous mesurons séparément si la recherche a trouvé le bon passage et si la réponse lui est fidèle ; selon le [guide d'évaluation d'OpenAI](https://developers.openai.com/api/docs/guides/evaluation-best-practices), les données de test doivent comprendre des cas typiques, des cas limites et des cas délibérément trompeurs, et l'évaluation doit être relancée à chaque modification.
- **Retours :** les utilisateurs peuvent signaler une mauvaise réponse, et le journal fournit de nouveaux cas de test.

## Protection des données : où les documents sont-ils stockés ?

Dans un système RAG, les contenus de l'entreprise passent par trois endroits :

- **Le système source :** les documents restent là où ils étaient : dans la gestion documentaire, le wiki, la messagerie.
- **L'index :** les segments et les vecteurs, dans une base de données de recherche. Celle-ci peut fonctionner dans l'environnement propre de l'entreprise ou chez un fournisseur. Avec la recherche de fichiers d'OpenAI, par exemple, les fichiers téléversés restent stockés jusqu'à leur suppression ou jusqu'à l'expiration du magasin de vecteurs (selon la [documentation sur le contrôle des données](https://developers.openai.com/api/docs/guides/your-data) et le guide de la recherche).
- **L'appel au modèle :** seuls les segments sélectionnés pour la question parviennent au modèle. Ce sont alors les conditions de traitement des données du fournisseur qui s'appliquent ; ce qu'elles prévoient pour l'entraînement, la durée de conservation et le lieu de traitement est résumé dans l'article consacré à la [connexion des systèmes de l'entreprise par l'IA](https://www.mestersegesintelligenciakozpont.hu/fr/base-de-connaissances/relier-les-systemes-d-entreprise-par-l-ia).

Si les documents contiennent aussi des données personnelles, le traitement relève du RGPD, et un contrat conforme à l'article 28 du [règlement général sur la protection des données](https://eur-lex.europa.eu/legal-content/FR/TXT/?uri=CELEX:32016R0679) doit être conclu avec le fournisseur qui agit en tant que sous-traitant. Nous traitons des questions juridiques (transparence, transferts de données, analyse d'impact) dans l'article [AI Act et RGPD pour un chatbot d'entreprise](https://www.mestersegesintelligenciakozpont.hu/fr/base-de-connaissances/ai-act-et-rgpd-pour-les-chatbots-d-entreprise). Ces indications sont données à titre d'information et ne constituent pas un conseil juridique.

## Les étapes d'un projet RAG

1. **Objectif et périmètre des questions :** qui pose des questions, sur quoi, et ce qui compte comme une bonne réponse.
2. **Inventaire et mise en ordre des sources :** élimination des doublons et des versions contradictoires ou obsolètes.
3. **Modèle de droits d'accès :** qui peut recevoir une réponse à partir de quel document.
4. **Jeu d'évaluation :** de vraies questions en hongrois, avec la réponse et la source attendues.
5. **Prototype :** réglage du découpage, du modèle d'embedding et de la recherche sur la base des mesures.
6. **Intégration :** l'interface, la citation des sources, le transfert à un collaborateur et la journalisation.
7. **Phase pilote :** avec un cercle restreint d'utilisateurs, en recueillant leurs retours.
8. **Exploitation :** mise à jour de l'index, mesure continue et évaluation des changements de modèle.

## Erreurs typiques

- **La gestion documentaire « telle quelle » :** si trois versions du même règlement coexistent, le système peut citer n'importe laquelle.
- **Les droits d'accès après coup :** lors de la première démonstration, tout est visible ; en production, cela peut constituer une violation de données personnelles.
- **Une réponse sans source :** l'utilisateur ne peut pas la vérifier, et ne lui fait pas confiance non plus.
- **Tester avec des questions inventées :** les questions de la démonstration fonctionnent bien, les vraies questions en hongrois, avec des fautes de frappe, non.
- **Un chargement unique :** sans mise à jour, la base de connaissances devient vite obsolète.
- **Des PDF numérisés sans reconnaissance de texte :** le système ne voit tout simplement pas leur contenu.

## Questions fréquentes

### Qu'est-ce que le RAG ?

Le RAG (retrieval-augmented generation, génération augmentée par récupération) est une solution dans laquelle, pour chaque question, le système recherche d'abord les passages pertinents dans les documents de l'entreprise, et le modèle de langage répond à partir de ceux-ci, en citant la source. Le terme provient d'un article de recherche publié en 2020.

### Répond-il en hongrois à partir de nos propres documents ?

Oui. Les grands modèles de langage actuels comprennent et écrivent bien le hongrois, et travaillent aussi à partir de documents en hongrois ; l'assistant IA de notre page d'accueil converse lui aussi en hongrois. Comme les mesures publiées par les fournisseurs ne couvrent pas toujours le hongrois, nous mesurons, avant la mise en production, aussi bien le modèle qui répond que le modèle d'embedding sur les propres questions en hongrois de l'entreprise.

### Faut-il entraîner le modèle sur nos propres données ?

En général, non. Le RAG fournit au modèle les passages nécessaires au moment de la question ; ainsi, les connaissances peuvent être mises à jour, la source peut être citée et les droits d'accès peuvent être filtrés document par document. L'affinage peut entrer en jeu si le format ou la tonalité des réponses ne sont pas assez cohérents, et même dans ce cas, en complément du RAG et non à sa place.

### Que se passe-t-il s'il ne connaît pas la réponse ?

Nous le concevons pour qu'il le dise et transmette la question à un collaborateur, au lieu d'inventer quelque chose. Le modèle est explicitement autorisé à répondre « je ne sais pas », il ne peut travailler qu'à partir des contenus fournis, et les questions restées sans réponse reviennent depuis le journal pour enrichir la base de connaissances.

### Où nos documents sont-ils stockés ?

Dans le système source, comme jusqu'à présent ; à côté, dans l'index de recherche, qui peut fonctionner dans l'environnement propre de l'entreprise ou chez un fournisseur ; et, pour chaque question, seuls les passages sélectionnés parviennent au modèle, selon les conditions de traitement des données du fournisseur. La solution adaptée à une entreprise dépend de la sensibilité des documents et des exigences en matière de protection des données.

## Comment pouvons-nous vous aider ?

Mesterséges Intelligencia Központ Kft. développe des chatbots IA qui répondent à partir des propres documents de l'entreprise, y compris en hongrois, avec la méthode RAG et la citation des sources, construits sur les modèles de langage d'OpenAI (ChatGPT), d'Anthropic (Claude) et de Google (Gemini). Le premier échange est gratuit ; nous mesurons la taille du développement en points de fonction COSMIC, et en tirons l'offre et le calendrier. Nous signons sur demande un accord de confidentialité (NDA), et après la livraison nous assurons aussi la mise à jour de la base de connaissances et la surveillance du fonctionnement. Le code source et les droits d'utilisation sont régis par le contrat.

Plus de détails sur les pages [Chatbots et agents IA](https://www.mestersegesintelligenciakozpont.hu/fr/services/chatbots-agents-ia) et [Intégration d'IA](https://www.mestersegesintelligenciakozpont.hu/fr/services/integration-ia) ; l'article [Chatbot ou agent IA ?](https://www.mestersegesintelligenciakozpont.hu/fr/base-de-connaissances/chatbot-ou-agent-ia) aide à décider s'il faut un chatbot ou un agent. Si vous envisagez un système qui répond à partir des documents de votre entreprise, écrivez-nous via les coordonnées indiquées sur la page [Contact](https://www.mestersegesintelligenciakozpont.hu/fr/contact).

## Sources

- [arXiv : Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
- [OpenAI : Vector embeddings](https://developers.openai.com/api/docs/guides/embeddings)
- [OpenAI : Retrieval](https://developers.openai.com/api/docs/guides/retrieval)
- [OpenAI : File search](https://developers.openai.com/api/docs/guides/tools-file-search)
- [OpenAI : Data controls in the OpenAI platform](https://developers.openai.com/api/docs/guides/your-data)
- [OpenAI : Optimizing LLM Accuracy](https://developers.openai.com/api/docs/guides/optimizing-llm-accuracy)
- [OpenAI : Evaluation best practices](https://developers.openai.com/api/docs/guides/evaluation-best-practices)
- [Anthropic : Embeddings](https://platform.claude.com/docs/en/build-with-claude/embeddings)
- [Anthropic : Multilingual support](https://platform.claude.com/docs/en/build-with-claude/multilingual-support)
- [Anthropic : Citations](https://platform.claude.com/docs/en/build-with-claude/citations)
- [Anthropic : Reduce hallucinations](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
- [Anthropic : Contextual Retrieval](https://www.anthropic.com/engineering/contextual-retrieval)
- [Google : Gemini API, Embeddings](https://ai.google.dev/gemini-api/docs/embeddings)
- [EUR-Lex : règlement (UE) 2016/679 (règlement général sur la protection des données, RGPD)](https://eur-lex.europa.eu/legal-content/FR/TXT/?uri=CELEX:32016R0679)