Chercher dans vos documents d'entreprise, et trouver la réponse

Combien coûte vraiment une recherche d'information ?

Dans la plupart des entreprises, retrouver une information connue suit toujours le même chemin. On cherche dans l'espace documentaire. On ne trouve pas. On demande à un collègue. Il ne sait plus où c'est. On finit par reconstituer la réponse, ou par décider sans elle.

Le problème n'est pas que l'information manque. C'est qu'elle est répartie entre un espace partagé, une messagerie, un outil métier et le disque de quelqu'un, et qu'aucun de ces endroits ne sait ce que les autres contiennent. Une gestion électronique de documents (GED) range mieux, mais elle ne répond toujours pas.

Poser la question, pas les mots-clés

Omniscient prend la question telle qu'on la poserait à un collègue. En français, en une phrase, sans syntaxe particulière.

L'assistant lit la question, décide où chercher, interroge le graphe et les documents, puis rédige la réponse. Cinq stratégies de recherche existent, du ciblage d'une entité précise à la vue d'ensemble d'un domaine. Elles sont choisies automatiquement selon ce que la question demande, sans que le lecteur ait à savoir laquelle convient.

La réponse s'écrit au fil de l'eau, et les étapes de recherche s'affichent en direct. On voit ce qui a été consulté avant d'arriver au résultat.

Comment fonctionne la recherche sémantique ici ?

Chercher par mots-clés suppose d'employer les mots du document. Or personne ne les connaît à l'avance, et le vocabulaire maison varie d'un service à l'autre.

La recherche sémantique lève cette contrainte. Chaque passage de document est converti en une représentation numérique de son sens, appelée vecteur, et la question subit le même traitement. Retrouver devient alors une affaire de proximité de sens plutôt que de coïncidence de mots : une question sur les « pénalités de retard » ramène un paragraphe qui parle d'« indemnités en cas de dépassement du délai », sans qu'aucun mot ne soit commun.

Cette recherche vectorielle a une limite nette, et il vaut mieux la connaître : elle retrouve ce qui ressemble, pas ce qui se déduit. Une question qui suppose de compter, de croiser deux listes ou de suivre une chaîne de responsabilités n'a de réponse dans aucun passage. C'est là que le graphe de connaissances prend le relais.

Une réponse se vérifie, elle ne se croit pas

C'est le point sur lequel tout se joue.

Chaque affirmation de la réponse renvoie au document qui la justifie. La citation est cliquable : elle ouvre la fiche de l'entité concernée ou le document d'origine, à l'endroit utile.

La conséquence pratique est simple. Une réponse dont on doute se contrôle en quelques secondes, au lieu d'être écartée par prudence. C'est ce qui décide de l'adoption réelle d'un outil de ce genre, bien plus que la qualité de la rédaction.

Ce que ce mécanisme empêche au juste, et ce qu'il reste à surveiller malgré lui, occupe une page entière : éviter les hallucinations.

Ce qu'un moteur documentaire ne peut pas faire

Certaines questions n'ont de réponse dans aucun document pris isolément.

Quels fournisseurs interviennent sur plus d'un site, et lesquels sont couverts par un contrat arrivé à échéance ?

Cette réponse suppose de croiser une liste de fournisseurs, des interventions et des dates de contrat. Trois sources, trois formats.

Omniscient y répond parce qu'il ne cherche pas seulement dans les documents, mais dans le graphe de connaissances qui en a été tiré. Les objets y sont reliés, donc le croisement est un parcours et non une recherche.

Les droits d'abord, la recherche ensuite

Une plateforme qui lit tout le patrimoine documentaire d'une entreprise ne vaut rien si elle ignore les règles d'accès existantes. C'est la première objection qui vient, et elle est fondée.

Le filtrage s'applique pendant la recherche, pas après. Une réponse ne peut pas s'appuyer sur un document interdit à son lecteur, parce que ce document n'entre jamais dans le périmètre consulté. Deux personnes qui posent la même question peuvent donc recevoir deux réponses différentes, chacune fondée sur ce qu'elle a le droit de lire.

Les règles se posent par rôle et par objet, sur les entités, les relations et les documents. Ce que ce moment du filtrage change, et ce qui reste comme trace, est détaillé sur la page sécurité et contrôle des accès. Cinq rôles existent par défaut, et des rôles sur mesure se définissent par ressource et par action.

Que sait lire la plateforme ?

Les sources se connectent sans développement, et les documents bureautiques sont traités en profondeur.

Les fichiers volumineux sont lus en flux, ce qui évite de saturer la machine sur un tableur de plusieurs centaines de mégaoctets.

Combien ça coûte en jetons, et comment le savoir ?

Une question posée à un modèle de langage a un coût. Sur un usage quotidien par plusieurs dizaines de personnes, ce coût cesse d'être négligeable.

La plateforme le compte. Chaque traitement laisse une trace : ce qui a tourné, combien de jetons ont été consommés, pour quel montant. Les jetons de génération et les vectorisations sont comptés séparément, par traitement et par période.

La console d'audit de l'assistant ajoute le reste : volume de questions, durées, décisions d'aiguillage, notes attribuées aux réponses. La facture d'intelligence artificielle cesse d'être une surprise de fin de mois.

Par où commencer

Une démonstration utile se prépare sur vos propres documents et sur une question que vous vous posez réellement. C'est le seul moyen de juger, parce qu'une démonstration sur des données de catalogue ne dit rien de ce que donnera la vôtre.

Si vos documents ne peuvent pas quitter votre réseau, la page IA souveraine décrit les trois modes d'installation, dont celui qui tourne entièrement chez vous.

Décrivez-nous ce que vous cherchez à obtenir, nous vous montrons le chemin jusqu'à la réponse.