Outil RAG sur corpus privé : cadrer le projet

Un outil RAG lit un corpus qui vous appartient et répond en citant ses sources. Cadrer un projet RAG, c'est trancher avant de concevoir : d'où vient le corpus, dans quelles langues il est, ce que l'enjeu justifie d'y mettre. Les six questions qui décident s'il existe un projet, les quatre défauts silencieux d'un pipeline RAG sur corpus de courriels, et la façon de mesurer la qualité plutôt que de la promettre. Méthode tirée d'un projet réel, anonymisée.

RAG sur corpus privé Corpus réel : ~100 000 courriels bilingues Pipeline : déquotation, index, récupération, sourcing 6 questions · 4 défauts silencieux
Mis à jour le 22 septembre 2026 31 min de lecture
De quoi on parle exactement

Ce qu'est un outil RAG, et ce que celui-ci n'est pas

Un outil RAG (retrieval augmented generation, génération augmentée par récupération) ne répond pas de mémoire. Il va d'abord chercher dans un corpus les passages qui concernent la question, puis ne fait rédiger la réponse qu'à partir de ces passages, en indiquant lesquels. La différence avec un assistant généraliste tient en une phrase : un RAG ne peut répondre que ce que le corpus contient, et il montre d'où il le tient.

D'où son intérêt sur un corpus privé, et d'où ses contraintes. Un projet RAG n'est pas un projet de modèle : la qualité se joue presque entièrement avant l'appel au modèle de langage, dans la préparation du corpus, le découpage, l'index et la récupération. C'est la raison pour laquelle les quatre défauts décrits en phase 05 ne produisent jamais de message d'erreur, et coûtent pourtant le dossier.

Cette fiche est tirée d'un projet RAG réel, anonymisé : recherche sur un corpus privé d'environ 100 000 courriels bilingues et de documents numérisés, pour un particulier en litige établi dans un autre État membre. Elle vaut pour tout corpus documentaire privé qu'on veut rendre interrogeable : archives de messagerie, dossiers clients, documentation technique, historique de marchés.

Hors périmètre. Un RAG sur corpus public, et un produit RAG multi-clients : dans ces deux cas la question de la provenance ne se pose pas de la même manière, et toute la phase 01 tombe.

Réserve
Les ordres de grandeur sont ceux constatés en septembre 2026 et sont à revérifier avant tout usage. Les points de droit sont signalés pour être posés à un professionnel de l'État concerné, jamais pour être repris tels quels.
01

Qualifier avant de concevoir

Quand : avant d'écrire la moindre ligne de périmètre.

Six questions, dans cet ordre. Les trois premières décident s'il existe un projet ; les trois suivantes décident de son coût. Compter une conversation de trente minutes, pas un questionnaire.

Question 1 · D'où vient le corpus, et qui l'a sorti ?

C'est la seule question qui peut annuler le projet, et c'est aussi celle qui expose le prestataire. Un corpus volumineux détenu par un particulier provient presque toujours d'un contexte professionnel : dirigeant, associé, cadre. Trois configurations, de la plus saine à la plus dangereuse. Il était destinataire ou expéditeur de l'essentiel du volume, et le sujet est clos. Une règle de transfert automatique a copié sa messagerie professionnelle vers une adresse personnelle, et la question se déplace sur ce que cette règle a capturé d'autre. Ou l'export a été réalisé après la rupture, et là on sort de la protection des données pour entrer dans le pénal.

Distinguer l'accès de fait du droit d'accès. Beaucoup de prospects répondent « j'ai accès » en pensant répondre à la question. Un mot de passe encore valable, une session ouverte, un alias jamais désactivé après un départ : l'accès survit au droit, et plusieurs droits nationaux incriminent explicitement le fait de se maintenir dans un système au-delà de l'autorisation.

Ce qu'on en fait. La réaction compte plus que la réponse : une hésitation est un signal d'arrêt. Si la réponse est satisfaisante, recommander immédiatement un constat d'huissier sur l'état de la boîte et sur l'opération d'export. Cette recommandation vaut indépendamment du projet : un accès dont on dispose aujourd'hui se ferme parfois du jour au lendemain, et le corpus disparaît avec lui. Le conseil ne coûte rien et il installe une posture.

Question 2 · Quel est l'enjeu chiffré, et quelle est la prochaine échéance ?

L'enjeu calibre le budget acceptable, l'échéance calibre le planning, et c'est souvent l'échéance qui commande. Une écriture due dans six semaines interdit un périmètre de trois mois, quel que soit le budget disponible : il faut alors vendre un sous-ensemble utile plutôt qu'un projet complet qui arrivera trop tard.

Seuils opérationnels observés. Sous 200 000 € d'enjeu, un développement sur mesure est disproportionné et il vaut mieux réorienter : le conseil se retournera contre le prestataire, y compris dans la bouche du conseil du client. Entre 200 000 et 500 000 €, vendre un périmètre réduit et s'y tenir. Au-delà, le périmètre complet se défend.

Question 3 · Quelle enveloppe existe, en plus des autres frais déjà engagés ?

À poser en dernier des trois, après avoir installé l'enjeu et la trajectoire par étapes. Posée en premier, elle ferme la conversation ; posée après, elle la structure. La formulation compte : « en plus des autres frais » oblige le prospect à raisonner sur un budget résiduel réel plutôt que sur une intention.

Règle
Ne jamais baisser un prix avant d'avoir obtenu cette réponse. Une baisse consentie sans information n'achète rien, détruit la marge et ancre définitivement la valeur du travail. Si l'enveloppe qualifiée est inférieure au périmètre, la réponse n'est pas de faire le même travail moins cher, c'est de vendre un objet plus petit et complet.

Question 4 · Dans quelle ou quelles langues est le corpus ?

Question la plus structurante techniquement, et la plus souvent oubliée parce qu'elle n'a pas l'air technique. Un corpus bilingue ne rajoute pas un module : il rouvre huit étapes sur dix du pipeline. Sur le dossier de référence, la découverte tardive du bilinguisme a fait passer une estimation de 49 à 110 jours, soit un facteur 2,2.

Penser aussi aux corpus mixtes par message : un fil où un correspondant écrit dans une langue et l'autre répond dans une autre, des signatures et pieds de page bilingues, de l'alternance à l'intérieur d'un même message. C'est la norme dans certaines régions, et cela interdit toute stratégie de routage par message.

Question 5 · Où se trouve physiquement le corpus aujourd'hui ?

Boîte vivante, export figé, archive morte ? La réponse conditionne plusieurs jours d'ingestion et elle recoupe la question 1. Trois vérifications matérielles à faire au même moment.

Le fournisseur. Les outils d'export diffèrent radicalement : certains proposent un export intégral en un clic, d'autres n'offrent rien et imposent un client de messagerie configuré en IMAP. La notion d'étiquette n'existe pas partout, celle de dossier si. Et les identifiants d'application révocables indépendamment du mot de passe principal ne sont pas universels : sans eux, il faudrait que le client confie son mot de passe principal, ce qui n'est acceptable ni pour lui ni pour le prestataire.

La taille réelle. Une information que le prospect obtient en trente secondes et qui dit si l'export tient en une opération ou plusieurs. Cent mille courriels avec pièces jointes pèsent couramment 10 à 25 Go, ce qui est incompatible avec certains quotas grand public. Une incohérence entre le volume annoncé et l'hébergement déclaré signifie que le corpus est ailleurs que là où on le croit.

Le propriétaire du domaine. Si la messagerie appartient à un espace d'entreprise, connecter une application tierce exige un consentement administrateur, qui sera le plus souvent refusé par défaut et qui surtout alerte l'administrateur. Dans un contentieux, c'est alerter la partie adverse et provoquer la fermeture de l'accès. À ne tenter sous aucun prétexte sans avoir vérifié à qui appartient le domaine.

Question 6 · Combien d'utilisateurs, et qui lit les résultats ?

Un utilisateur unique travaillant sur ses propres données supprime les rôles, la gestion d'accès multiples, une part de la journalisation et une bonne moitié de l'appareil de conformité. Sur le dossier de référence, cette seule réponse a retiré environ un jour du lot juridique.

Attention toutefois : « c'est pour moi seul » est exact au moment où c'est dit et le reste rarement. Le jour où un résultat est montré à un tiers, l'outil sort de l'usage strictement personnel. Ce n'est pas un problème, mais il ne faut pas l'écrire comme une limite absolue dans les conditions générales.

Phase
Tant que les questions 1, 2 et 3 sont sans réponse, tout chiffre posé est un chiffre inventé, et l'expérience montre qu'il est systématiquement trop bas.
02

Calibrer le prix sur ses propres références

Quand : une fois les questions 1 à 3 répondues, avant d'annoncer le moindre montant.

Avant d'inventer un chiffrage, chercher dans ses propres projets celui qui ressemble le plus et s'y adosser. C'est plus fiable qu'une estimation ex nihilo, et c'est surtout défendable.

Inventorier ce qui se transpose réellement

D'un projet RAG à l'autre, certaines briques se transposent d'un dossier à l'autre presque sans modification : l'extraction de texte des formats bureautiques, la lecture optique, les garde-fous de minimisation, l'appel au modèle de langage, l'ossature de l'interface web. Ce qui ne se transpose jamais, c'est le domaine métier : le schéma de données et les pondérations de classement sont à refaire à chaque fois.

Sur le projet de référence, un projet antérieur comptait environ 3 300 lignes, dont 50 à 60 % transposaient. Le reste était spécifique. Cet inventaire prend une heure et il change l'ordre de grandeur du devis.

Reprendre le ratio, pas le prix

Ce qu'on réutilise d'un projet antérieur, ce n'est pas son montant mais son taux journalier implicite. Exemple travaillé à partir du projet de référence.

Projet antérieur comparableChargePrixTaux implicite
Preuve de concept5 à 8 j1 500 à 2 500 €300 à 310 €/j
Solution de production19 à 31 j9 000 à 18 000 €470 à 580 €/j
Run mensuels. o.190 à 550 €s. o.

Appliqué au nouveau dossier : une enveloppe de 4 500 € correspond à 8 à 11 jours au même taux. Ce n'est donc pas une remise, c'est un périmètre plus petit au même tarif. La distinction est essentielle, parce qu'une remise en appelle une autre alors qu'un périmètre se défend.

Écrire la réutilisation dans le devis

Une phrase suffit, et elle doit figurer dans l'objet, avant le tableau de prix : le prix et le délai tiennent à ce que l'outil s'appuie sur un socle déjà développé et éprouvé, le travail portant sur son adaptation et non sur une construction depuis zéro.

Sans cette phrase, un prix bas se lit de deux manières, toutes deux mauvaises : du travail bâclé, ou une remise qui invite à en demander une seconde. Avec elle, c'est un avantage industriel que le prestataire fait valoir, et c'est vrai.

Cohérence

Si le client demande une technologie différente de celle du socle, le socle ne s'applique plus et le prix doit remonter. Poser la question avant de promettre le prix, jamais après.

La sortie praticable, lorsque le client tient à une technologie pour des raisons de maintenance : garder le socle pour le moteur documentaire, et employer la technologie demandée pour l'application web qui l'entoure. Les deux communiquent par une interface HTTP interne. Cela préserve la réutilisation là où elle a de la valeur, c'est-à-dire dans l'extraction et la recherche, et donne au client la pile qu'il saura reprendre.

03

Ancrer la valeur sur des heures, pas sur un logiciel

Quand : dès que le prospect compare le devis à un abonnement mensuel.

Tant que le prospect compare à un abonnement mensuel, tout chiffre à quatre ou cinq chiffres paraît absurde, et il a raison dans son référentiel. Dès qu'il compare au coût de faire autrement, le rapport s'inverse complètement. Tout le travail commercial consiste à changer l'unité de comparaison.

Le calcul à poser devant lui

La cadence de référence du secteur de la revue documentaire est de 50 documents par heure, et cette cadence est explicitement qualifiée de rapide dans les enquêtes professionnelles. Pour un tri binaire, pertinent ou non. Pour une extraction de faits, ce qui est le besoin réel, on tombe à 25 ou 30 par heure.

Cent mille documents à 50 par heure représentent donc 2 000 heures, soit environ quatorze mois d'une personne à temps plein. Ce chiffre-là est celui qui frappe, bien plus qu'un prix.

Coût de faire autrement, pour 100 000 documentsTotalPar document
Relecture complète par un paralégal de revue76 à 95 k€0,86 €
Relecture complète par un juriste de revue110 à 138 k€1,24 €
Relecture complète par un avocat junior300 à 375 k€3,38 €
Droit d'entrée IA seul chez un acteur industriel≈ 42,5 k€0,43 €
Module d'occultation seul, en licence au document≈ 46 k€0,46 €

Trois usages de ces chiffres

Ramener au coût unitaire. Un devis de 40 000 € sur 100 000 documents fait 40 centimes par document, contre 1,14 € pour le premier passage humain le moins cher. L'unité par document est celle qui parle, parce qu'elle neutralise l'effet de masse du montant global.

Préférer les tarifs vérifiables. Chercher des bordereaux de prix publics : marchés publics, catalogues de prestataires déposés, enquêtes sectorielles avec méthodologie publiée. Un tarif que le client peut aller vérifier lui-même vaut infiniment mieux qu'un argumentaire, et il résiste à la contradiction. Éviter les agrégateurs de prix non datés, qui portent tous les marqueurs du contenu généré pour le référencement.

Renvoyer vers un tiers crédible. La formulation la plus efficace consiste à ne pas se faire croire : suggérer au prospect de demander à son propre conseil un devis écrit pour la même mission. Soit il refusera, soit il la chiffrera très au-dessus. Ce devis-là convainc mieux que n'importe quel argumentaire, parce qu'il vient de quelqu'un que le prospect croit déjà.

Jamais
Ne jamais formuler le comparatif en « remplacer un avocat » ou « remplacer un juriste ». Toujours en heures de lecture et de classement remplacées. C'est commercialement supérieur, parce que le conseil du client devient prescripteur au lieu d'être concurrent, et c'est lui qui validera le budget auprès de son client.
04

Vérifier le cadre juridique, jamais le supposer

Quand : avant tout engagement écrit, et intégralement à refaire à chaque changement d'État.

Le socle européen de protection des données ne bouge pas d'un État à l'autre, puisque c'est un règlement. Tout le reste bouge : loi de transposition, autorité de contrôle, code pénal, droit de la consommation, professions réglementées, régime de la preuve, fiscalité.

Les six couches à reprendre une par une

  1. La loi nationale de protection des données. Chercher spécifiquement les dérogations qui autorisent une personne physique à traiter des données sensibles ou relatives à des infractions pour la défense d'un droit en justice. Elles existent presque partout, mais leur rédaction varie et cette variation décide si le prestataire peut s'en prévaloir ou seulement son client.
  2. Les dispositions qui visent nommément le sous-traitant. Certains droits nationaux font peser des obligations documentaires, voire une responsabilité pénale, sur le prestataire technique lui-même et pas seulement sur le responsable de traitement. C'est le point le plus souvent manqué, parce qu'on lit le règlement européen et qu'on s'arrête là.
  3. Le code pénal. Accès non autorisé à un système, recel de données, violation du secret des communications. Vérifier en particulier s'il existe une incrimination du fait de faire un usage quelconque de données obtenues irrégulièrement : héberger, indexer, vectoriser et interroger sont des usages. Vérifier également la provocation, souvent punie plus sévèrement que le recel : c'est le texte qui frapperait le prestataire demandant au client d'aller chercher des pièces complémentaires, ce que fait naturellement tout projet itératif.
  4. Le droit de la consommation. Vérifier la validité du plafond de responsabilité. Il tombe presque partout face à un consommateur, et dans certains États également face à un professionnel, ce qui ruine la stratégie consistant à contracter avec un intermédiaire pour retrouver un plafond opposable. Vérifier aussi le plafonnement des clauses pénales de retard et les délais de paiement maximaux.
  5. Le délai de rétractation. Quatorze jours pour un contrat à distance, prolongés de douze mois à défaut d'information correcte. Une rétractation devient alors possible après livraison complète. C'est le risque financier maximal du dossier, et il se neutralise par une demande expresse écrite de démarrage anticipé assortie de la reconnaissance de la perte du droit, soit une case à cocher dans le devis.
  6. La fiscalité transfrontalière. Une franchise nationale ne protège pas d'une taxe due dans un autre État. Le développement sur mesure et l'abonnement hébergé ne suivent pas la même règle de territorialité, et les seuils qui déclenchent la bascule ont été réformés récemment dans plusieurs États.

Le protocole de vérification, et pourquoi il n'est pas facultatif

Sur le dossier de référence, une recherche documentaire menée en une seule passe a produit des références fausses en quantité industrielle. Les chiffres, relevés par une seconde passe de contrôle adversarial menée contre les sources primaires :

VoletErreurs relevées
Protection des données et procédure35 citations
Conception technique41 affirmations
Fiscalité21 chiffres

Le mode de défaillance dominant n'est pas la citation inventée. C'est la citation exacte mais amputée de sa réserve liminaire, du type « sous réserve de l'application de dispositions contraires dans les traités internationaux », qui la rend beaucoup plus forte qu'elle n'est. Une citation tronquée passe tous les contrôles de plausibilité et se retourne devant un contradicteur.

Viennent ensuite, par fréquence décroissante : les montants d'amende périmés par une loi récente, les seuils fiscaux réformés puis suspendus puis rétablis, les codes renumérotés, les décisions de justice dont le dispositif est inversé dans la restitution, et les dates d'adoption approximatives.

Protocole
Une passe de recherche, puis une passe de contrôle menée contre les sources primaires, avec pour consigne explicite de chercher l'erreur et non de valider. Puis validation par un professionnel de l'État concerné avant tout engagement. Graduer chaque affirmation en certain, probable ou incertain, et faire figurer ces mentions dans la note interne.
05

Concevoir le pipeline RAG : les défauts silencieux

Quand : à la conception du pipeline RAG, et à relire avant chaque recette.

Un pipeline RAG sur corpus de courriels enchaîne toujours les mêmes étapes : ingestion, nettoyage, découpage, index, récupération des passages, puis génération de la réponse à partir des seuls passages récupérés. Les quatre défauts ci-dessous naissent tous dans la moitié gauche de cette chaîne, celle dont on parle le moins.

Sur un corpus de courriels, ce qui casse bruyamment se répare vite. Ce qui produit un résultat plausible et faux coûte le dossier, parce que personne ne le voit avant l'audience.

Les quatre défauts qui ne s'annoncent pas

1 · Attribution

Le mécanisme. Les courriels contiennent leurs propres antécédents, recopiés en cascade à chaque réponse. Si la coupe de citation est manquée, le texte d'un message ancien se retrouve dans le segment d'un message récent, avec les métadonnées de ce dernier : un autre expéditeur, une autre date.

La conséquence. Le système produit une chronologie parfaitement sourcée et fausse. Chaque affirmation renvoie bien à un document, la présentation est irréprochable, et l'attribution est erronée. C'est le défaut le plus grave d'un RAG sur corpus de courriels, et rien ne le signale.

La parade. Stocker les bornes des passages cités plutôt que de les supprimer, dans une colonne dédiée, afin de pouvoir revenir en arrière si la coupe s'avère fausse. Et doubler la détection par motifs d'un filtre indépendant de la langue, par comparaison du corps avec celui des messages antérieurs du même fil.

2 · Rareté

Le mécanisme. Sur un corpus réel mesuré, 48,4 % des lignes et 46,7 des octets sont des lignes citées, et les lignes de quarante caractères ou plus apparaissent en moyenne 1,99 fois. Autrement dit, la moitié du volume est littéralement redondante. Chaque citation non retirée republie les mots du message cité dans un nouveau document.

La conséquence, contre-intuitive. Un message fondateur cité quarante fois voit sa fréquence documentaire passer de 1 à 41. Son poids lexical s'effondre. La pièce la plus importante du dossier devient la plus difficile à retrouver, exactement à l'inverse de ce qu'on cherche. S'y ajoute la saturation des premiers résultats : il faut s'attendre à trois à six copies quasi identiques dans un top dix.

La parade. Déquoter avant d'indexer, et dédupliquer sur l'empreinte du corps après déquotation, jamais sur l'empreinte du fichier.

3 · Motifs

Le mécanisme. Des expressions régulières reprises d'un projet mené dans un autre État ne produisent aucune erreur : elles ne correspondent simplement jamais. La couche a l'air riche, elle passe la revue de conception, et son rappel réel est nul. C'est le défaut le plus dangereux parce qu'il est invisible par construction.

Le même piège, une fois corrigé. Les numérotations administratives évoluent. Sur le dossier de référence, la série des numéros d'entreprise commençant par zéro est épuisée depuis septembre 2023 et les nouveaux commencent par un autre chiffre : un motif écrit sur l'ancienne série rate silencieusement toutes les entités récentes, c'est-à-dire souvent les plus pertinentes dans un litige en cours.

La parade. Valider chaque candidat par sa clé de contrôle au moyen d'une bibliothèque dédiée et maintenue, jamais par du code maison. Conditionner tout motif dépourvu de clé à la présence d'un mot déclencheur, dans chacune des langues du corpus. Et se méfier des collisions : plusieurs identifiants nationaux partagent la même longueur et la même clé, donc ils sont indiscernables hors contexte.

4 · Moyenne

Le mécanisme. Les outils de traitement du langage sont inégalement performants selon les langues, et les langues moins dotées sont systématiquement moins bien servies. Un système à 90 % dans une langue et 55 % dans l'autre affiche une moyenne de 72 %, qui a l'air acceptable.

La conséquence. La moitié du corpus devient invisible, et le client ne s'en aperçoit pas : il obtient des résultats, ils sont pertinents, et la moitié du dossier n'a jamais été consultée.

La parade. Ne jamais publier de moyenne globale, ni en interne ni au client. Mesurer et présenter séparément par langue, et l'écrire au devis : c'est aussi une protection, puisqu'un résultat mesuré par langue est opposable.

L'ordre d'implantation, et pourquoi il n'est pas indifférent

Chaque étape rend la suivante mesurable. Le désordre coûte plus cher que la difficulté technique.

#ÉtapePourquoi à cette place
1Ingestion et reconstruction des filsRien n'est testable sans corpus. C'est aussi le poste le plus incertain dès lors qu'il n'existe pas dans le socle réutilisé : mieux vaut découvrir sa vraie charge au début qu'à la fin.
2Déquotation et déduplicationConditionne la taille de l'index et la qualité de tout le reste. Les défauts 1 et 2 ci-dessus naissent ici.
3Extraction et lecture optiqueLargement repris du socle, adaptation limitée aux packs de langue.
4Index et rechercheDépend de la propreté obtenue en 2.
5Jeu de questions de référence et mesureAvant d'affiner le classement, sinon on optimise à l'aveugle et on ne sait pas si l'on progresse.
6Réponses rédigées et sourcéesDépend de 4 et de 5.
7InterfaceEn dernier : elle se dessine beaucoup plus vite quand on sait ce que le moteur sait faire.
8Synchronisation automatiqueFonction de confort, indépendante du reste.

Deux décisions d'architecture qui se rejouent à chaque dossier

Le modèle de langage aux extrémités, jamais au milieu

Le modèle interprète la demande en amont et rédige la justification en aval. Entre les deux, le classement reste déterministe et décomposable critère par critère, avec des pondérations lisibles et ajustables en recette avec le client. C'est moins cher, plus rapide, et surtout explicable, ce qui vaut beaucoup dès qu'un contentieux est en jeu : on peut montrer pourquoi un document remonte, ce qu'une boîte noire ne permet pas.

Séparer la recherche de la rédaction

La recherche s'exécute entièrement en local, sur des modèles installés sur le serveur, et ne coûte rien. Seuls les dix à vingt extraits retenus pour une question donnée partent vers le modèle distant, soit une vingtaine de milliers de jetons. Cette séparation porte trois choses à la fois : la promesse de confidentialité, qui devient exacte et vérifiable ; le modèle de facturation, puisqu'on peut n'exécuter que ce qui coûte ; et l'occultation, qui redevient triviale puisqu'il ne s'agit plus d'occulter un corpus mais vingt extraits.

Si le corpus est bilingue

Ne router sur aucune langue. Exécuter toutes les chaînes sur tout le texte et prendre l'union des détections. La raison n'est pas la qualité mais le profil de panne : une erreur de routage laisse un bloc entier non traité sans produire le moindre signal. Et les zones les plus denses en données personnelles, signatures et pieds de page, sont précisément les segments les plus courts, donc ceux où la détection de langue est la plus faible.

La couche portante n'est pas un modèle, c'est le dictionnaire du dossier. Une table d'entités canoniques avec cinq à quinze formes de surface chacune, fournie par le client au démarrage. C'est la seule couche insensible au bilinguisme, là où les autres se dégradent. L'état de l'art public de la reconnaissance d'entités plafonne autour de 0,47 de F1 au niveau de l'empan et 0,72 de rappel sur documents juridiques : aucune couche modèle n'amène un dossier à 99 %, et il ne faut pas le promettre.

La composition attaque la recherche par termes. Dans les langues qui agglutinent, une recherche sur un mot simple ne retrouve pas le composé qui le contient. La décomposition résout le problème mais en crée un autre : elle détruit précisément les termes de procédure qu'on cherche, un mot désignant un juge se décomposant en deux mots courants sans rapport. Une liste d'exclusion du vocabulaire métier est donc à maintenir pendant toute la durée du dossier.

Rappels
  • Épingler l'algorithme de racinisation et stocker sa version par ligne. Plusieurs algorithmes coexistent pour une même langue et peuvent diverger sur près de 40 % du vocabulaire réel. Une montée de version du moteur de base de données corrompt alors l'index en silence, et aucune procédure de migration ne réindexe spontanément.
  • Recoller les lignes coupées avant toute expression régulière. Sur le corpus de référence, ce seul traitement fait passer le rappel de la déquotation de 63 à 92 % dans la langue la moins bien servie. Quelques lignes de code pour un tiers de rappel.
  • Vérifier la licence de tout modèle avant de l'intégrer. Plusieurs modèles de traduction et d'extraction très répandus sont publiés sous licence non commerciale, donc inutilisables sur une mission facturée. Le contrôle prend deux minutes et évite une réécriture.
06

Mesurer la qualité

Quand : avant d'affiner le classement, et non après.

Un moteur de recherche se mesure, contrairement à un générateur de synthèses. C'est un avantage commercial décisif : on ne promet pas une qualité, on la démontre sur les données du client.

Construire le jeu de référence

Vingt questions, choisies par le client. Pas par le prestataire, et pas des questions faciles : celles dont dépend réellement son dossier. Ce choix par le client est le cœur du dispositif, parce qu'il retire toute suspicion de démonstration préparée.

Réparties entre les langues lorsque le corpus est multilingue, avec un minimum de six par langue pour que le résultat ait un sens statistique. Et annotées : pour chaque question, le client ou le prestataire identifie à la main le ou les documents qui constituent la bonne réponse. Cette annotation manuelle représente quatre à six jours sur un jeu complet et elle n'est pas compressible : sans elle, aucune affirmation sur le rappel n'est défendable devant un contradicteur, et c'est précisément la question qu'il posera.

Le comparatif qui vend

Ne pas mesurer l'outil dans l'absolu, mais contre la recherche dont le client dispose déjà. Chaque question est posée deux fois, dans sa messagerie et dans l'outil, et les résultats sont présentés côte à côte. C'est le seul chiffre qui l'intéresse, et c'est la seule preuve qui justifie un prix sans avoir à le défendre.

IndicateurDéfinition opérationnelle
Taux de réussitePart des questions dont la bonne pièce apparaît dans les résultats, et à quel rang.
Résultat par langueLes deux chiffres précédents, donnés séparément. Jamais une moyenne.
Écart avec l'existantLa même question dans la messagerie du client. C'est l'indicateur décisif.
Recherche entre languesUne question posée dans une langue doit remonter les documents rédigés dans l'autre. Aucune recherche par mots-clés ne le fait, et c'est démontrable en dix minutes.
Résolution d'identitéUne requête sur une forme d'un nom doit remonter les documents qui n'emploient que l'autre forme. Vérifiable par une requête unique, montrable au client.
Au devis
Une mesure sur échantillon produit une borne, pas une garantie, et un rappel mesuré sur 5 000 documents ne se transpose pas mécaniquement à 100 000. Le devis porte sur un périmètre, jamais sur un taux garanti.
07

Structurer la facturation

Quand : à la rédaction du devis, et chaque fois que la facturation à l'acte revient sur la table.

La tentation de facturer à l'acte revient à chaque dossier, parce qu'elle paraît équitable. Elle se traite une fois pour toutes, par l'arithmétique.

Pourquoi la facturation à l'acte ne converge jamais

Le coût marginal réel d'une question sur un outil RAG est de l'ordre de cinq centimes : une vingtaine de milliers de jetons en entrée, un peu plus d'un millier en sortie. Sur un écart de trente mille euros à combler, il faudrait plusieurs dizaines de milliers de questions. Un utilisateur qui en pose cinq par jour pendant trois ans en pose environ cinq mille cinq cents. Le modèle ne converge pas.

À l'inverse, facturer au prix du marché oblige à défendre un coefficient de plusieurs dizaines sur un tarif d'API public que le client, ou son conseil, vérifie en cinq minutes. Dans les deux cas on perd, et le haut du marché l'a compris : les plateformes établies suppriment les frais de traitement, d'export et d'utilisateur pour les fondre dans un forfait.

Et le compteur sabote le produit. La valeur de l'outil croît avec le nombre de questions posées : un dossier se construit par itérations, par relances, par vérifications. Facturer la question, c'est facturer exactement le comportement que l'outil existe pour permettre, et le client hésitera à interroger son propre dossier au moment où il en a le plus besoin.

La structure qui tient

Si une part variable est malgré tout souhaitée, elle se construit ainsi.

  • Facturer une unité que le client comprend. La question, jamais le jeton. Un prix par question est un prix de service ; une refacturation de jetons est un coût majoré, et cela se voit.
  • Une part fixe explicitée. Décomposer ce qu'elle couvre par ce qu'elle apporte au client, chiffrement, sauvegardes testées, supervision, mises à jour, et non par ce qu'elle coûte au prestataire. Une ligne d'hébergement nue invite à la comparaison avec le premier serveur venu.
  • Un volume inclus et un plafond mensuel. Une clause de variation de prix non plafonnée face à un consommateur est, dans plusieurs États, réputée abusive. Un volume inclus et un plafond tiennent juridiquement et rassurent commercialement.
  • Ne jamais décompter ce qui ne coûte rien. Si la recherche s'exécute en local, l'écrire noir sur blanc. C'est ce qui autorise le client à fouiller son dossier sans calculer, et cela découle directement de la séparation architecturale de la phase 05.
  • Annoncer le coût total de possession dès le premier message. Prix de construction, puis coût de la première année, puis coût annuel courant. Le client le calculera de toute façon : autant le lui donner soi-même et passer pour quelqu'un qui ne cache rien.
Jamais au devis
  • Un taux journalier. Dès qu'il apparaît, la négociation se déplace sur le nombre de jours, terrain sur lequel le prestataire perd toujours face à un « vous n'avez pas besoin de cinq jours pour ça ».
  • Un montant hors taxes devant un particulier. Il ne récupère rien, donc seul le montant qu'il paie a un sens pour lui.
  • Une ligne d'assurance ou de responsabilité civile refacturée à part. Aucun artisan ne facture sa garantie séparément. C'est un coût de structure, et ce serait la première ligne attaquée.
  • Un engagement chiffré de performance. Voir la précaution de la phase 06.
  • Une réserve sur le prix. Face à un consommateur, la clause tombe et le prix reste : c'est le pire des deux mondes. Ce qui doit être conditionnel devient une condition de démarrage, qui s'exécute, et non une réserve sur le montant, qui se fait rayer.
Rattrapage
Si un prix a déjà été prononcé trop bas, n'essayez pas de remonter par paliers : un prix ne remonte jamais dans la tête d'un acheteur. Remettez les compteurs à zéro explicitement, avec un nouveau rendez-vous, un nouveau périmètre écrit et cette phrase, qui a le mérite d'être vraie : je retire le chiffre que je vous ai donné, il correspondait à une autre étape que celle dont nous parlons.
08

Produire les documents

Quand : une fois le périmètre arrêté, juste avant l'envoi.

Trois documents, trois audiences, et une erreur classique consistant à envoyer le mauvais au mauvais destinataire.

DocumentAudienceContenu et pièges
Note de cadrageInterne, jamais transmise Architecture, risques juridiques, provenance, chiffrage en jours, points à faire trancher. C'est le seul document où l'on écrit les doutes. Le marquer comme interne dans le document lui-même, parce qu'il circulera.
DevisLe client Un tableau de lignes avec référence, désignation, charge et montant, des totaux, puis les conditions en blocs courts. Vérifier que les lignes totalisent bien le total affiché et que les bornes de charge correspondent à la somme des bornes : une réécriture successive introduit ce genre d'écart sans prévenir.
Courriel d'envoiLe client Ce que c'est et ce que ce n'est pas, le coût total, une vérification gratuite proposée avant décision, le conseil qui vaut même sans suite, et ce qu'il faut pour démarrer. Jamais d'allusion écrite à la provenance des données ni au risque pénal : cela se traite oralement ou par son conseil.

Deux formulations qui font le plus de travail

« Si votre outil actuel vous suffit, je vous le dirai et nous en resterons là. » Elle coûte parfois la vente et elle en gagne davantage. Un prospect en difficulté a déjà été sollicité par assez de monde pour reconnaître quelqu'un qui n'essaie pas de lui vendre plus que nécessaire.

Le conseil qui vaut même sans suite. Placer dans le courriel une recommandation utile au prospect indépendamment du projet, et le dire explicitement. Sur le dossier de référence, c'était le constat d'huissier à faire établir sans attendre. Ce paragraphe, placé en dehors de l'argumentaire commercial, est ce qui distingue un prestataire d'un vendeur.

La partie la plus utile de cette fiche

Post-mortem du dossier de référence

Quatre fautes de méthode réellement commises, leur coût, et la règle qui en sort.

Avoir conçu sur le brief initial plutôt que sur le besoin réel

Le premier énoncé parlait d'occultation des données sensibles, de conseil juridique et de synthèses destinées à un tiers. Un périmètre complet a été construit sur cette base, avec l'appareil de conformité correspondant, pour aboutir à un chiffrage de l'ordre de 40 000 €.

Le besoin réel, apparu au fil des échanges, était un moteur de recherche personnel à 4 500 €. Un rapport de un à neuf, et plusieurs jours d'analyse consacrés à des questions qui ne se posaient pas, notamment un moteur d'occultation chiffré à vingt-deux jours qui a disparu intégralement le jour où il est apparu qu'aucune donnée ne sortirait du serveur.

Règle
Reformuler le besoin en une phrase, la soumettre au prospect, et attendre sa validation avant de chiffrer quoi que ce soit. Une reformulation validée coûte dix minutes et évite de concevoir un projet qui n'existe pas.

Ne pas avoir cherché le projet comparable dès le début

Un projet antérieur très proche existait sur le poste de travail, avec son code, son chiffrage documenté et son architecture. Il n'a été consulté qu'après de nombreux échanges, et uniquement parce que le vendeur l'a mentionné.

Deux conséquences. Son chiffrage donnait directement le bon ordre de grandeur, qui était trois à quatre fois inférieur à l'estimation en cours. Et son architecture était meilleure que celle proposée : modèle de langage cantonné aux extrémités, classement déterministe et décomposable, garde-fous de minimisation réglés en quelques dizaines de lignes là où un moteur complet avait été budgété.

Règle
Inventorier ses propres projets comparables avant la première estimation. Lire leur documentation de chiffrage et leur code avant de proposer une architecture.

Avoir argumenté contre l'intuition de prix du praticien

La première proposition de prix du vendeur a été contestée avec insistance, chiffres à l'appui, sur la base d'un périmètre surdimensionné. Elle était en réalité cohérente avec son propre référentiel, qu'il n'avait pas explicité et qui n'avait pas été demandé.

Coût : plusieurs allers-retours pour revenir à un montant proche du point de départ, et une argumentation développée contre une position juste.

Règle
Quand un praticien donne un prix sans hésiter, chercher d'abord sur quoi il s'adosse. Une intuition rapide s'appuie généralement sur une expérience non énoncée, et c'est cette expérience qu'il faut faire émettre avant de la contredire.

Avoir laissé la langue et l'emplacement du corpus sans réponse trop longtemps

Le bilinguisme, découvert tardivement, a doublé une estimation technique déjà écrite. L'emplacement réel du corpus n'est toujours pas établi à la fin du dossier, alors qu'il conditionne le format d'export, la faisabilité d'une synchronisation automatique et la nature des identifiants à confier.

Une adresse de contact chez un fournisseur grand public a par ailleurs révélé tardivement que toute une partie de la conception reposait sur des fonctions propres à un autre fournisseur, absentes de celui-là.

Règle
Ces deux questions rejoignent les six de la phase 01. Ce ne sont pas des détails d'implémentation à régler plus tard, ce sont des données de cadrage qui changent le prix.
À parcourir avant le rendez-vous, puis avant l'envoi

Aide-mémoire

Avant le premier rendez-vous

  • Inventorier les projets comparables déjà réalisés : code, chiffrage, architecture.
  • Préparer les six questions de la phase 01 et les chiffres d'ancrage de la phase 03.
  • Vérifier quel droit national s'applique et ne rien affirmer avant contrôle.

Avant d'écrire le devis

  • Les questions 1, 2 et 3 ont-elles reçu une réponse ? Sinon, ne pas chiffrer.
  • Le besoin a-t-il été reformulé en une phrase et validé par le prospect ?
  • La langue et l'emplacement du corpus sont-ils établis ?
  • Le taux journalier retenu correspond-il à celui d'un projet comparable réel ?

Avant d'envoyer

  • Les lignes du tableau totalisent-elles exactement le total affiché ?
  • Les bornes de charge correspondent-elles à la somme des bornes de chaque ligne ?
  • Aucun taux journalier, aucun montant hors taxes devant un particulier, aucune réserve sur le prix, aucun engagement de performance ?
  • Le délai de rétractation est-il traité avec la demande expresse de démarrage ?
  • Le coût total de possession sur un an figure-t-il dans le courriel ?
  • La note interne est-elle bien restée interne ?
Vous êtes bloqué sur une de ces étapes ?

Je peux la jouer pour vous

Cette procédure est publiée telle qu'elle est appliquée en intervention réelle. Si vous préférez la déléguer, ou si votre cas sort du cadre décrit ici, écrivez-moi : je reprends la migration de bout en bout, boîtes et postes compris.

Décrire mon cas  ·  Les autres procédures

Parlons-en

Une migration ou une reprise technique à faire ?

Décrivez votre situation, je vous dis ce qui est faisable, en combien de temps et à quel prix.

Réponse sous 48h · Premier rendez-vous gratuit · contact@julienchretien.com