Outil RAG sur corpus privé : cadrer le projet

Un outil RAG lit un corpus qui vous appartient et répond en citant ses sources. Avant de faire chiffrer le vôtre, six réponses décident s'il y a un projet et ce qu'il coûtera, à commencer par la provenance du corpus, qui peut l'annuler à elle seule. Ce qui fait le prix, les quatre défauts d'un pipeline RAG que rien ne signale, la preuve de qualité à exiger et ce qui doit vous alerter dans un devis. Écrit à partir d'un projet réel, anonymisé.

RAG sur corpus privé Corpus réel : ~100 000 courriels bilingues Pipeline : déquotation, index, récupération, sourcing 6 questions · 4 défauts silencieux
Mis à jour le 21 octobre 2026 32 min de lecture
De quoi on parle exactement

Ce qu'est un outil RAG, et à qui cette page s'adresse

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 faussent pourtant tout le reste.

Cette page est écrite pour vous si vous détenez un corpus documentaire et que vous voulez le rendre interrogeable : archives de messagerie, dossiers clients, documentation technique, historique de marchés. Que vous fassiez développer l'outil ou que vous le construisiez vous-même, les décisions à prendre sont les mêmes, et ce sont elles qui coûtent cher quand elles arrivent trop tard.

Elle s'appuie sur un projet 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. Les ordres de grandeur cités viennent de là.

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. Les points de droit sont signalés pour être posés à un professionnel de l'État concerné, jamais pour être repris tels quels.
01

Les six questions qui décident de votre projet

Quand : avant de demander un devis à qui que ce soit.

Six questions, dans cet ordre. Les trois premières décident s'il y a un projet ; les trois suivantes décident de ce qu'il coûtera. Comptez une demi-heure de réflexion, pas un formulaire. Tant qu'elles n'ont pas de réponse, tout chiffre annoncé, par vous comme par un prestataire, est inventé.

Question 1 · D'où vient le corpus, et avez-vous le droit de l'exploiter ?

C'est la seule question qui peut annuler le projet, et c'est vous qu'elle expose en premier. Un corpus volumineux détenu par une personne physique vient presque toujours d'un contexte professionnel. Trois situations, de la plus saine à la plus dangereuse. Vous étiez destinataire ou expéditeur de l'essentiel du volume, et le sujet est clos. Une règle de transfert automatique a recopié une messagerie professionnelle vers une adresse personnelle, et la question devient : qu'a-t-elle capturé d'autre. Ou l'export a été fait après la rupture, et là on quitte la protection des données pour le pénal.

Ne confondez pas l'accès de fait et le droit d'accès. C'est l'erreur la plus fréquente, et elle est de bonne foi. Un mot de passe encore valable, une session restée ouverte, un alias jamais désactivé après un départ : l'accès survit souvent au droit, et plusieurs droits nationaux punissent explicitement le fait de se maintenir dans un système au-delà de l'autorisation. Pouvoir ouvrir la boîte ne prouve rien.

Ce qu'il faut faire tout de suite. Si la réponse est nette, faites établir un constat d'huissier sur l'état de la boîte et sur l'opération d'export, avant de lancer quoi que ce soit. Ce conseil vaut indépendamment du projet : un accès dont vous disposez aujourd'hui peut se fermer du jour au lendemain, et le corpus disparaît avec lui. Si la réponse n'est pas nette, parlez-en à votre conseil avant d'en parler à un prestataire.

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

L'enjeu dit ce que le projet mérite, l'échéance dit ce qui est faisable, et c'est souvent l'échéance qui commande. Une échéance à six semaines interdit un périmètre de trois mois, quel que soit votre budget : mieux vaut alors un sous-ensemble utile et livré qu'un projet complet qui arrivera après.

Ordres de grandeur observés. Sous 200 000 € d'enjeu, un développement sur mesure est disproportionné, et un prestataire sérieux vous le dira plutôt que de vous le vendre. Entre 200 000 et 500 000 €, un périmètre réduit se tient. Au-delà, le périmètre complet se défend. Ces seuils ne sont pas des règles, ce sont des repères pour savoir si vous êtes dans le bon ordre de grandeur avant d'engager des frais d'étude.

Question 3 · Quelle enveloppe pouvez-vous y consacrer, en plus de vos autres frais ?

Beaucoup de gens refusent de donner un budget, par crainte qu'on s'y aligne. C'est compréhensible et c'est contre-productif. À enveloppe inconnue, on vous propose un périmètre complet que vous refuserez, puis on le rabote ligne à ligne, et vous obtenez un projet amputé au lieu d'un projet plus petit mais cohérent.

La formulation qui aide : « en plus des autres frais déjà engagés ». Dans un contentieux, un déménagement de système ou une reprise d'historique, les frais annexes existent déjà, et c'est le budget résiduel réel qui décide, pas une intention.

Ce que ça change
Un prestataire qui connaît votre enveloppe peut vous vendre un objet plus petit et complet plutôt que le même travail à prix cassé. La différence est énorme à l'usage : un périmètre réduit fonctionne de bout en bout, un projet rogné s'arrête au milieu du pipeline et ne sert à rien.

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

C'est la question la plus structurante techniquement, et la plus souvent oubliée parce qu'elle n'a pas l'air technique. Un corpus bilingue n'ajoute pas un module : il rouvre huit étapes sur dix du pipeline. Sur le projet de référence, le bilinguisme découvert tardivement a fait passer une estimation de 49 à 110 jours, soit un facteur 2,2.

Pensez aussi aux corpus mixtes à l'intérieur d'un même message : un fil où chacun écrit dans sa langue, des signatures et pieds de page bilingues, de l'alternance en cours de phrase. C'est la norme dans certaines régions, et cela interdit toute stratégie de traitement langue par langue.

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

Boîte vivante, export figé, archive morte ? La réponse pèse plusieurs jours d'ingestion et elle recoupe la question 1. Trois vérifications à faire en même temps, et vous pouvez les faire seul.

Le fournisseur. Les outils d'export diffèrent radicalement : certains proposent un export intégral en un clic, d'autres n'offrent rien et imposent de passer par un logiciel de messagerie en IMAP. La notion d'étiquette n'existe pas partout, celle de dossier si. Et les mots de passe d'application, révocables indépendamment du mot de passe principal, ne sont pas universels : sans eux, il faudrait confier votre mot de passe principal, ce que vous ne devez pas faire et qu'un prestataire sérieux ne vous demandera pas.

La taille réelle. Vous l'obtenez en trente secondes, et elle dit si l'export tient en une opération ou plusieurs. Cent mille courriels avec pièces jointes pèsent couramment 10 à 25 Go, ce qui dépasse certains quotas grand public. Si le volume annoncé et l'hébergement déclaré ne collent pas, c'est que le corpus n'est pas là où vous le croyez.

Le propriétaire du nom de domaine. Si la messagerie dépend d'un espace d'entreprise, brancher une application tierce exige un consentement administrateur, qui sera le plus souvent refusé par défaut et qui surtout alerte l'administrateur. Dans un contentieux, cela revient à prévenir la partie adverse et à provoquer la fermeture de l'accès. Ne tentez rien avant d'avoir vérifié à qui appartient le domaine.

Question 6 · Combien de personnes utiliseront l'outil, et qui lit les résultats ?

Un utilisateur unique travaillant sur ses propres données supprime les rôles, la gestion d'accès multiples, une partie de la journalisation et une bonne moitié de l'appareil de conformité. Sur le projet de référence, cette seule réponse a retiré environ un jour de travail juridique. C'est donc une réponse qui vous fait économiser, à condition de la donner tôt.

Une nuance à garder en tête : « c'est pour moi seul » est vrai au moment où on le 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 en soi, mais cela ne doit pas être écrit comme une limite absolue dans le contrat, sinon c'est vous qui serez en tort.

Retenir
Tant que les questions 1, 2 et 3 n'ont pas de réponse, aucun chiffre n'a de sens. Et quand un chiffre est quand même avancé à ce stade, l'expérience montre qu'il est systématiquement trop bas, ce qui finit par se payer en cours de route.
02

Ce qui fait le prix d'un projet RAG

Quand : à la lecture du premier devis, pour savoir ce que vous payez.

Un projet RAG n'est pas écrit depuis zéro, et c'est une bonne nouvelle pour vous. Une partie du travail est la même d'un dossier à l'autre ; une autre ne se réutilise jamais. Savoir distinguer les deux vous dit si un prix est cohérent.

Ce qui se réutilise, et ce qui ne se réutilise jamais

Se transposent presque sans modification d'un projet à l'autre : l'extraction de texte des formats bureautiques, la lecture optique des documents numérisés, les garde-fous de minimisation des données, l'appel au modèle de langage, l'ossature de l'interface web.

Ne se transpose jamais : le domaine métier. Le schéma de données et les pondérations de classement sont à refaire à chaque fois, parce qu'ils encodent ce qui compte dans votre dossier. Sur le projet de référence, un projet antérieur comptait environ 3 300 lignes dont 50 à 60 % ont servi ; le reste était spécifique.

Les ordres de grandeur

Trois formats existent, et il est légitime de commencer par le plus petit.

FormatChargeCe qu'il vous donne
Preuve de concept5 à 8 joursUn moteur qui tourne sur un échantillon de votre corpus, mesuré, qui vous dit si la suite vaut la peine. C'est la dépense la plus rentable quand on hésite.
Outil de production19 à 31 joursLe pipeline complet des phases 05 et 06, interface comprise, sur l'intégralité du corpus.
Fonctionnement mensuelrécurrentHébergement, sauvegardes testées, supervision, mises à jour. Voir la phase 07 pour ce qu'il doit couvrir.

La charge varie surtout avec deux choses, et vous les connaissez déjà si vous avez répondu à la phase 01 : le nombre de langues et l'état du corpus à l'arrivée. Un corpus bilingue ou un export à reconstituer pèse davantage que le volume brut.

Un prix bas n'est pas forcément un travail bâclé

Si un devis vous paraît bas au regard de ce que vous imaginiez, posez la question plutôt que de conclure. La réponse légitime est : l'outil s'appuie sur un socle déjà développé et éprouvé, et le travail porte sur son adaptation. C'est vérifiable, demandez sur quel projet comparable il s'adosse.

À savoir
Si vous imposez une technologie différente de celle du socle de votre prestataire, le prix remonte, et c'est normal : la réutilisation ne s'applique plus. Posez la question avant de faire chiffrer, pas après. La sortie habituelle, quand vous tenez à une pile précise pour pouvoir reprendre la maintenance : garder le socle pour le moteur documentaire et employer votre technologie pour l'application web qui l'entoure, les deux communiquant par une interface interne. Vous gardez la réutilisation là où elle a de la valeur, et la pile que vos équipes savent reprendre.
03

À quoi comparer ce coût

Quand : avant de juger un devis cher ou bon marché.

Comparé à un abonnement logiciel mensuel, tout montant à quatre ou cinq chiffres paraît absurde. Comparé au coût de faire le même travail autrement, le rapport s'inverse. La seule comparaison qui a un sens est la seconde, parce que c'est le travail, lui, qui doit être fait dans les deux cas.

Le calcul à poser

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

Cent mille documents à 50 par heure, cela fait 2 000 heures, soit environ quatorze mois d'une personne à temps plein. Ce chiffre est plus parlant que n'importe quel prix.

Faire autrement, pour 100 000 documentsTotalPar document
Relecture complète par un paralégal de revue76 à 95 k€0,76 à 0,95 €
Relecture complète par un juriste de revue110 à 138 k€1,10 à 1,38 €
Relecture complète par un avocat junior300 à 375 k€3,00 à 3,75 €
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 €

Comment vous en servir

Ramenez au coût unitaire. Un devis de 40 000 € sur 100 000 documents, c'est 40 centimes par document, à comparer aux fourchettes ci-dessus. L'unité par document neutralise l'effet de masse du montant global, dans les deux sens : elle rend un gros devis lisible, et elle démasque un petit devis qui ne couvre qu'une partie du corpus.

Vérifiez les tarifs vous-même. Cherchez des bordereaux publics : marchés publics, catalogues de prestataires déposés, enquêtes sectorielles dont la méthodologie est publiée. Un tarif que vous avez vérifié vaut mieux que n'importe quel argumentaire, y compris celui de cette page. Méfiez-vous des comparateurs de prix non datés, qui portent tous les marqueurs du contenu produit pour le référencement.

Demandez un devis pour la même mission à votre conseil habituel. C'est le meilleur point de comparaison dont vous disposez, et il ne vient pas de la personne qui veut vous vendre l'outil.

Honnêteté
Ce comparatif ne dit pas qu'un outil RAG remplace un juriste ou un avocat. Il dit combien d'heures de lecture et de classement il retire, et c'est tout. L'analyse, la qualification juridique et la stratégie restent entières, et c'est précisément pour les libérer que l'outil existe.
04

Le cadre juridique, à vérifier et jamais à supposer

Quand : avant tout engagement écrit, et entièrement à refaire si vous changez 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. Si votre prestataire et vous n'êtes pas dans le même pays, ce qui suit vous concerne doublement.

Les six couches à faire reprendre une par une

  1. La loi nationale de protection des données. Cherchez 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 votre prestataire peut s'en prévaloir ou si vous seul le pouvez.
  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 et pas seulement sur vous. 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 correspondances. Vérifiez 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. Vérifiez aussi la provocation, souvent punie plus sévèrement que le recel : c'est le texte qui frapperait un prestataire vous demandant d'aller chercher des pièces complémentaires, ce que fait naturellement tout projet itératif.
  4. Le droit de la consommation. Si vous contractez comme particulier, le plafond de responsabilité du contrat tombe presque partout, et dans certains États également entre professionnels. Vérifiez aussi le plafonnement des pénalités de retard et les délais de paiement maximaux.
  5. Le délai de rétractation. Quatorze jours pour un contrat à distance, prolongés de douze mois si l'information n'a pas été donnée correctement, ce qui rend une rétractation possible après livraison complète. C'est votre protection, et c'est le risque financier maximal pour votre prestataire : il se neutralise par une demande expresse écrite de démarrage anticipé, assortie de la reconnaissance de la perte du droit. Concrètement, une case à cocher dans le devis. Lisez-la avant de la cocher.
  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 de bascule ont été réformés récemment dans plusieurs États. Faites préciser si les montants annoncés sont taxe comprise.

Pourquoi exiger une double vérification

Sur le projet 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 menée contre les sources primaires avec pour consigne de chercher l'erreur :

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 dispositions contraires dans les traités internationaux », ce qui la rend beaucoup plus forte qu'elle n'est. Une citation tronquée passe tous les contrôles de plausibilité et se retourne contre vous 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.

À exiger
Une passe de recherche, puis une passe de contrôle 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. Demandez que chaque affirmation soit graduée en certain, probable ou incertain : un document qui ne gradue rien n'a pas été vérifié.
05

Le pipeline RAG et ses quatre défauts silencieux

Quand : à la conception, 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 première moitié de cette chaîne, celle dont on parle le moins.

C'est la section la plus technique de cette page. Elle vaut d'être lue même si vous ne développez pas vous-même : ce sont les quatre questions à poser à qui vous propose un RAG. 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 à exiger. Que les bornes des passages cités soient stockées plutôt que supprimées, dans une colonne dédiée, pour pouvoir revenir en arrière si la coupe s'avère fausse. Et que la détection par motifs soit doublée 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. 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 que vous cherchez. S'y ajoute la saturation des premiers résultats : attendez-vous à trois à six copies quasi identiques dans un top dix.

La parade à exiger. 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 rendement 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 projet 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 à exiger. Que chaque candidat soit validé par sa clé de contrôle au moyen d'une bibliothèque dédiée et maintenue, jamais par du code maison. Que tout motif dépourvu de clé soit conditionné à la présence d'un mot déclencheur, dans chacune des langues du corpus. Et attention aux 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 rien ne vous l'indique : vous obtenez des résultats, ils sont pertinents, et la moitié de votre dossier n'a jamais été consultée.

La parade à exiger. Aucune moyenne globale, jamais. Des résultats mesurés et présentés séparément par langue, et écrits dans le devis. C'est aussi votre protection : 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. Si un planning vous est présenté dans un autre ordre, demandez pourquoi.

#ÉtapePourquoi à cette place
1Ingestion et reconstruction des filsRien n'est testable sans corpus. C'est aussi le poste le plus incertain : mieux vaut en découvrir la 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 d'un socle existant, 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 sans savoir 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. Se retire sans douleur si le budget serre.

Deux décisions d'architecture qui vous concernent directement

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 avec vous en recette. C'est moins cher, plus rapide, et surtout explicable : on peut vous montrer pourquoi un document remonte, ce qu'une boîte noire ne permet pas. Dès qu'un contentieux est en jeu, cette explicabilité vaut beaucoup.

Séparer la recherche de la rédaction

La recherche s'exécute entièrement en local, sur des modèles installés sur le serveur, et ne coûte rien par requête. 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 confidentialité, qui devient exacte et vérifiable plutôt que promise ; le coût, puisque seule la rédaction est facturée ; et l'occultation, qui redevient simple puisqu'il ne s'agit plus d'occulter un corpus mais vingt extraits.

Si votre corpus est bilingue

Aucun aiguillage par langue. Toutes les chaînes doivent s'exécuter sur tout le texte, et les détections s'additionner. La raison n'est pas la qualité mais le profil de panne : une erreur d'aiguillage 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 de votre dossier. Une table d'entités canoniques avec cinq à quinze formes de surface chacune, que vous fournissez au démarrage. C'est la seule couche insensible au bilinguisme, là où les autres se dégradent, et c'est la contribution la plus rentable que vous puissiez apporter au projet. 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 personne ne devrait vous le promettre.

La composition des mots attaque la recherche par termes. Dans les langues qui agglutinent, chercher 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 que vous cherchez, 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 chaque 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

Exiger une mesure, pas une promesse

Quand : à la recette, et prévu au devis dès le départ.

Un moteur de recherche se mesure, contrairement à un générateur de synthèses. C'est votre meilleur levier : ne vous faites pas promettre une qualité, faites-la démontrer sur vos propres données. Si cette mesure n'est pas prévue au devis, demandez qu'elle y soit.

Le jeu de référence, et pourquoi c'est vous qui le construisez

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

Réparties entre les langues si votre corpus est multilingue, avec un minimum de six par langue pour que le résultat ait un sens statistique. Et annotées : pour chaque question, il faut identifier à la main le ou les documents qui constituent la bonne réponse. Cette annotation représente quatre à six jours de travail 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 seul comparatif qui compte

Ne faites pas mesurer l'outil dans l'absolu, mais contre la recherche dont vous disposez déjà. Chaque question est posée deux fois, dans votre messagerie et dans l'outil, et les résultats sont présentés côte à côte. C'est le seul chiffre qui vous intéresse, et c'est la seule preuve qui justifie une dépense.

IndicateurCe qu'il doit vous dire
Taux de réussiteLa part 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, voir le défaut 4.
Écart avec l'existantLa même question dans votre messagerie actuelle. 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 cela se démontre 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 seule requête, devant vous.
Dans les deux sens
Une mesure sur échantillon produit une borne, pas une garantie : un rappel mesuré sur 5 000 documents ne se transpose pas mécaniquement à 100 000. Un devis sérieux porte donc sur un périmètre, jamais sur un taux garanti. Si on vous garantit un taux par contrat, ce n'est pas un gage de sérieux, c'est l'inverse.
07

Comment un outil RAG doit être facturé

Quand : à la lecture du devis, ligne par ligne.

La facturation à l'acte, tant par question posée, revient à chaque projet parce qu'elle paraît équitable. L'arithmétique dit qu'elle ne l'est pas, et elle se retourne contre vous.

Pourquoi un compteur par question est une mauvaise affaire

Le coût réel d'une question sur ce type de système est de l'ordre de cinq centimes : une vingtaine de milliers de jetons en entrée, un peu plus d'un millier en sortie. Pour que ce compteur amortisse un développement de trente mille euros, il faudrait plusieurs dizaines de milliers de questions. En posant cinq questions par jour pendant trois ans, vous en poserez environ cinq mille cinq cents. Le modèle ne converge jamais : soit le prix par question est dérisoire et ne finance rien, soit il est gonflé d'un facteur que vous pouvez vérifier en cinq minutes sur les tarifs publics.

Et le compteur abîme l'outil. La valeur d'un RAG 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 pour lequel vous avez acheté l'outil, et vous hésiterez à interroger votre propre dossier au moment où vous en aurez le plus besoin. 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.

Ce qu'un devis sérieux contient

  • Une unité que vous comprenez. La question, jamais le jeton. Un prix par question est un prix de service ; une refacturation de jetons est un coût majoré déguisé.
  • Une part fixe détaillée par ce qu'elle vous apporte : chiffrement, sauvegardes testées, supervision, mises à jour. Pas une ligne « hébergement » nue, qui ne vous dit rien et vous invite à la comparer au premier serveur venu.
  • Un volume inclus et un plafond mensuel. Vous savez ce que vous paierez au pire.
  • La mention explicite de ce qui ne coûte rien. Si la recherche s'exécute en local, cela doit être écrit noir sur blanc : c'est ce qui vous autorise à fouiller votre dossier sans calculer.
  • Le coût total de possession, dès le premier échange : prix de construction, coût de la première année, puis coût annuel courant. Vous le calculerez de toute façon.
Ce qui doit vous alerter
  • Un engagement chiffré de performance. Contre-intuitif, mais voir la phase 06 : un taux garanti par contrat signifie que la mesure n'a pas été comprise, ou qu'elle ne sera pas faite.
  • Une clause de variation de prix sans plafond. Face à un consommateur elle est, dans plusieurs États, réputée abusive. Sa présence vous renseigne sur le soin apporté au contrat.
  • Une refacturation de jetons plutôt qu'un prix par question, ou un décompte de ce qui s'exécute en local et ne coûte rien.
  • Une réserve sur le prix, du type « montant susceptible d'évoluer selon la complexité constatée ». Ce qui est conditionnel doit être une condition de démarrage, vérifiable avant signature, pas une incertitude sur le montant que vous découvrirez à la facture.
  • Des lignes qui ne totalisent pas le total affiché, ou des bornes de charge qui ne sont pas la somme des bornes. Cela arrive sur un document réécrit plusieurs fois, et c'est le signe qu'il n'a pas été relu.
  • Une ligne d'assurance ou de responsabilité civile refacturée à part. Aucun artisan ne facture sa garantie séparément : c'est un coût de structure.
08

Ce que vous devez recevoir avant de signer

Quand : avant signature, et à réclamer si cela manque.

Trois documents, et une bonne façon de juger votre interlocuteur : non pas à ce qu'il promet, mais à ce qu'il écrit et à ce qu'il accepte de ne pas vous vendre.

DocumentVous le recevez ?Ce qu'il doit contenir
Note de cadrageNon, et c'est normal C'est le document de travail interne du prestataire : architecture, risques, chiffrage en jours, points à trancher, doutes assumés. Vous ne le recevez pas, mais vous pouvez demander qu'il existe. Un prestataire qui n'a rien écrit avant de chiffrer n'a pas réfléchi.
DevisOui Des lignes avec référence, désignation, charge et montant, des totaux, puis les conditions en blocs courts. Vérifiez vous-même que les lignes totalisent bien le total et que les bornes de charge correspondent à la somme des bornes. Voir la phase 07 pour le reste.
Une explication écriteOui Ce que l'outil fait et ce qu'il ne fait pas, le coût total de possession, et ce qu'il faut pour démarrer. Si l'écrit n'évoque ni limites ni conditions, il manque quelque chose.

Deux signes qui ne trompent pas

On vous propose de vérifier gratuitement avant de décider. Sur un corpus, une demi-journée suffit à dire si le projet tient. Quelqu'un qui refuse ce passage vend un périmètre, pas une solution.

On vous dit que votre outil actuel suffit peut-être. C'est la phrase la plus rentable à entendre, et la plus rare. Sur le projet de référence, le conseil qui a le plus servi n'avait rien à voir avec le projet : faire établir un constat d'huissier sans attendre. Un prestataire qui vous donne un conseil utile en dehors de son argumentaire se distingue d'un vendeur.

Constaté sur un projet réel, raconté parce que ça se reproduit

Les quatre erreurs de cadrage les plus coûteuses

Ces quatre erreurs ont été commises sur le projet qui sert de référence à cette page. Elles ne sont pas propres à ce dossier, et trois sur quatre se préviennent depuis votre côté de la table.

Concevoir sur le premier énoncé 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 là-dessus, avec l'appareil de conformité correspondant, pour 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, dont un moteur d'occultation chiffré à vingt-deux jours qui a disparu le jour où il est apparu qu'aucune donnée ne sortirait du serveur.

Côté client
Faites reformuler votre besoin en une phrase, et validez cette phrase avant que quiconque chiffre quoi que ce soit. Dix minutes, et vous évitez de payer l'étude d'un projet qui n'est pas le vôtre.

Ne pas chercher le projet comparable dès le début

Un projet antérieur très proche existait déjà, avec son code, son chiffrage documenté et son architecture. Il n'a été consulté que tardivement. Son chiffrage donnait directement le bon ordre de grandeur, 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, garde-fous réglés en quelques dizaines de lignes là où un moteur complet avait été budgété.

Côté client
Demandez sur quel projet comparable le chiffrage s'adosse. La réponse vous dit à la fois si le prix est fondé et si l'architecture proposée est la bonne.

Contredire une intuition de prix avant d'avoir entendu sur quoi elle repose

Une première proposition de prix a été contestée avec insistance, chiffres à l'appui, sur la base d'un périmètre surdimensionné. Elle était en réalité cohérente avec un référentiel d'expérience qui n'avait pas été explicité, et qu'on n'avait pas demandé. Résultat : plusieurs allers-retours pour revenir près du point de départ.

Côté client
Quand un praticien annonce un prix sans hésiter, demandez-lui d'abord sur quoi il s'appuie. Une intuition rapide s'adosse presque toujours à une expérience non énoncée : faites-la énoncer avant de la contester.

Laisser la langue et l'emplacement du corpus sans réponse

Le bilinguisme, découvert tardivement, a doublé une estimation déjà écrite. L'emplacement réel du corpus n'était 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 accès à confier. Une simple adresse de contact a par ailleurs révélé tard que toute une partie de la conception reposait sur des fonctions propres à un autre fournisseur de messagerie.

Côté client
Ce sont les questions 4 et 5 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 du simple au double.
À parcourir avant d'engager quoi que ce soit

Votre check-list

Avant de contacter un prestataire

  • La provenance de votre corpus est-elle nette, et l'avez-vous fait constater ?
  • Connaissez-vous l'enjeu et la prochaine échéance ?
  • Savez-vous quelle enveloppe reste disponible, en plus de vos autres frais ?
  • Savez-vous dans quelles langues est le corpus, et où il se trouve physiquement ?
  • Pouvez-vous fournir une première liste d'entités canoniques, noms et leurs variantes ?

Avant de signer

  • Votre besoin a-t-il été reformulé en une phrase, et l'avez-vous validée ?
  • Sur quel projet comparable le chiffrage s'adosse-t-il ?
  • Le jeu de vingt questions de référence et sa mesure sont-ils prévus au devis ?
  • Les résultats seront-ils donnés par langue, sans moyenne globale ?
  • Les lignes du devis totalisent-elles exactement le total affiché ?
  • Le coût total de possession sur un an est-il écrit quelque part ?
  • Le droit applicable a-t-il été vérifié par un professionnel de l'État concerné ?
  • Le délai de rétractation est-il traité, et comprenez-vous la case que vous cochez ?

Pendant le projet

  • Les étapes sont-elles jouées dans l'ordre de la phase 05, la mesure avant l'optimisation ?
  • Les quatre défauts silencieux ont-ils été nommés et traités, pas seulement évoqués ?
  • Pouvez-vous obtenir, pour un résultat donné, pourquoi ce document remonte ?
Un projet à cadrer ?

Je peux le regarder avec vous

Cette fiche est écrite à partir de projets réellement menés. Si vous voulez savoir ce que donnerait le vôtre sur votre propre corpus, décrivez-le moi : je vous dis ce qui est faisable, ce que ça suppose de votre côté, et si ce dont vous disposez déjà suffit.

Décrire mon cas  ·  Les autres procédures

Parlons-en

Un corpus à rendre interrogeable ?

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