Intégration IA générative : un assistant qui cite vos documents

La fourchette constatée en France va de 8 000 à 40 000 € de mise en place : de 8 000 à 15 000 € pour un corpus homogène et une seule source, de 15 000 à 40 000 € pour plusieurs sources synchronisées, OCR, droits par rôle et intégration Teams. S'ajoute l'hébergement mensuel : de l'ordre de 100 à 2 000 € via des API, ou de 500 à 3 000 € pour un serveur GPU en France avec un modèle ouvert. Le détail est sur la page prix d'un assistant documentaire RAG.

Une plateforme SaaS (ChatGPT Entreprise, Copilot, Claude Team) suffit pour rédiger et résumer, sans indexer l'ensemble de vos sources ni respecter vos droits internes. Une ESN ou une agence IA apporte une équipe et un cadre projet, utile pour un déploiement à l'échelle d'un groupe. Un freelance IA senior construit, mesure et documente lui-même, et laisse le code et le jeu de test chez vous. Quel que soit le choix, demandez trois choses : le taux de bonnes réponses est-il mesuré sur vos questions, les réponses citent-elles les passages exacts, et où sont hébergées les données. Le guide comment choisir une agence IA complète la grille.

ChatGPT Entreprise est un abonnement à un assistant généraliste hébergé par OpenAI, aux États-Unis, dans lequel vos documents sont déposés à la main ou via des connecteurs limités. Un assistant documentaire sur mesure indexe l'ensemble de vos sources, respecte vos droits d'accès internes, cite les passages exacts, s'héberge en France ou chez vous, et se mesure sur vos propres questions. Les deux peuvent coexister : ChatGPT pour rédiger, l'assistant pour répondre à partir de vos documents.

Un chatbot d'entreprise suit des scénarios ou répond à des questions fréquentes prédéfinies, souvent pour des clients externes. Un assistant documentaire répond à des questions ouvertes en cherchant dans un corpus qui change (contrats, procédures, jurisprudence), et il justifie chaque réponse par ses sources. Le premier automatise une conversation, le second remplace une recherche documentaire. La page RAG expliqué détaille le fonctionnement.

Uniquement si vous le décidez. La configuration recommandée pour les données sensibles utilise un modèle ouvert (Mistral ou équivalent) servi avec vLLM sur un serveur en France ou dans votre centre de données, et une base vectorielle (Qdrant ou Milvus) au même endroit : aucune donnée ne quitte l'Union européenne. C'est le socle mis en place chez Virteem, avec vLLM et Milvus et zéro API externe. Pour des documents moins sensibles, une API européenne réduit le coût d'hébergement ; le choix est écrit dans le périmètre.

Par un jeu de test construit avec vos équipes : de 100 à 300 questions réelles, la réponse attendue et le document source. À chaque version, je mesure si les bons passages sont retrouvés (Top@k) et si la réponse est correcte, complète et bien sourcée, avec un modèle juge puis une relecture humaine sur échantillon. Chez Delibia, ce cadre a fait passer le retrieval Top@10 de 53 % à 93 % et les réponses jugées satisfaisantes de 26 % à 98 %, avec une latence ramenée de 15 s à 4,3 s.

Entre 4 et 10 semaines après le cadrage. Un corpus homogène avec une source et une interface web est en production en quatre à cinq semaines. Plusieurs sources à synchroniser, des documents scannés à traiter par OCR, des droits par rôle à reprendre et une intégration dans Teams demandent huit à dix semaines, dont la moitié consacrée à la mesure et à l'amélioration sur vos questions réelles.

Dans la grande majorité des cas, non. Le fine-tuning (réentraînement d'un modèle sur vos données) apprend un style ou un format de réponse ; il ne mémorise pas de façon fiable des contenus qui changent, et il faut le refaire à chaque mise à jour. La recherche augmentée par génération (RAG) lit les documents à jour au moment de la question et les cite. Le fine-tuning se justifie ensuite pour un vocabulaire très spécialisé ou pour alléger le modèle ; le comparatif RAG ou fine-tuning détaille les cas.