Quand la base publique répond à côté
Commençons par un chiffre. Dotées d'un programme de gestion des connaissances, les équipes passent environ 4,6 heures par semaine à chercher ce qu'il leur faut ; sans un tel programme, 8,5 heures. Soit un écart de 3,9 heures. Traduit en effectifs : à peu près quatre-vingt-dix-huit équivalents temps plein pour mille salariés. Le chiffre provient d'un rapport comparatif sur la gestion des connaissances.
Le message est presque trop simple pour être souligné : un document posé dans un dossier et un document qu'on peut réellement trouver et utiliser sont deux réalités bien distinctes.
UglyPear Données travaille la compression documentaire haute performance et une foundation d'ingénierie de données RAG, le plus souvent pour des structures qui exigent un déploiement entièrement privé. Dans le secteur public, le même scénario revient sans cesse. La base est montée, les fichiers sont chargés — et pourtant, dès qu'un citoyen ou un agent de guichet pose une question, la réponse tombe à côté. Le réflexe est de s'en prendre au modèle et d'en chercher un plus puissant. Dans notre expérience, la plupart des réponses erronées ne naissent pourtant pas au moment de la réponse. Elles sont semées bien avant que les fichiers n'entrent dans le système.
Et ce n'est pas seulement notre avis. Une enquête nationale menée en 2025 par Compass Datacenters aux États-Unis a révélé que 77 % des personnes interrogées reconnaissent accumuler bien plus de données que nécessaire ; 95 % seraient prêtes à supprimer des fichiers, mais seules 10 % se disent sûres de savoir s'y prendre ; et 59 % préféreraient faire la vaisselle plutôt que de ranger leurs documents numériques. Des fichiers que personne ne prend la peine d'organiser ont peu de chances de mieux se comporter entre les mains d'une machine. Si l'ingestion démarre dans le désordre, même la couche de réponse la plus brillante ne fera que fouiller dans le bruit.
Alors, cet article ne porte pas sur le choix d'un modèle. Il porte sur le point de départ, quand on traite une base de connaissances publique comme un véritable chantier d'ingénierie et non comme une démonstration.
Certaines des choses qui comptent le plus ne sont jamais demandées. Les tests de recette vérifient d'abord que les fonctionnalités existent : peut-on téléverser, peut-on répondre, l'interface est-elle agréable ? Que les réponses soient justes trois mois après la mise en service, personne ne le mesure. Les équipes solides, elles, rassemblent un jeu de questions annotées avant même d'écrire la première ligne de code métier. Que demandent réellement les usagers ? À quoi ressemble une bonne réponse ? Quelles questions reviennent souvent, lesquelles se situent sur la bordure ? Ce jeu, qui n'a apparemment rien à voir avec la « construction d'une base », transforme la qualité de la recherche en quelque chose de mesurable. Sans lui, chaque ajustement ultérieur relève du tâtonnement.
Allons un peu plus loin et réservons une place à l'échec et aux cas limites. Que se passe-t-il si une question contient une faute de frappe ? Si elle concerne deux documents qui se contredisent ? Si un fichier est périmé ? Ces situations, lorsqu'on ne les a pas réglées dès le départ, reviennent autant de tickets de réclamation après le lancement.
Pourquoi faire ce détour ? Parce que trop d'équipes se précipitent vers les capacités déjà cochées sur la liste : nous gérons la recherche sémantique, nous avons tout indexé, nous avons branché un grand modèle. Tout cela est vrai. Mais ce sont des moyens, pas le problème lui-même.
Revenons à la question la plus élémentaire : que veut savoir la personne qui interroge ? Un citoyen demande « qu'est-ce qu'il faut apporter pour inscrire mon enfant à l'école ? ». Le document officiel, lui, parle de « liste des pièces requises pour l'inscription en enseignement obligatoire ». Les deux énoncés n'ont presque aucun mot en commun. La pertinence n'a jamais été une affaire de ressemblance entre chaînes de caractères : elle est une affaire de sens qui s'alignent. Une fois cela compris, on voit pourquoi la recherche par mots-clés pure échoue si souvent dans les services publics. Elle compare des lettres, pas une intention.
Le coût mérite lui aussi d'être calculé. Tous les fichiers ne justifient pas un traitement sémantique poussé. Les guides pratiques et les réponses fréquentes aux questions de politique publique, oui ; de vieux comptes rendus de réunion, pas forcément. Pertes ou sans pertes, cela dépend de qui rappellera ce contenu plus tard, et de quelle manière. Polir chaque fichier au même degré coûte cher et rapporte peu.
Le secteur dispose heureusement d'un ensemble de pratiques publiques et éprouvées pour combler ce fossé. La recherche hybride marie la précision des mots-clés et la souplesse du sémantique : elle rappelle des candidats des deux côtés, puis les fusionne. Le reranking reprend ce vivier et le réorganise selon la pertinence, pour placer en tête les résultats vraiment pertinents. La réécriture et la décomposition des requêtes traduisent une question parlée en une forme que la recherche digère mieux, et découpent une question complexe en questions plus simples traitées séparément. Le filtrage par métadonnées réduit d'abord le champ à l'aide d'attributs comme la date, le service ou le niveau de confidentialité, avant de chercher à l'intérieur. Le découpage sémantique décide où trancher un long document : trop fin, il perd le contexte ; trop grossier, il traîne du bruit.
Ce sont des pratiques ouvertes à tous, pas une case à cocher qu'un fournisseur aurait nécessairement remplie. Interrogez-les une par une. Entendre un terme et en conclure que tout est réglé est le moyen le plus sûr de se tromper.
Le pas que nous avons franchi récemment sur la recherche va précisément dans ce sens : intégrer l'ensemble des documents dans un index sémantique interrogeable, permettre aux questions formulées en langage courant d'être comprises, faire passer la réponse de bout en bout de l'ordre de la minute à celui de la dizaine de secondes, et soumettre à un test de régression les tournures aussi bien parlées que normées, pour vérifier qu'elles donnent toutes lieu à une réponse juste. L'intérêt ne tient pas à la beauté des chiffres. Il tient à ce que « les réponses sont exactes » cesse d'être un slogan pour devenir quelque chose de reproductible.
La conformité est un autre obstacle que le secteur public ne peut contourner. Pour mesurer le coût d'une mauvaise gestion documentaire, on peut se référer aux statistiques d'application du règlement général sur la protection des données de l'Union européenne : les amendes liées à une gestion défaillante des documents atteignent en moyenne environ 4,2 millions d'euros. Derrière ce chiffre se cache un fait brutal — dès que les données franchissent la frontière du système, ou parviennent à des yeux qui ne devraient jamais les voir, le dégât dépasse largement le cadre technique. Dans une base de connaissances publique, la conformité ne peut donc pas être une note ajoutée en dernière minute, juste avant la mise en service. Elle doit être le point de départ. Quels champs sont sensibles, faut-il les masquer automatiquement à l'ingestion, selon quels droits filtrer les résultats à l'interrogation, les actions sont-elles tracées : décidé dès l'origine, tout cela permet au système d'entrer dans le travail quotidien plutôt que de rester posé sur un écran de démonstration.
Comment savoir, ensuite, que tout cela fonctionne vraiment ? C'est là qu'intervient l'autre moitié du métier : la vérification indépendante. Les équipes sérieuses conservent un jeu de questions annotées qui ne participe jamais au développement ni au débogage — une copie d'examen distincte, réservée à la recette. Les indicateurs doivent être reproductibles hors ligne : une autre personne qui les relance doit obtenir à peu près le même résultat. Les changements importants font l'objet de tests comparatifs en aveugle, où l'évaluateur ne sait pas quelle version est la nouvelle. Les suites de régression restent installées en permanence et tournent automatiquement à chaque mise à jour, pour éviter le piège classique : corriger ici, casser là. Ajoutez les signaux des utilisateurs réels et des audits externes, et la chaîne de preuves est complète. Celui qui affirme « un taux de précision élevé » sans pouvoir montrer une méthode reproductible mérite qu'on l'écoute avec méfiance.
Mises côte à côte, les principales voies d'une base de connaissances publique se comparent ainsi :
| Critère de choix | Grand modèle public en direct | Recherche par mots-clés et tri manuel | Base privée (compression + recherche + gouvernance) |
|---|---|---|---|
| Les données quittent-elles le réseau ? | Oui | Non | Non |
| Réponses traçables à la source | Faible | Forte | Forte |
| Compréhension des questions courantes | Forte | Faible | Forte |
| Masquage des données sensibles | Promesse | Manuel | Automatisable |
| Mises à jour et retour arrière | Incontrôlable | Manuel | Incrémental, réversible |
| Qui vérifie la qualité ? | Déclaration du fournisseur | Aucune vérification systématique | Jeux annotés indépendants et régression |
Lire ce tableau suppose de le rapporter à ses propres contraintes. La question de savoir si les données peuvent quitter le réseau constitue généralement la première ligne rouge, dans le secteur public — ce seul critère suffit à écarter la voie du grand modèle public en direct. La traçabilité d'une réponse compte elle aussi, car une décision doit pouvoir être revérifiée ; c'est une exigence ferme, là encore. Ce qui sépare vraiment les voies, c'est la dernière ligne : qui vérifie la qualité. Une voie qui s'en tient à la parole du fournisseur revient à lui abandonner votre droit d'accepter ou de refuser le résultat.
Un mot encore sur la compression. Beaucoup la rangent parmi les détails de stockage ; dans une base de connaissances, c'est une étape en amont. Le scénario : les documents publics mêlent scans, tableurs et photos, un seul dossier pesant souvent des dizaines de mégaoctets, et tout ingérer est à la fois lent et gourmand en place. Le mécanisme : la compression réduit le volume en éliminant les informations dupliquées et redondantes ; bien menée, elle préserve la lisibilité du texte, des tampons et des graphiques, et la lecture comme la recherche en sens inverse par la machine n'en souffrent pas. Le bénéfice : lors d'ingestions massives à fort débit, compresser en amont allège la pression sur le stockage et le transfert, et l'index sémantique en aval s'en trouve plus fluide. Le volume diminue généralement de 60 à 80 %, sans que tampons et graphiques perdent leur netteté. En clair, la compression économise moins de l'espace que du temps d'attente accumulé tout au long de la chaîne.
C'est pour cela que nous menons compression et bases de connaissances de front. La foundation d'ingénierie de données RAG d'UglyPear Données couvre tout, de la compression et de la mise en forme des fichiers avant l'ingestion jusqu'à la recherche et à la réponse, et prend en charge le masquage automatique de treize catégories d'informations sensibles liées à l'IA ; associée au déploiement entièrement privé, la compression, l'indexation et la réponse s'exécutent dans l'environnement même du client, sans que les données ne quittent le réseau interne. La valeur de cette voie ne tient pas à ce qu'un indicateur quelconque serait en tête, mais à ce qu'elle relie « stocker, gérer, chercher, utiliser » en une chaîne auditable et traçable.
Revenons au chiffre d'ouverture. Gagner 3,9 heures, dégager quatre-vingt-dix-huit équivalents temps plein : cela ressemble à une question d'efficacité. Pour un organisme public, c'est pourtant plus proche d'une question de confiance : quand un citoyen pose une question, obtient-il une réponse exacte, vérifiable et respectueuse de la vie privée ? Faire le travail en amont de l'ingestion, transformer la qualité en indicateur mesurable et garder le droit de vérification entre ses propres mains — alors seulement la base cesse d'être un nouvel objet de vitrine qui répond à côté.
Essayez-le maintenant
Si votre base de connaissances publique répond à côté, laisse fuir des données ou n'offre aucun moyen de contrôler sa qualité, découvrez l'approche d'UglyPear Données : la foundation d'ingénierie de données RAG et le déploiement entièrement privé. Retrouvez encore des réflexions sur la compression et les bases de connaissances sur notre blog technique.
FAQ
Q : Une base de connaissances publique répond à côté — un modèle plus puissant suffirait-il ?
A : Le plus souvent, non. La cause se situe avant l'ingestion : fichiers en désordre, découpage inadapté, métadonnées manquantes. Aussi solide que soit la couche de réponse, elle ne cherchera que dans le bruit. Rendez d'abord la gouvernance des données et la qualité de la recherche mesurables ; parlez de changer de modèle ensuite.
Q : Avec des données qui ne quittent jamais le réseau interne, peut-on encore faire de la recherche sémantique et répondre en langage courant ?
A : Oui. L'indexation sémantique, la recherche et la réponse peuvent toutes s'exécuter dans l'environnement du client, sans que les données ne sortent. Avec la compression et le masquage, toute la chaîne se referme à l'intérieur d'un déploiement privé.
Q : Comment juger si une base répond exactement ?
A : Cherchez une méthode reproductible : un jeu de questions annotées indépendant, des indicateurs reproductibles hors ligne, des comparaisons en aveugle, des tests de régression permanents. Méfiez-vous d'une simple affirmation de « précision élevée » sans mode de vérification.
Q : La compression ne risque-t-elle pas de flouter tampons et tableaux ?
A : Bien menée, non. Elle réduit le volume tout en préservant la lisibilité du texte, des tampons et des graphiques ; vous pouvez prévisualiser et vérifier le résultat avant qu'il n'entre dans la chaîne de recherche.
Q : Cette approche impose-t-elle de passer par un cloud public ?
A : Non. Elle peut être déployée entièrement sur le réseau du client, compression, indexation, réponse et masquage étant réalisés localement, sans que les données ne quittent le réseau interne.