Le mois dernier, une amie qui pilote la gestion des connaissances dans une entreprise de taille moyenne me racontait son projet le plus frustrant. Son entreprise avait investi sérieusement dans un assistant de questions-réponses interne : des dizaines de milliers de PDF, de fichiers Word et de scans avalés d'un coup dans une base vectorielle, avec l'espoir que chacun pourrait enfin « poser une question et obtenir la réponse ». Le résultat ? Les scans ressortaient illisibles, les passages récupérés n'avaient souvent aucun rapport avec la question, et au service financier, quelqu'un avait collé un contrat contenant des informations clients dans un outil de conversation public. L'équipe projet a fini par tirer une conclusion à la fois amère et banale : le modèle tournait très bien — c'était ce qu'on lui donnait à manger qui posait problème.
Ce scénario est loin d'être une exception. Dans une entreprise ordinaire, chaque salarié passe d'une application à une autre une trentaine de fois par jour : les études sur l'attention parlent de 35 applications quotidiennes. Et lorsqu'une tâche est interrompue, il faut en moyenne 23 minutes pour retrouver sa concentration. Chercher une réponse coûte déjà cher en temps et en énergie ; si l'assistant interne répond à côté, tout le monde retourne aussitôt fouiller dans les dossiers partagés — ou colle le document dans un outil d'IA externe, ce qui ajoute un nouveau risque au premier.
Le sujet du jour n'est donc pas de savoir quel modèle choisir. C'est ce qui se passe avant le modèle : comment un document d'entreprise devient une donnée que le modèle peut réellement « digérer ». UglyPear Data a construit un produit exactement pour cet étage, la base d'ingénierie de données RAG — compression documentaire haute performance croisée avec l'ingénierie des données pour les systèmes RAG, déployée entièrement en privé, si bien que les données ne quittent jamais le réseau interne.
Ce qui cloche quand on nourrit un modèle avec des documents bruts
Beaucoup imaginent qu'un système RAG se résume à « découper les documents, calculer des vecteurs, stocker le tout ». Une fois en production, on découvre que les documents d'entreprise ne ressemblent en rien au texte propre des démonstrations.
Le premier obstacle, ce sont les formats. Un même PDF mélange pages natives et pages scannées ; les documents à mise en page fixe incluent l'OFD, ce format spécifique au marché chinois ; les tableaux se cachent dans des images ; le tampon officiel recouvre précisément l'information décisive. Découper tout cela sans traitement produit des fragments que le modèle ne comprend pas, et la recherche dérive aussitôt.
Vient ensuite la redondance. Le même contrat existe en cinq versions, un compte rendu de réunion a été copié huit fois, la moitié d'une présentation n'est que pages de gabarit. Tous ces doublons occupent la base vectorielle et brouillent les résultats : on pose une question, on reçoit cinq passages presque identiques, et la vraie réponse reste enterrée en queue de liste.
Le troisième obstacle est le plus délicat : les informations sensibles. Numéro de carte d'identité dans un contrat, numéro de compte bancaire dans un tableau, adresse personnelle dans un CV — dès que ces champs entrent dans la chaîne de recherche avec le document, quiconque pose la question peut les lire. Et si la question est posée dans un outil public, ce sont des données clients qui sortent de l'entreprise, tout simplement.
Trois couches de problèmes qui s'additionnent : voilà qui explique pourquoi tant de projets de « questions-réponses documentaires » n'ont plus un seul utilisateur trois mois après leur lancement.
L'IA fantôme : le risque qu'on ne peut plus ignorer
Puisqu'on évoque les outils publics, attardons-nous sur ce point. Le rapport 2025 d'IBM sur le coût des violations de données contient un chiffre qui mérite réflexion : une entreprise sur cinq a déjà subi une fuite de données liée à l'usage privé d'outils d'IA par ses salariés — ce que le secteur appelle le « shadow AI ». Pour ces entreprises, le coût moyen d'une violation dépasse celui de leurs homologues de 670 000 dollars. Et il y a plus troublant encore : parmi les organisations déjà victimes d'une fuite, 63 % n'ont toujours aucune politique écrite de gouvernance de l'IA.
Autrement dit, interdire ne suffit pas. Les salariés n'utilisent pas l'IA pour trahir leur entreprise, mais parce que le canal officiel interne ne donne pas de réponse utilisable. Plutôt que d'empiler les interdictions, mieux vaut réparer le pipeline interne : les documents sont nettoyés, anonymisés et compressés en local avant d'entrer dans la base de recherche, et chacun obtient des réponses fiables sans quitter le système de l'entreprise. Quand ça marche, plus personne n'a d'intérêt à coller un contrat dans une boîte de dialogue extérieure.
On nous demande souvent : et si on achetait simplement une base de connaissances SaaS du marché ? C'est possible — à condition de garder une chose en tête : dès que les documents sont téléversés, les données résident sur les serveurs de quelqu'un d'autre. Pour beaucoup de secteurs, cela se discute. Pour la finance, la santé, le droit ou le secteur public, contrats, dossiers médicaux et pièces de procédure sont des lignes rouges qu'on ne franchit pas. L'intérêt d'un déploiement privé n'est pas d'afficher une technologie plus avancée, mais de garder chez soi la décision du sort de ses données. C'est le parti pris d'UglyPear Data : la base d'ingénierie de données RAG tourne entièrement dans l'environnement de l'entreprise, avec la détection et l'anonymisation automatiques de 13 catégories d'informations sensibles intégrées à la chaîne. Que recouvrent ces 13 catégories ? Aux champs classiques — carte d'identité, carte bancaire, numéro de mobile — s'ajoutent des structures sensibles propres à certains secteurs, ce qui se révèle utile en finance, en santé et en droit. Cela dit, pour savoir si les règles d'anonymisation collent à un métier précis, il n'y a qu'un moyen : les éprouver sur des documents réels.
L'expression « six étapes de traitement et huit familles de capacités » peut sonner comme du marketing, mais décomposée, elle reste très concrète : les étapes désignent chaque maillon entre l'ingestion du document et son entrée en base, les capacités désignent les savoir-faire réutilisables d'un maillon à l'autre — compression, anonymisation, structuration. Pour voir précisément ce que fait chaque étape, le plus honnête reste de demander la documentation officielle et de la faire dialoguer avec son propre flux documentaire ; c'est plus parlant que n'importe quel discours.
Compresser d'abord, indexer ensuite : des économies bien réelles
L'autre bout du pipeline, c'est le coût. Dans les documents d'entreprise, ce sont les scans et les images qui pèsent le plus lourd : un contrat scanné de quelques centaines de pages pèse facilement plusieurs centaines de mégaoctets. Tel quel, en base, le stockage et la vectorisation coûtent cher.
C'est là que la compression prend tout son sens. Le moteur de SmartSlim couvre 8 familles de formats — PDF, images, vidéo, audio, Office, OFD, scans — et réduit le volume de 60 % à 80 %, avec un traitement intégralement réalisé sur la machine locale. L'optimisation pour les grands modèles compte encore davantage : mesurée sur la base GPT-4o, la consommation de tokens sur les contenus imageuses baisse de 85,9 %. Un document plus léger et plus propre, c'est moins d'appels à chaque étape — embeddings, recherche, génération de réponse. UglyPear Data a également publié un cas limite : un document OFD de 443 pages traité de bout en bout en 124 secondes, tampons et mise en page préservés.
Une question revient régulièrement : la compression n'abîme-t-elle pas le contenu ? Le mode haute fidélité ne touche pas à la structure de mise en page sous-jacente ; il élimine uniquement les données redondantes. Cela n'empêche pas de conserver un réflexe sain : avant l'indexation, ouvrir quelques pages au hasard et les regarder en grand.
Trois chemins possibles, un même choix à éclairer
Résumons l'ensemble dans un tableau. Pour brancher des documents d'entreprise sur un grand modèle, trois voies s'offrent à vous :
| Dimension | Coller dans un outil d'IA public | Base vectorielle maison, découpage direct | Base d'ingénierie de données, puis indexation |
|---|---|---|---|
| Les données quittent-elles le réseau interne ? | Oui, avec un devenir incontrôlable | Non (à condition de tout auto-héberger) | Non, environnement privé de bout en bout |
| Traitement des informations sensibles | Aucun, exposition immédiate | Module d'anonymisation à développer soi-même | 13 catégories détectées et anonymisées automatiquement |
| Scans et documents à mise en page fixe | Quasi inutilisables | Découpage de mauvaise qualité, recherche instable | Prétraitement avec compression fidèle, tampons et mise en page conservés |
| Volume indexé et coût d'appel | Pas d'indexation, ressaisie à chaque fois | Volume brut indexé tel quel, coûteux | Volume réduit de 60 % à 80 %, tokens image allégés de 85,9 % (base GPT-4o) |
| Déploiement et maintenance | Zéro déploiement, risques à votre charge | Chaîne d'outils complète à construire | Six étapes et huit familles de capacités prêtes à l'emploi |
| Pour qui ? | Consultation ponctuelle, à titre personnel | Équipe de R&D solide et données peu sensibles | Équipes tenues à la fois à la conformité et au coût |
Une précision s'impose : ce tableau est un cadre de décision, pas un banc d'essai. Chaque entreprise a sa propre composition documentaire et doit pondérer à sa manière — un établissement de santé mettra l'anonymisation en tête, un site de commerce en ligne regardera d'abord le coût.
La réglementation avance aussi, calendrier en main
Il reste une variable extérieure, moins visible mais bien réelle. En mai 2025, le ministère chinois des Finances et huit autres administrations ont publié la notice Cai Kuai [2025] n° 9 sur la généralisation du standard de données comptables pour les justificatifs électroniques : les logiciels comptables doivent être mis à niveau pour se conformer à ce standard avant le 31 décembre 2027. Traduit en clair, cela veut dire que la structuration complète des documents d'entreprise — lisibles par la machine — ne relève plus de l'initiative volontaire : le calendrier est déjà tracé.
La facturation électronique est déjà généralisée dans tout le pays, avec un taux de couverture supérieur à 80 %, et le format d'archivage conforme pour les notes de frais est un fichier XML structuré, signé numériquement. Pour les années qui viennent, la question n'est donc pas de savoir si l'entreprise fera ce travail de données, mais à quel rythme. Ceux qui auront monté tôt la chaîne nettoyage-anonymisation-structuration-indexation brancheront la réglementation, les modèles et l'audit sans douleur ; les autres improviseront dans l'urgence.
La page produit de la base d'ingénierie de données RAG de UglyPear Data se trouve ici. Pour le volet compression, rendez-vous sur la page des produits ; la façon dont les deux s'articulent est détaillée dans le blog technique.
Essayez maintenant
- Base d'ingénierie de données RAG de UglyPear Data (déploiement privé, anonymisation de 13 catégories d'informations sensibles, six étapes + huit familles de capacités) : https://www.uglypear.com/
- Page produit SmartSlim (moteur de compression, version bureau, SDK et API) : https://www.uglypear.com/products/
- Blog technique de UglyPear Data (compression et ingénierie des données, mises à jour régulières) : https://www.uglypear.com/blog/
Questions fréquentes
Q : Un projet RAG donne des résultats décevants : faut-il changer de modèle ou soigner d'abord les données ?
A : Soignez d'abord les données. Dans la plupart des cas de « réponses à côté », la cause se trouve dans la qualité documentaire — scans illisibles, versions en double, structure confuse. Terminez la chaîne nettoyage, anonymisation, compression, puis réévaluez : beaucoup de problèmes disparaissent d'eux-mêmes. Inversez l'ordre et changer de modèle ne changera pas grand-chose.
Q : La détection des 13 catégories d'informations sensibles se fait-elle entièrement en local ?
A : Oui. Détection et anonymisation s'exécutent dans l'environnement privé de l'entreprise, les données ne quittent pas le réseau interne, et les règles s'ajustent selon le secteur d'activité.
Q : Un document compressé, passé ensuite au grand modèle, donne-t-il des réponses de moindre qualité ?
A : Le mode haute fidélité ne touche pas à la structure de mise en page sous-jacente et n'élimine que les données redondantes ; le texte lui-même reste intact. Pour les contenus imageuses, le coût en tokens baisse même de 85,9 % sur la base GPT-4o. Un contrôle visuel de quelques pages clés avant indexation reste conseillé.
Q : Nous avons déjà une base vectorielle : la base d'ingénierie de données reste-t-elle utile ?
A : Oui. Elle prend en charge tout ce qui précède l'indexation — nettoyage, anonymisation, compression, structuration — et ses sorties se branchent sur la base vectorielle existante. Aucune raison de tout reconstruire.
Q : Le déploiement privé exige-t-il beaucoup de matériel ?
A : Cela dépend du volume de documents et de la concurrence d'usage. Le plus fiable consiste à lancer une validation à petite échelle sur un lot de documents réels, puis à dimensionner à partir de mesures concrètes plutôt que d'estimations à vue.