Vos données ne sont pas absentes. Elles sont partout. Dans SharePoint, dans les pièces jointes Outlook, dans Google Drive, dans un CRM, dans un ERP, parfois dans un bucket S3 ou une GED historique. Pour beaucoup de dirigeants, la frustration est la même : l’entreprise dispose d’une masse considérable d’informations, mais lorsqu’il faut répondre vite à un client, préparer une relance ou vérifier une version contractuelle, personne n’est certain de regarder au bon endroit.
L’IA promet de résoudre ce problème. Mais un agent IA qui s’appuie sur des données obsolètes peut devenir contre-productif : il répond vite, mais avec la mauvaise version d’un prix, d’un bail, d’un statut client ou d’un document fiscal. C’est précisément là que se situe la différence entre un RAG documentaire classique et un RAG temps réel, connecté aux données vivantes IA de l’entreprise.
Chez Mankova Consulting, nous accompagnons les entreprises dans cette évolution : connecter les agents IA à leurs outils existants — CRM, SharePoint, mails, Drive, S3, ERP — sans migration massive, sans enfermement technologique et avec une architecture maîtrisée par le client.
Le vrai problème : des données vivantes, mais dispersées
Dans une PME comme dans une ETI, les données métier ne vivent presque jamais dans un seul système. Le contrat signé est dans SharePoint, le dernier avenant est arrivé par mail, le statut client est dans le CRM, la facture est dans l’ERP, et un tableau de suivi est parfois encore dans Excel.
Cette dispersion n’est pas forcément un défaut. Elle reflète souvent l’histoire de l’entreprise, ses métiers, ses processus et ses contraintes opérationnelles. Le problème apparaît lorsque l’on veut mettre une IA par-dessus ces sources : l’agent doit savoir où chercher, quand interroger une source en direct, quelle version privilégier et quels droits respecter.
Les études récentes confirment ce point. Salesforce indique que 26 % des données d’entreprise sont jugées non fiables par les responsables data et analytics. Gartner souligne également que les projets GenAI échouent fréquemment non pas à cause du modèle d’IA lui-même, mais parce que les pipelines de données ne fournissent pas des informations suffisamment fraîches, contextualisées et gouvernées.
L’enjeu n’est donc plus seulement de “mettre un chatbot sur les documents”. L’enjeu est de bâtir une couche IA capable d’interagir avec les données qui bougent.
Pourquoi un RAG classique ne suffit pas toujours
Le fonctionnement d’un RAG documentaire
Le RAG, pour Retrieval-Augmented Generation, consiste à compléter les réponses d’un modèle d’IA avec des documents récupérés dans une base externe. Le principe, formalisé notamment par les travaux de Lewis et al. en 2020, est simple à comprendre :
- on extrait les documents depuis une ou plusieurs sources ;
- on les découpe en petits blocs de texte, souvent appelés chunks ;
- on transforme ces blocs en représentations numériques, ou vecteurs ;
- on les stocke dans une base vectorielle ;
- lorsqu’un utilisateur pose une question, l’agent recherche les passages les plus pertinents et génère une réponse à partir de ces éléments.
Cette approche est très efficace pour des contenus relativement stables : procédures RH, documentation produit, politique interne, base de connaissances, supports de formation, modes opératoires ou documentation technique.
La limite : les données qui changent
Le problème commence lorsque les informations changent fréquemment. Un index documentaire mis à jour chaque semaine ou chaque mois peut fournir une réponse correcte sur le fond, mais fausse dans la réalité opérationnelle du jour.
Quelques exemples simples :
- un prix a changé ce matin dans le CRM ;
- un client a envoyé un mail avec une nouvelle pièce jointe il y a une heure ;
- un bail a été modifié hier dans SharePoint ;
- un statut SAV vient d’être mis à jour ;
- un stock n’est plus disponible ;
- une relance comptable a déjà été envoyée, mais n’apparaît pas dans l’index.
Dans ces situations, un RAG statique peut répondre avec assurance… mais sur la base d’une information périmée. Pour un dirigeant, c’est précisément le type de risque qui freine le passage du pilote IA à l’usage métier réel.
Du RAG statique au RAG temps réel
Le RAG temps réel ne remplace pas le RAG classique. Il le complète avec des connexions directes aux systèmes opérationnels de l’entreprise.
Concrètement, un agent IA peut combiner deux modes d’accès :
- un index vectoriel pour les documents relativement stables : procédures, contrats types, documentations, bases de connaissance ;
- des appels live vers les applications métier pour les données critiques : CRM, ERP, SharePoint, messagerie, Drive, S3, logiciel comptable, outil de ticketing.
Cette architecture hybride permet à l’agent de raisonner sur un contexte riche tout en vérifiant les éléments sensibles à la source. Lorsqu’un commercial demande : “Puis-je proposer cette remise au client Dupont ?”, l’agent peut consulter la politique commerciale indexée, mais aussi interroger en direct le CRM, le statut client, les derniers échanges mail et la grille tarifaire à jour.
Les composants clés d’une architecture de données vivantes IA
Une architecture robuste repose généralement sur plusieurs briques :
- des connecteurs API vers CRM, SharePoint, Drive, Outlook, Gmail, S3, ERP ou GED ;
- une synchronisation incrémentale pour indexer uniquement les changements utiles ;
- des webhooks ou événements pour réagir à une modification : nouveau mail, changement de prix, bail mis à jour ;
- un cache court pour améliorer les performances sans compromettre la fraîcheur ;
- une couche d’orchestration agentique qui décide quelle source consulter et dans quel ordre ;
- des logs et citations pour expliquer d’où vient chaque réponse ;
- un contrôle des permissions afin que l’agent ne voie que ce que l’utilisateur a le droit de voir.
Les grands éditeurs vont également dans ce sens. Microsoft 365 Copilot Connectors et Microsoft Graph Connectors permettent par exemple de connecter SharePoint, des intranets, des CRM, des ERP ou des sources tierces à Copilot ou à des agents IA, avec prise en compte des permissions Microsoft 365. Microsoft distingue aussi des connecteurs synchronisés, basés sur l’indexation dans Microsoft Graph, et des connecteurs fédérés capables de récupérer certains contenus plus directement, notamment via des approches de type MCP.
SharePoint, CRM, mails : connecter plutôt que migrer
La tentation, face à la fragmentation, est de lancer un grand chantier de migration. Centraliser toutes les données dans une nouvelle plateforme semble rassurant sur le papier. Dans la pratique, c’est souvent long, coûteux, risqué et difficile à maintenir.
La tendance actuelle est plus pragmatique : laisser les données là où elles sont, mais les connecter proprement. Gartner prévoit d’ailleurs que d’ici 2028, 80 % des applications GenAI métier seront développées sur les plateformes de gestion de données déjà en place. Autrement dit, l’avenir de l’IA d’entreprise n’est pas nécessairement une grande migration, mais une meilleure orchestration des systèmes existants.
C’est particulièrement vrai pour les environnements Microsoft. Beaucoup d’entreprises ont déjà des contenus critiques dans SharePoint Online, SharePoint Server, Teams, OneDrive ou Outlook. Les connecteurs Microsoft permettent d’exposer ces contenus à des expériences IA tout en conservant les modèles de permissions. Pour une PME, c’est un point essentiel : on peut exploiter SharePoint avec l’intelligence artificielle sans reconstruire toute la gestion documentaire.
Connecter un agent IA au CRM : un cas stratégique
La requête connecter agent IA CRM résume bien l’un des usages les plus demandés. Le CRM contient des données extrêmement vivantes : opportunités, remises, historique commercial, réclamations, priorités, segmentation, contrats en cours, prochaines actions.
Un agent IA qui s’appuie sur un export CRM datant de la semaine précédente peut donner une réponse inexacte. À l’inverse, un agent connecté en direct peut :
- récupérer le statut actuel d’un client ;
- vérifier les dernières interactions ;
- identifier une opportunité ouverte ;
- tenir compte d’une réclamation récente ;
- proposer une réponse commerciale cohérente avec les règles internes.
Le gain n’est pas seulement technologique. Il est opérationnel : moins d’allers-retours, moins de décisions prises sur des données anciennes, plus de réactivité dans les moments clés.
Trois cas concrets pour les PME
1. Syndic de copropriété : retrouver la bonne version d’un bail
Un syndic gère des baux, PV d’assemblées générales, contrats fournisseurs, appels de charges, dossiers de sinistres et échanges avec les copropriétaires. Ces informations sont souvent réparties entre SharePoint, la messagerie et un logiciel métier.
Question typique : “Quel est le dernier bail signé pour le lot 42 et quels échanges récents concernent ce locataire ?”
Un RAG classique peut retrouver un bail indexé il y a plusieurs semaines. Mais si un avenant a été ajouté hier dans SharePoint ou transmis par mail, la réponse risque d’être incomplète.
Avec une architecture de données vivantes IA, l’agent peut :
- chercher les documents indexés liés au lot 42 ;
- vérifier en direct la dernière version dans SharePoint ;
- retrouver les derniers mails associés au locataire ;
- générer une synthèse sourcée, avec dates et liens vers les documents ;
- respecter les droits d’accès selon le gestionnaire connecté.
Résultat : le gestionnaire gagne du temps, tout en limitant le risque de s’appuyer sur un document obsolète.
2. Cabinet comptable : suivre les pièces fiscales mises à jour
Dans un cabinet comptable, les documents arrivent par plusieurs canaux : mails clients, portail documentaire, Drive, GED, logiciel comptable, parfois même dossiers partagés. Les échéances fiscales imposent de savoir rapidement ce qui est complet, incomplet ou incohérent.
Un agent IA peut aider à :
- identifier les pièces manquantes pour un dossier ;
- comparer la dernière liasse fiscale avec les documents reçus ;
- repérer un justificatif arrivé par mail mais non classé ;
- préparer une relance client personnalisée ;
- prioriser les dossiers selon les échéances.
Ici encore, le RAG documentaire est utile pour les règles, procédures et modèles de messages. Mais les mails entrants, les pièces récemment déposées et les statuts du logiciel de production doivent être interrogés en quasi temps réel.
3. PME B2B : répondre à un client avec les bons prix et le bon contexte
Imaginons une PME B2B dont les commerciaux utilisent un CRM, une grille tarifaire partagée dans SharePoint, un ERP pour les stocks et Outlook pour les échanges clients. Un client appelle pour négocier une commande, alors qu’un prix vient de changer et qu’un ticket SAV est encore ouvert.
Un agent IA connecté peut fournir en quelques secondes :
- le statut actuel du compte dans le CRM ;
- les dernières commandes ;
- les échanges mail récents ;
- la grille tarifaire à jour ;
- les règles de remise applicables ;
- une proposition de réponse commerciale.
La différence est majeure : l’agent ne se contente pas de “savoir”. Il vérifie les sources vivantes avant d’assister la décision.
Sécurité, permissions et audit : les conditions de confiance
Connecter un agent IA à SharePoint, au CRM ou aux mails impose une exigence forte de gouvernance. Il ne suffit pas que l’agent soit performant ; il doit être contrôlable.
IBM rapporte que 13 % des organisations ont subi des violations liées à des modèles ou applications IA, et que 97 % de celles-ci ne disposaient pas de contrôles d’accès IA appropriés. Ce chiffre illustre un point simple : une IA connectée sans gouvernance peut exposer des informations sensibles.
Les bonnes pratiques incluent :
- le filtrage par permissions, ou security trimming : l’agent ne restitue que les données accessibles à l’utilisateur ;
- la journalisation des requêtes, sources consultées et réponses produites ;
- les citations vers les documents ou enregistrements utilisés ;
- le versioning des documents et des connecteurs ;
- le monitoring de la qualité des réponses et des erreurs ;
- la séparation des environnements de test, préproduction et production.
Cette gouvernance est ce qui permet de passer du prototype séduisant à un usage métier fiable. McKinsey observe d’ailleurs une montée de l’IA agentique, mais aussi une difficulté persistante à transformer les pilotes en impact à grande échelle. Dans la plupart des cas, cette difficulté vient moins du modèle que de l’industrialisation : données, droits, supervision, intégration métier.
L’approche Mankova : résultats concrets, code maîtrisé, pas de dépendance prestataire
Chez Mankova Consulting, nous privilégions une approche pragmatique : partir des cas d’usage à fort impact, auditer les sources existantes, puis construire une architecture robuste et maintenable. Notre objectif n’est pas de forcer une migration ni d’imposer une boîte noire. C’est de permettre à l’entreprise d’exploiter ses données là où elles se trouvent déjà.
Notre méthode d’intervention
- Audit des données et des processus : cartographie des sources, qualité, fraîcheur, droits d’accès, irritants métier.
- Priorisation des cas d’usage : identification des scénarios où l’accès aux données vivantes crée un gain mesurable.
- Conception d’architecture : choix entre indexation, synchronisation incrémentale, appels API live, cache et orchestration agentique.
- Implémentation des connecteurs : CRM, SharePoint, Outlook, Drive, S3, ERP, GED ou applications métier.
- Formation et transfert : accompagnement des équipes métier et techniques pour comprendre, utiliser et maintenir la solution.
Un principe fort : vous restez propriétaire
Nous savons que les dirigeants veulent éviter l’enfermement prestataire. C’est pourquoi nos projets sont conçus autour de principes clairs :
- propriété du code par le client ;
- architecture documentée ;
- connecteurs maintenables et réutilisables ;
- absence de dépendance à un modèle LLM unique ;
- possibilité de changer de base vectorielle ou d’hébergeur ;
- auditabilité des accès et des réponses.
Cette approche donne de la liberté. L’entreprise peut commencer avec un fournisseur de modèle, une base vectorielle ou une infrastructure donnée, puis évoluer sans devoir reconstruire tout son système IA.
Conclusion : l’IA utile est celle qui accède aux bonnes données, au bon moment
Les entreprises n’ont pas besoin d’un énième silo. Elles ont besoin d’agents IA capables de comprendre leurs métiers, de consulter les sources existantes et de répondre avec des informations fiables, fraîches et traçables.
Le passage du RAG statique au RAG temps réel marque une étape importante : l’IA ne se limite plus à interroger une base documentaire figée. Elle devient une couche intelligente connectée aux données vivantes de l’entreprise : CRM, SharePoint, mails, Drive, S3, ERP, GED et outils métier.
La perspective est claire : les organisations qui réussiront leurs projets IA ne seront pas forcément celles qui auront tout migré dans une plateforme unique. Ce seront celles qui auront su connecter proprement, gouverner les accès, auditer les réponses et garder la maîtrise de leur architecture.
Mankova Consulting accompagne cette transition avec une conviction simple : une IA performante doit être utile au terrain, compréhensible par les équipes, sécurisée par conception et possédée par l’entreprise qui l’utilise.
