Contrats dans SharePoint, procédures qualité dans un dossier réseau, devis en PDF, comptes rendus dans Teams, fiches produits en pièces jointes, normes dans une archive… Dans beaucoup d’entreprises, la connaissance existe déjà. Le problème, c’est qu’elle est dispersée, difficile à retrouver et rarement exploitable au moment où les équipes en ont besoin.
Avec l’IA générative, la promesse est séduisante : poser une question en langage naturel et obtenir une réponse claire, sourcée, adaptée au contexte de l’entreprise. Mais entre un chatbot qui “répond quelque chose” et une base de connaissance IA entreprise réellement fiable, il y a un écart important : qualité documentaire, droits d’accès, indexation, citations, évaluation, gouvernance.
Selon McKinsey, 88 % des organisations interrogées en 2025 déclarent utiliser régulièrement l’IA dans au moins une fonction. Gartner anticipe de son côté que 80 % des applications GenAI métier seront construites sur des plateformes de données existantes d’ici 2028. Autrement dit : l’enjeu n’est plus de repartir de zéro, mais de connecter intelligemment l’existant — SharePoint, GED, dossiers réseau, ERP, PDF, exports métiers — pour créer un moteur de recherche IA interne utile et maîtrisé.
Dans cet article, nous expliquons comment construire une base de connaissance IA exploitable, quelles technologies comparer — recherche classique, RAG, recherche hybride, GraphRAG — et comment raisonner en PME : quel niveau suffit, combien prévoir, quels gains attendre et comment limiter les hallucinations.
Pourquoi les entreprises ont déjà une base de connaissance… sans le savoir
Dans une PME ou une ETI, la connaissance est rarement absente. Elle est plutôt enfouie dans une multitude de supports :
- SharePoint, Teams, OneDrive ou Google Drive ;
- dossiers réseau historiques ;
- contrats clients et fournisseurs ;
- procédures qualité, sécurité, RH ou production ;
- devis, propositions commerciales et cahiers des charges ;
- comptes rendus de réunion ;
- fiches produits et documentations techniques ;
- normes, référentiels et documents réglementaires ;
- archives et anciennes versions ;
- emails ou exports issus d’outils métiers.
Cette dispersion crée des pertes de temps quotidiennes. Un commercial cherche la dernière version d’une fiche produit. Un technicien veut retrouver une procédure d’intervention. Une équipe juridique vérifie une clause contractuelle. Un nouveau collaborateur sollicite plusieurs collègues pour comprendre “comment on fait ici”.
Le sujet n’est donc pas uniquement technologique. Une recherche documentaire intelligente entreprise suppose de traiter trois dimensions : les documents, les usages et la gouvernance. L’IA ne corrige pas magiquement un patrimoine documentaire désorganisé ; elle le rend exploitable si l’on met en place les bons garde-fous.
De la recherche classique au moteur de réponses IA
Avant de parler RAG ou GraphRAG, il est utile de comparer les principales approches. Toutes ne répondent pas au même besoin, ni au même budget.
1. La recherche classique : simple, mais limitée
La recherche classique repose principalement sur les mots-clés, les noms de fichiers et parfois les métadonnées. Elle fonctionne bien lorsque l’utilisateur sait ce qu’il cherche : un contrat précis, un fichier nommé, une référence produit.
Elle devient moins efficace lorsque la question est formulée naturellement. Par exemple : “Quelle est la procédure de résiliation pour un client B2B ?” Si le document parle de “fin de contrat professionnel” plutôt que de “résiliation B2B”, le moteur peut passer à côté.
Avantages : peu coûteux, rapide à mettre en place, souvent déjà disponible dans Microsoft 365 ou une GED.
Limites : pas de synthèse, gestion faible des synonymes, dépendance forte aux titres et aux métadonnées, nombreux résultats à trier manuellement.
2. La recherche sémantique : comprendre le sens de la question
La recherche sémantique utilise des représentations vectorielles, ou embeddings, pour comparer le sens d’une question avec le contenu des documents. Elle peut retrouver un passage pertinent même si les mots exacts ne sont pas identiques.
Par exemple, une question sur “l’annulation d’un abonnement” peut faire remonter un paragraphe parlant de “conditions de résiliation”. C’est un progrès important pour les utilisateurs non experts ou les nouveaux arrivants.
Avantages : meilleure pertinence, compréhension du langage naturel, utile sur les corpus volumineux.
Limites : risque de remonter des contenus proches mais non applicables, besoin d’un bon découpage documentaire, pas forcément de réponse rédigée.
3. Le RAG : l’assistant documentaire IA pour PME
Le RAG, pour Retrieval-Augmented Generation, combine deux briques : un moteur de recherche qui retrouve les passages pertinents, puis un modèle de langage qui formule une réponse à partir de ces passages. Microsoft décrit ce principe comme une manière d’associer les capacités de raisonnement des modèles génératifs aux connaissances fiables de l’organisation, via des sources comme SharePoint, Microsoft Graph, Dataverse ou Azure AI Search.
Concrètement, un assistant documentaire IA PME en RAG fonctionne ainsi :
- ingestion des documents depuis SharePoint, dossiers réseau, GED ou exports ;
- OCR pour les PDF scannés ou documents image ;
- découpage des documents en passages exploitables ;
- enrichissement avec des métadonnées : date, service, version, type, langue, statut ;
- indexation vectorielle, mots-clés ou hybride ;
- recherche des passages les plus pertinents à chaque question ;
- génération d’une réponse claire, structurée et sourcée ;
- application des droits d’accès de l’utilisateur.
L’intérêt majeur est que l’IA ne répond pas uniquement avec sa connaissance générale. Elle s’appuie sur vos documents internes. C’est ce qui rend le RAG particulièrement adapté aux cas d’usage de support, qualité, RH, juridique, commercial, SAV ou production.
Un bon assistant documentaire ne doit pas seulement répondre vite. Il doit répondre avec les bonnes sources, au bon utilisateur, sur la bonne version du document.
4. La recherche hybride : souvent le meilleur compromis
La recherche hybride combine plusieurs méthodes : mots-clés, recherche sémantique, métadonnées, filtres métier et parfois règles de priorité. C’est souvent l’approche la plus pragmatique pour une PME.
Pourquoi ? Parce que certains besoins exigent une exactitude lexicale. Une référence produit, un numéro de contrat, une norme ou une clause précise doivent être retrouvés tels quels. À l’inverse, d’autres questions nécessitent une compréhension du sens. La recherche hybride permet de traiter les deux.
Exemple : un responsable qualité demande “Quelle procédure appliquer en cas de non-conformité fournisseur sur une pièce critique ?”. Le système peut combiner la similarité sémantique, le filtre “qualité”, la date de validité, le statut “validé” et les occurrences exactes de “non-conformité fournisseur”.
5. GraphRAG et graphes de connaissance : pour les environnements complexes
Le GraphRAG ajoute une couche de relations entre les entités : clients, produits, contrats, fournisseurs, normes, sites, équipements, versions, procédures. Gartner met en avant cette approche pour améliorer la confiance et la pertinence des réponses dans les contextes où les informations sont fortement liées.
Un graphe devient utile lorsque les questions dépassent la simple recherche documentaire :
- “Quels contrats clients sont concernés par cette nouvelle norme ?”
- “Quelles procédures sont liées à ce produit et à ce site industriel ?”
- “Quels fournisseurs interviennent sur les composants soumis à cette exigence réglementaire ?”
Cette approche peut être très puissante, mais elle demande un effort de modélisation plus important. Pour une PME, elle se justifie surtout dans les environnements réglementés, industriels, multi-sites ou fortement contractuels.
Comment construire une base de connaissance IA fiable à partir de SharePoint, PDF et dossiers réseau
Étape 1 : cadrer les usages prioritaires
Le premier réflexe ne doit pas être de connecter “tous les documents”. Il faut commencer par les questions à forte valeur :
- répondre plus vite aux clients ;
- retrouver les clauses contractuelles ;
- assister le support ou le SAV ;
- guider les équipes sur les procédures internes ;
- accélérer l’onboarding ;
- capitaliser les connaissances des experts seniors ;
- sécuriser les réponses sur les sujets RH, qualité ou réglementaires.
Chez Mankova Consulting, nous recommandons souvent de partir d’un périmètre ciblé : une équipe, un corpus documentaire, un processus. Cela permet de mesurer rapidement la valeur avant d’étendre.
Étape 2 : qualifier les sources documentaires
Une base de connaissance IA n’a pas besoin de tout ingérer immédiatement. Elle doit d’abord distinguer les documents fiables des documents obsolètes. Une procédure validée n’a pas la même valeur qu’une archive ou qu’un brouillon.
Les métadonnées jouent ici un rôle essentiel :
- service propriétaire ;
- date de création et de mise à jour ;
- statut : validé, brouillon, archive ;
- version ;
- langue ;
- type de document : contrat, procédure, devis, norme, compte rendu ;
- niveau de confidentialité.
Plus ces informations sont propres, plus le moteur peut filtrer et hiérarchiser les réponses.
Étape 3 : traiter les PDF et documents scannés
Les PDF sont souvent le point faible des projets RAG. Un PDF natif bien structuré est relativement simple à exploiter. Un PDF scanné, une image, un tableau complexe ou un document multi-colonnes demandent un traitement plus fin.
L’OCR permet d’extraire le texte, mais il faut ensuite vérifier la qualité : erreurs de reconnaissance, tableaux mal interprétés, en-têtes répétés, signatures, annexes. Les travaux récents sur les RAG alimentés par PDF montrent que la qualité d’extraction, le découpage des documents et les métadonnées influencent directement la fiabilité des réponses.
Étape 4 : découper intelligemment les documents
Le découpage, ou chunking, consiste à transformer un document long en passages exploitables. Un découpage trop large noie l’information. Un découpage trop court perd le contexte. Dans une procédure, il faut souvent conserver le titre, la section, les conditions d’application et les étapes associées.
Exemple : pour une procédure qualité, le moteur doit comprendre que l’étape “notifier le fournisseur sous 48 heures” dépend d’un cas précis : non-conformité critique, fournisseur homologué, lot bloqué. Sans contexte, la réponse peut être incomplète.
Étape 5 : sécuriser les accès
Un moteur de recherche IA interne doit respecter les droits existants. Un collaborateur ne doit pas obtenir via l’IA une information qu’il ne peut pas consulter dans SharePoint ou dans la GED.
Les connecteurs Microsoft, notamment via Microsoft Graph et Copilot connectors, répondent à cette logique : rendre les contenus accessibles à la recherche et aux assistants tout en conservant les permissions. C’est un point structurant pour les entreprises déjà équipées de Microsoft 365.
Combien coûte un RAG entreprise ?
La question du RAG entreprise prix revient très vite. Il n’existe pas de tarif universel, car le coût dépend du volume documentaire, de la qualité des sources, des connecteurs, de l’OCR, du niveau de sécurité, des interfaces et du besoin d’évaluation.
Pour donner des ordres de grandeur réalistes :
- Prototype simple : quelques milliers d’euros à 15 000 €, pour valider un cas d’usage sur un corpus limité.
- Assistant documentaire PME sur SharePoint et PDF : 15 000 à 60 000 €, selon les sources, l’interface, l’OCR et les premières règles de gouvernance.
- Solution robuste avec droits, audit, monitoring et évaluation : 50 000 à 150 000 €, pour un usage plus large et sécurisé.
- GraphRAG ou knowledge graph métier : souvent au-delà de 100 000 €, surtout si les entités et relations doivent être modélisées finement.
À ces coûts projet peuvent s’ajouter des coûts récurrents : hébergement, modèles IA, index vectoriel, stockage, OCR, supervision, maintenance, amélioration continue et support utilisateur.
L’approche la plus saine consiste à raisonner par retour sur investissement : heures économisées par semaine, coût horaire moyen, taux d’adoption, réduction des erreurs et amélioration du délai de réponse client.
Quels gains attendre pour une PME ?
Les gains les plus crédibles ne viennent pas du remplacement des équipes, mais de la réduction des frictions quotidiennes. Une base de connaissance IA bien conçue peut permettre de :
- réduire fortement le temps passé à chercher des documents ;
- accélérer les réponses aux clients ou partenaires ;
- standardiser l’application des procédures ;
- limiter les erreurs liées à des versions obsolètes ;
- retrouver rapidement des clauses contractuelles ;
- faciliter l’onboarding des nouveaux collaborateurs ;
- assister les équipes commerciales, SAV, RH, qualité ou juridique ;
- préserver la connaissance détenue par les experts seniors.
Exemple simple : si 40 collaborateurs gagnent chacun 30 minutes par semaine sur la recherche documentaire, cela représente 20 heures hebdomadaires récupérées. À l’échelle d’une année, le gain devient significatif, sans même compter l’amélioration de la qualité de service.
Comment éviter les hallucinations et les réponses dangereuses
Le principal risque d’un assistant IA est de produire une réponse convaincante mais fausse. Dans un contexte d’entreprise, cela peut avoir des conséquences : mauvaise information client, erreur de procédure, interprétation juridique approximative, non-conformité réglementaire.
Pour limiter ces risques, plusieurs règles sont indispensables :
- Réponses sourcées : chaque réponse doit citer les documents utilisés, avec liens vers les passages sources.
- Droit de ne pas répondre : si aucune source fiable n’est trouvée, l’assistant doit dire : “Je n’ai pas trouvé de source suffisante.”
- Filtrage par permissions : les droits utilisateurs doivent être respectés à chaque recherche.
- Versioning : les documents obsolètes doivent être identifiés ou exclus des réponses principales.
- Métadonnées fiables : date, service, statut, langue et type de document doivent guider la recherche.
- Jeu de questions de test : l’entreprise doit évaluer l’assistant sur des cas réels, pas seulement sur des démonstrations.
- Validation humaine : les sujets juridiques, RH, sécurité ou réglementaires doivent conserver une supervision experte.
- Monitoring : les mauvaises réponses doivent être remontées, analysées et corrigées.
- Séparation des archives : les documents historiques ne doivent pas être confondus avec les sources applicables.
Un RAG fiable n’est donc pas seulement un projet IA. C’est aussi un projet documentaire, sécurité et métier.
Quelle approche choisir selon votre maturité ?
Cas 1 : vos documents sont peu nombreux et bien rangés
Une recherche classique améliorée, avec métadonnées propres et règles de nommage, peut suffire. L’IA n’est pas toujours nécessaire au départ.
Cas 2 : vous avez beaucoup de PDF, procédures et documents SharePoint
Un RAG avec recherche hybride est généralement le meilleur compromis. Il permet de poser des questions naturelles et d’obtenir des réponses sourcées, sans modéliser toute l’entreprise.
Cas 3 : vos questions dépendent de relations complexes
Si vos équipes doivent croiser contrats, produits, normes, clients, sites et fournisseurs, un graphe de connaissance ou un GraphRAG peut devenir pertinent. Mais il doit être justifié par des cas d’usage à forte valeur.
Le rôle de Mankova Consulting
Mankova Consulting accompagne les entreprises dans la mise en œuvre pragmatique de solutions IA, avec une double compétence technique et métier issue de grandes entreprises tech et ESN. Notre groupe édite également ses propres logiciels IA — Loop & Roll, Hyperstelia, MisterHey, FindTheProspect, Trustelia et TellMeHow — ce qui nous permet de combiner vision produit, expérience terrain et maîtrise des architectures IA.
Sur un projet de base de connaissance IA, l’accompagnement peut prendre plusieurs formes :
- formation et coaching des équipes sur les usages IA et RAG ;
- audit documentaire et technique, sans durée standard annoncée car chaque contexte est spécifique ;
- cadrage des cas d’usage et estimation du ROI ;
- conception d’un assistant documentaire IA PME ;
- choix d’architecture : Microsoft 365, Azure AI Search, connecteurs, solutions open source ou hybrides ;
- mise en place ponctuelle de connecteurs, prototypes ou modules sur mesure ;
- définition des règles de sécurité, d’évaluation et de gouvernance.
Notre approche est progressive : commencer par un périmètre utile, mesurer les gains, renforcer la fiabilité, puis étendre si la valeur est démontrée.
Conclusion : une knowledge base IA fiable se construit sur l’existant
Transformer SharePoint, des dossiers réseau et des PDF en moteur de réponses fiable est aujourd’hui accessible, y compris pour les PME. Mais la réussite ne dépend pas uniquement du modèle IA choisi. Elle repose sur la qualité des sources, la pertinence de l’indexation, le respect des droits, la traçabilité des réponses et l’évaluation continue.
La tendance est claire : les entreprises passent du simple chatbot à un véritable moteur de recherche IA interne, intégré aux outils existants et orienté résultats concrets. La recherche hybride devient le standard pragmatique, tandis que le GraphRAG progresse dans les environnements plus complexes.
La bonne stratégie consiste à démarrer simple : un corpus prioritaire, des questions réelles, des réponses sourcées, des utilisateurs pilotes. Puis à industrialiser progressivement. Une base de connaissance IA entreprise performante n’est pas seulement un projet technologique ; c’est un levier de productivité, de transmission des savoirs et de fiabilisation des décisions quotidiennes.
