En bref : un chatbot classique suit des règles écrites à l’avance : il est prévisible, mais il se perd dès qu’un client sort du scénario. Un chatbot IA « nu » comprend le langage naturel, mais répond avec ce qu’il a appris, y compris quand il se trompe. Le RAG (génération augmentée par la recherche) relie le modèle à vos propres documents : il cherche d’abord la bonne information chez vous, puis rédige sa réponse à partir d’elle. C’est ce qui rend un assistant utile sur vos offres, vos procédures et vos conditions. Pour une PME, la vraie question n’est donc pas « IA ou pas IA », mais « sur quelles sources le chatbot a-t-il le droit de répondre ? »
Trois familles de chatbots, trois logiques différentes
Le mot « chatbot » recouvre des outils très différents. Les confondre mène à des achats inadaptés.
Le chatbot à règles (ou à arbre de décision)
Il propose des boutons ou reconnaît quelques mots-clés, puis déroule un scénario : « Suivre ma commande », « Prendre rendez-vous », « Parler à un conseiller ». Tout est écrit à la main. Avantage : zéro surprise. Limite : chaque question imprévue aboutit à « Je n’ai pas compris », et chaque évolution de votre offre oblige à retoucher le scénario.
Le chatbot à modèle de langage « seul »
Il s’appuie sur un grand modèle de langage (LLM) : il comprend des formulations libres et répond avec fluidité. Mais il ne connaît ni votre grille tarifaire, ni vos délais, ni vos conditions de vente. Lorsqu’on lui pose la question, il produit une réponse plausible, pas forcément vraie. C’est le profil le plus risqué pour un site client.
Le chatbot IA avec RAG
Même modèle de langage, mais précédé d’une étape de recherche dans une base de documents que vous contrôlez : FAQ, fiches produit, procédures internes, contrats types, comptes rendus. La question du visiteur déclenche d’abord la recherche des passages pertinents ; le modèle rédige ensuite sa réponse en s’appuyant sur ces passages, et peut citer le document utilisé.
Le RAG, expliqué sans jargon
Le principe a été formalisé dans un article de recherche publié en 2020 par Patrick Lewis et ses coauteurs (NeurIPS 2020) : associer un modèle de langage pré-entraîné à un index de documents externe que le système consulte avant de générer sa réponse. Dans cette étude, la combinaison surpassait des modèles qui ne s’appuyaient que sur leurs connaissances internes sur plusieurs tâches de questions-réponses, et produisait des textes plus factuels.
Transposé à une PME, cela donne un fonctionnement en quatre temps :
- Préparation : vos documents sont nettoyés, découpés en passages et indexés.
- Recherche : à chaque question, le système retrouve les passages les plus proches du sujet.
- Rédaction : le modèle reçoit la question et ces passages, avec la consigne de ne répondre qu’à partir d’eux.
- Contrôle : la réponse affiche sa source, ou le chatbot reconnaît qu’il ne sait pas et passe la main à un humain.
Le quatrième point est celui qui différencie un démonstrateur d’un outil fiable. Un chatbot qui sait dire « je n’ai pas cette information, voici le contact du service concerné » inspire plus confiance qu’un chatbot qui répond toujours.
Pourquoi la fiabilité n’est pas un détail : l’affaire Air Canada
En février 2024, un tribunal de Colombie-Britannique (Moffatt c. Air Canada, 2024 BCCRT 149) a donné raison à un client à qui le chatbot de la compagnie avait donné une information erronée sur un tarif de deuil. La compagnie soutenait que son chatbot était une entité distincte, responsable de ses propres propos. Le tribunal a écarté cet argument : le chatbot fait partie du site, et l’entreprise répond de toutes les informations qui y figurent. La condamnation totale s’est élevée à 812,02 dollars canadiens, somme modeste, mais le principe est clair.
La leçon pour une PME française : ce que dit votre chatbot vous engage comme une page de votre site. Un assistant qui improvise une promesse commerciale, un délai ou une garantie crée un risque réel. Le RAG ne supprime pas ce risque, mais il le réduit fortement en bornant les réponses à des contenus que vous avez validés.
Quel chatbot pour quel besoin ? Un tableau de décision
| Situation | Choix adapté | Pourquoi |
|---|---|---|
| 5 à 10 demandes répétitives et stables (horaires, suivi de commande, prise de rendez-vous) | Chatbot à règles | Simple, prévisible, peu coûteux à maintenir |
| Questions variées sur une offre, des procédures ou une documentation technique | Chatbot IA avec RAG | Comprend les formulations libres et répond depuis vos sources |
| Aide interne aux équipes (RH, support, commerciaux) sur des documents qui changent | RAG avec droits d’accès par profil | Mise à jour en remplaçant un document, sans réentraîner de modèle |
| Le chatbot doit aussi agir (créer un ticket, modifier une réservation) | Agent IA relié à vos outils | Au-delà de la réponse, il déclenche des actions contrôlées |
| Aucun document fiable ni à jour | Ne pas démarrer par le chatbot | Un RAG ne peut pas être meilleur que les sources qu’on lui donne |
Les erreurs qui font échouer un projet de chatbot RAG
- Indexer « tout le disque partagé ». Des versions obsolètes, des brouillons et des documents confidentiels se retrouvent mélangés. Commencez par 20 à 50 documents de référence, propres et datés.
- Ne pas désigner de propriétaire du contenu. Quelqu’un doit être chargé de mettre à jour la base quand une offre ou un tarif change, sinon le chatbot répondra avec l’ancienne version.
- Oublier le cas « je ne sais pas ». Prévoyez la bascule vers un humain et testez-la autant que les bonnes réponses.
- Ne pas tester avec de vraies questions. Collectez 50 questions réelles de clients ou de collaborateurs et jugez les réponses avant la mise en ligne, puis chaque mois.
- Négliger la sécurité. Le classement OWASP 2025 des risques pour les applications fondées sur des LLM place l’injection de prompt en première position et la divulgation d’informations sensibles en deuxième. Concrètement : un visiteur malveillant peut tenter de détourner les consignes du chatbot, et un RAG mal cloisonné peut exposer des documents qui ne devraient pas sortir. Séparez les bases publiques et internes, et limitez ce que le chatbot peut lire selon la personne qui l’interroge.
Comment démarrer sans se tromper
1. Choisissez un périmètre étroit
Une seule population (clients du site, ou équipe support) et un seul domaine (par exemple les questions sur une gamme de services). Un premier lot réussi vaut mieux qu’un assistant « sur tout » décevant.
2. Fixez des critères de succès avant de commencer
Part de questions résolues sans intervention humaine, taux de réponses jugées exactes sur votre jeu de tests, nombre de transferts vers un conseiller. Sans critères, la discussion se résume à des impressions.
3. Choisissez le modèle et l’hébergement en connaissance de cause
Selon la sensibilité de vos documents, le modèle peut être appelé via une API ou hébergé dans un environnement que vous maîtrisez. Ce choix pèse sur le budget, le RGPD et la confidentialité : nous y consacrerons un prochain article, et notre page sur l’intégration de LLM et d’API d’IA détaille les options.
4. Chiffrez le projet complet, maintenance comprise
Le coût ne se limite pas au développement : il inclut la préparation des documents, les tests, l’hébergement et le suivi dans la durée. Notre article Combien coûte un projet d’IA en PME ? donne une grille pour cadrer ces postes.
5. Prévoyez la suite
Une fois la base documentaire fiable, le même socle peut alimenter un chatbot IA sur mesure pour le site, un assistant interne, ou un agent IA capable d’exécuter des tâches en plus de répondre.
FAQ
Un chatbot RAG peut-il quand même se tromper ?
Oui. Le RAG réduit les erreurs, il ne les élimine pas : la recherche peut ramener le mauvais passage, ou le document source peut être faux ou périmé. C’est pourquoi on affiche les sources, on teste régulièrement et on prévoit un relais humain.
Faut-il « entraîner » un modèle sur nos documents ?
Dans la plupart des cas d’usage en PME, non. Avec un RAG, vos documents sont consultés au moment de la question et non intégrés au modèle. Mettre à jour une réponse revient à mettre à jour un document, ce qui est plus simple et plus rapide qu’un réentraînement.
Quels documents donner en premier ?
Ceux dont les réponses sont stables et validées : FAQ, conditions de vente, fiches de service, procédures. Évitez les échanges d’emails bruts et les fichiers dont personne n’est responsable.
Un chatbot classique est-il devenu inutile ?
Non. Pour un petit nombre de demandes très cadrées, il reste plus simple et plus prévisible. Certains projets combinent les deux : des boutons pour les cas fréquents, du RAG pour les questions libres.
Un projet de chatbot ou d’assistant IA ?
Décrivez votre besoin en quelques questions rapides : nous revenons vers vous sous 24 h, sans engagement.
Sources
- Lewis P. et al., « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks », arXiv:2005.11401 (NeurIPS 2020) : arxiv.org/abs/2005.11401
- Décision Moffatt c. Air Canada, 2024 BCCRT 149 (14 février 2024), compte rendu : Law360 Canada
- OWASP, Top 10 for LLM Applications 2025 : genai.owasp.org/llm-top-10
Crédits photo : Unsplash (licence Unsplash, libre d’usage). Photographes : Petr Macháček, Luke Caunt, Zetong Li.
