Chatbot IA : ce que contient sa base de connaissances

La base de connaissances d'un chatbot d'intelligence artificielle (IA), c'est l'ensemble des documents dans lesquels il a le droit de chercher avant de répondre : la foire aux questions du client, ses conditions de vente, ses fiches produits, les pages de son site. Le chatbot ne les « apprend » pas. Il y cherche, au moment de chaque question, les passages utiles, puis un modèle de langage rédige une réponse à partir de ces passages.

Deux pièces distinctes

Le guide de la Direction générale des entreprises (DGE), publié en novembre 2024, sépare clairement les deux :

• Le modèle de langage (en anglais large language model, LLM) est le rédacteur. Il a été entraîné sur des textes généralistes. La DGE note qu'il n'est « pas informé du contexte spécifique » d'une entreprise et que ses connaissances sont figées au moment de son entraînement.
• La base de connaissances est la bibliothèque. Elle contient ce qui est propre à votre client et peut être mise à jour à tout moment.

Cette méthode porte un nom technique, la génération augmentée par récupération ; la fiche RAG en termes simples du lexique la définit.

Pour un client, l'image la plus juste est celle d'un employé nouveau, très bon rédacteur, à qui l'on remet un classeur : il répond bien si le classeur est bon.

Ce qu'on met dans la base

Le guide de la DGE indique que les données utilisées peuvent être « des e-mails, documents textuels et PDF du quotidien » aussi bien que des bases plus complexes. Pour un chatbot tourné vers les clients de votre client, on retrouve surtout :

La liste à remettre au client, avec ce qu'il faut écarter, est sur la page documents à demander au client. Pour les pages lues directement sur le site, voir entraîner un chatbot sur son site web.

Ce que deviennent les documents une fois chargés

La DGE décrit plusieurs étapes, que les solutions par abonnement font en général automatiquement. Vous n'avez pas à les réaliser, mais elles expliquent beaucoup d'erreurs :

1. Conversion en texte. Un document scanné passe par une reconnaissance de caractères (en anglais optical character recognition, OCR). Une mauvaise numérisation donne un texte faux.
2. Nettoyage. Retrait des doublons, des en-têtes, pieds de page et tables des matières, et des documents qui se contredisent.
3. Découpage. Chaque document est coupé en petits morceaux. Le chatbot retrouve des morceaux, pas des documents entiers.
4. Rangement. Chaque morceau est converti en une suite de nombres qui représente son sens, puis indexé pour être retrouvé vite.

Une recommandation de Google va dans le même sens pour son propre outil d'assistance : retirer le contenu sans rapport, surtout en début de document (barres de navigation, dates de modification, formulaires de commentaires), et exclure les documents périmés.

Ce que la base ne sait pas bien faire

Le guide de la DGE signale trois limites utiles à annoncer à un client :

• Les tableaux et les images : la méthode est en général plus performante sur du texte. Un tarif présenté en tableau dans un PDF peut être mal lu.
• Les synthèses de tout le corpus : elle est moins adaptée aux demandes qui exigent de parcourir tous les documents, comme un résumé comparatif.
• Les erreurs : elle réduit les réponses inventées sans les supprimer.

Une autre conséquence surprend souvent les clients : la même question peut recevoir deux formulations différentes. Voir pourquoi un chatbot ne répond pas toujours pareil.

À retenir pour vos livraisons

La qualité d'un chatbot à base de connaissances se joue d'abord dans la base : des documents à jour, en texte lisible, sans contradiction. Le choix du modèle vient après. C'est aussi la partie que votre client comprend le mieux, parce qu'il en est l'auteur.