RAG en entreprise : budget, cas d'usage et méthode pour passer en production

Un RAG d'entreprise ne consiste pas à déposer des PDF dans un chatbot et à espérer que les réponses deviennent fiables. Le vrai projet commence quand il faut respecter les droits d'accès, distinguer une procédure à jour d'une version périmée, citer les sources et répondre « je ne sais pas » lorsque les documents ne suffisent pas.

L'opportunité SEO est étroite mais qualifiée. En France, « rag entreprise » représente environ 30 recherches mensuelles selon DataForSEO, avec un CPC de 6,62 €, une concurrence faible et une difficulté estimée à 16. Le volume n'est pas spectaculaire. L'intention, elle, correspond à une décision coûteuse : faut-il construire une recherche augmentée, pour quel usage et avec quel budget ?

Mon avis est simple : une PME n'a pas besoin d'un RAG pour pouvoir dire qu'elle utilise l'IA. Elle en a besoin lorsqu'une équipe perd du temps à chercher, vérifier et reformuler une information interne qui existe déjà. Dans ce cas, le modèle n'est qu'une pièce. La valeur se trouve dans les données, les permissions, l'intégration au travail réel et la mesure de la qualité.

RAG en entreprise : les cas d'usage qui justifient vraiment le projet

La génération augmentée par récupération, ou Retrieval-Augmented Generation, ajoute une étape de recherche avant la génération d'une réponse. La question de l'utilisateur est transformée en requête, le système retrouve les passages pertinents dans une base documentaire, puis le modèle rédige sa réponse à partir de ce contexte.

Les documents officiels de France Num, mis à jour le 29 juillet 2026, citent notamment la documentation technique, les contrats, les textes juridiques, les données RH et les informations commerciales. Ce sont de bons candidats parce que la réponse dépend d'informations internes, volumineuses et changeantes.

Le mauvais cas d'usage est tout aussi important à reconnaître. Si l'information tient dans dix pages stables, une recherche classique ou une FAQ bien conçue sera souvent moins chère et plus fiable. Si la réponse doit venir en temps réel d'un ERP, d'un CRM ou d'un outil de stock, une API structurée vaut généralement mieux qu'une copie de ces données dans une base vectorielle.

Le RAG devient pertinent lorsque plusieurs conditions sont réunies :

• le corpus est assez vaste pour ralentir la recherche humaine ;
• les documents changent et doivent être réindexés ;
• les réponses doivent citer leurs preuves ;
• les permissions diffèrent selon les utilisateurs ;
• le gain de temps peut être mesuré sur une tâche fréquente.

Cette logique complète la méthode décrite dans mon guide sur l'intégration de l'IA en entreprise. On part du processus coûteux, pas de la technologie à la mode.

Quel budget prévoir pour un RAG d'entreprise ?

France Num publie désormais un ordre de grandeur particulièrement utile : pour faciliter l'accès aux données internes avec un RAG, le budget observé se situe entre 15 000 et 50 000 €, avec une durée de zéro à trois mois. Le même retour d'expérience évoque un gain potentiel allant jusqu'à une demi-journée par collaborateur et par semaine, mais ce chiffre reste un objectif à valider dans chaque entreprise, pas une promesse.

La largeur de cette fourchette s'explique par cinq postes souvent confondus.

1. Préparer les données. Il faut inventorier les sources, supprimer les doublons, identifier les versions, extraire correctement le texte des PDF et conserver les métadonnées. Les tableaux, scans, annexes et documents multilingues coûtent plus cher à traiter qu'une collection de pages propres.

2. Construire la récupération. Le choix des morceaux de texte, des embeddings, des filtres, de la recherche hybride et éventuellement d'un reranker influence directement la qualité. Les documentations OpenAI indiquent qu'un vector store peut automatiser le découpage, l'indexation et la recherche sémantique. Cette commodité réduit le code à écrire, mais ne décide pas à votre place quelles sources sont fiables ni quels droits appliquer.

3. Intégrer l'outil. Une fenêtre de chat isolée produit rarement un retour sur investissement durable. Le RAG doit rejoindre l'endroit où le travail se fait : CRM, support, intranet, suite documentaire ou back-office. C'est souvent cette intégration, plus que le modèle, qui transforme une démonstration en outil.

4. Sécuriser les accès. Un collaborateur ne doit pas retrouver un salaire, un contrat confidentiel ou un dossier médical simplement parce que le passage est proche de sa question. AWS recommande notamment la réduction des privilèges, le contrôle par rôle, la protection des données sensibles et la séparation claire entre le modèle, les sources et les fonctions capables d'agir.

5. Évaluer et maintenir. Le corpus évolue, les questions changent et un modèle peut régresser. Il faut donc conserver un jeu de questions réelles, mesurer la qualité de la récupération, suivre les réponses sans preuve, auditer les droits et réindexer proprement les documents modifiés.

Je déconseille de demander un prix avant d'avoir défini cinquante à cent questions représentatives. Sans ce jeu de test, le devis finance une architecture, pas un résultat. Pour cadrer le retour sur investissement, utilisez ensuite la logique de mesure du ROI de l'IA en PME : fréquence de la tâche, temps économisé, taux de correction humaine et coût d'une erreur.

Passer du POC à la production en 90 jours : ma méthode et mon verdict

France Num met en garde contre « l'effet démo » : obtenir trois belles réponses est facile, exploiter le système chaque jour est exigeant. Les retours de terrain examinés sur Reddit vont dans le même sens, mais ils restent anecdotiques : les difficultés citées concernent surtout les documents complexes, les permissions, l'observabilité, les coûts à l'échelle et la concurrence entre utilisateurs. Une vidéo consacrée aux RAG prêts pour l'entreprise a également été examinée ; son transcript n'était pas disponible, donc aucune déclaration de la vidéo n'est reprise ici.

Voici une progression que je considère réaliste pour une PME.

Jours 1 à 15 : choisir un seul processus. Listez les utilisateurs, les sources autorisées, les questions fréquentes et le coût actuel de la recherche. Définissez aussi les refus attendus. Un assistant juridique interne doit, par exemple, refuser de conclure lorsqu'aucune clause pertinente n'est retrouvée.

Jours 16 à 35 : construire un corpus propre. Attribuez à chaque document un propriétaire, une date, une version, une catégorie et une règle d'accès. Mettez en quarantaine les fichiers inconnus ou mal extraits. AWS rappelle que le pipeline d'ingestion lui-même constitue une surface d'attaque : macros, objets intégrés et instructions malveillantes peuvent contaminer la base de connaissances.

Jours 36 à 55 : tester la récupération avant la prose. Pour chaque question, vérifiez d'abord si le bon passage remonte dans les premiers résultats. Une réponse élégante fondée sur le mauvais document reste une mauvaise réponse. Mesurez au minimum la précision des passages, la présence de la bonne source et le taux de questions pour lesquelles aucune preuve suffisante n'existe.

Jours 56 à 75 : intégrer permissions et citations. Les autorisations doivent être appliquées avant la génération, au moment de la recherche. Affichez les sources utilisées et permettez à l'utilisateur d'ouvrir le passage. Pour les décisions à fort impact, maintenez une validation humaine. Le modèle doit être traité comme un composant non fiable, pas comme un administrateur omniscient.

Jours 76 à 90 : ouvrir à un groupe limité. Suivez la latence, le coût par requête, les recherches sans résultat, les corrections et les documents les plus cités. Les retours utilisateurs servent ensuite à enrichir le jeu d'évaluation. On élargit le périmètre uniquement si la qualité reste stable.

Avant le lancement général, je veux voir ces critères d'acceptation :

• chaque réponse factuelle renvoie vers une source accessible à l'utilisateur ;
• les documents périmés sont exclus ou clairement signalés ;
• les permissions sont testées avec plusieurs profils ;
• le système sait s'abstenir lorsque la preuve manque ;
• un tableau de bord suit qualité, latence, coût et incidents ;
• un responsable métier possède le corpus et arbitre les mises à jour.

Mon verdict : le budget de 15 000 à 50 000 € est cohérent pour un RAG métier réellement exploitable, mais seulement si le périmètre reste étroit et mesurable. Je commencerais par un département, un corpus et un indicateur opérationnel. Si le projet ne peut pas démontrer un gain sur ce périmètre, ajouter des agents, un modèle plus cher ou davantage de documents ne le sauvera pas. Les erreurs classiques de stratégie IA commencent presque toujours par un problème mal défini.

FAQ

Quelle différence entre un RAG et un chatbot classique ?

Un chatbot classique répond surtout à partir des connaissances du modèle et du contexte fourni dans la conversation. Un RAG recherche d'abord des passages dans les sources de l'entreprise, puis utilise ces passages pour produire une réponse contextualisée et, idéalement, citée.

Un RAG supprime-t-il les hallucinations ?

Non. Il peut les réduire si la récupération trouve les bons documents et si le modèle reste fidèle aux passages fournis. Il peut aussi produire une réponse fausse à partir d'une source obsolète, d'un mauvais extrait ou d'une instruction malveillante. L'évaluation continue et la capacité à s'abstenir restent indispensables.

Faut-il héberger le modèle dans l'entreprise ?

Pas nécessairement. Le choix dépend de la sensibilité des données, des exigences de résidence, du volume, de la latence et des compétences disponibles. Un service géré peut accélérer un premier périmètre. Un déploiement privé apporte davantage de contrôle, mais ajoute de l'exploitation et de la sécurité à maintenir.

Comment savoir si le projet est rentable ?

Mesurez une tâche précise avant et après : temps de recherche, délai de réponse, nombre de corrections, taux de résolution et coût d'une erreur. Multipliez le temps réellement économisé par la fréquence observée, sans extrapoler les meilleurs résultats du pilote à toute l'entreprise.

• France Num, guide RAG pour exploiter les données d'une TPE-PME, mis à jour le 29 juillet 2026
• France Num, retours d'expérience et cas d'usage accessibles aux PME, 27 avril 2026
• OpenAI, Retrieval et vector stores
• OpenAI, File Search
• AWS Security Blog, sécuriser le pipeline d'ingestion RAG
• AWS, protéger les données sensibles dans les applications RAG
• OWASP, Top 10 des risques pour les applications LLM