Système 05 · RAG agentique

Chatbot RAG pour entreprise qui répond à partir de vos documents.

Un chatbot RAG et une base de connaissances IA qui répond à partir de votre propre contenu, cite ses sources et transmet la question à une personne au lieu de deviner.

Trente minutes au téléphone, et vous repartez avec la liste de correctifs prioritaires, que nous travaillions ensemble ou non.

Prix unique1 250 $ CA à 2 500 $ CA
AncrageLes réponses citent leur source
RefusIndique « pas dans le contenu »
HébergementNotre infonuagique ou la vôtre

Révisé par Martin Kelly, fondateur de Botonomy Mis à jour

La réponse courte

Qu’est-ce qu’un chatbot RAG pour entreprise?

Un chatbot RAG pour entreprise est une base de connaissances IA dotée d’une fenêtre de clavardage. Il permet de poser des questions à vos propres documents en langage courant et d’obtenir une réponse accompagnée de sa source. Il repose sur la génération augmentée par récupération (RAG) : il trouve d’abord les passages pertinents dans votre contenu, puis répond uniquement à partir de ceux-ci.

Un chatbot RAG et une base de connaissances IA pour votre entreprise, fondés sur la génération augmentée par récupération : un assistant agentique qui répond à partir de votre propre contenu plutôt que de deviner. Il cite ses sources et dit qu’il ne sait pas plutôt que d’inventer quelque chose de plausible. Quand une question sort du corpus, il la transmet à une personne au lieu d’y répondre, ce qui permet de le déployer là où une mauvaise réponse coûte cher.

Un agent conversationnel IA générique répond à partir de ce sur quoi il a été entraîné, ce qui n'inclut ni vos prix, ni vos politiques, ni le changement de produit du mois dernier. C'est de là que viennent les réponses erronées données avec assurance. Une base de connaissances IA se limite volontairement à votre contenu et indique de quel passage provient chaque réponse.

La dimension agentique, c'est le jugement sur le moment de ne pas répondre. Sous un seuil de confiance donné, le système indique qu'il ne sait pas, propose de transférer à une personne et consigne la question, de sorte que les lacunes de votre contenu deviennent une liste de correctifs.

RAG agentique, définis. Le RAG agentique est une génération augmentée par récupération où l'agent décide non seulement quoi récupérer, mais aussi comment répondre : il fouille vos documents, répond avec citations quand le contenu le permet, et refuse ou transfère à une personne quand ce n'est pas le cas.

Une vraie réponse d'Aria, l'agent conversationnel IA de la base de connaissances sur botonomy.ai, expliquant la différence entre les forfaits Operate et Accelerate à partir du matériel tarifaire de Botonomy
Une vraie réponse de l'agent conversationnel de ce site, propulsé par ce système.
Architecture

Trois couches pour automatiser les réponses à grande échelle, de façon déterministe.

Directive

Quoi faire

Le mode opératoire, couché sur papier. Objectifs, intrants, outils à utiliser, extrants et cas limites, en langage clair, versionné comme du code. Quand on apprend une limite d’API à la dure, elle est consignée ici, pour ne jamais devoir être réapprise.

Orchestration

Prise de décision

La seule couche probabiliste. Elle lit la directive, appelle les outils dans l’ordre, gère les erreurs et pose une question quand quelque chose est véritablement ambigu. Elle n’exécute pas le travail elle-même.

Exécution

Faire le travail

Des scripts déterministes. Même entrée, même résultat, à chaque exécution. Une précision de quatre-vingt-dix pour cent par étape donne cinquante-neuf pour cent sur cinq étapes, alors tout ce qui doit être exact se trouve ici plutôt qu’ailleurs.

Flux de données

Entrée, traitement, sortie.

Ce qu'il lit
Vos documents, pages et base de connaissances
Contenu produit et tarifaire
Conversations passées de soutien et de vente
Problème → solution
La même question, répondue manuellement, chaque jourRépondue une fois, puis prise en charge en votre nom
Un agent conversationnel qui invente ce qu'il ne sait pasDes réponses étayées par des preuves, ou un refus honnête
Du contenu que personne n'a le temps de lireVos propres documents, enfin accessibles en une phrase
Ce que vous obtenez
Index vectorisé et interrogeable
Réponse ancrée avec citations
Lead capté pendant la conversation
Rapport des lacunes : ce qu'il n'a pas pu répondre

Ce que les clients finissent par apprécier le plus, c'est la liste des questions auxquelles le système n'a pas pu répondre. Chacune d'elles représente une lacune dans votre contenu que quelqu'un cherchait activement à combler, et elle vous est révélée plutôt que devinée.

Schéma d'un RAG agentique : ingérer vos documents, récupérer les passages pertinents, répondre avec la source ou décliner et transférer la demande, puis consigner les lacunes
Sous le seuil de confiance, il décline, propose un échange avec une personne et consigne la question.
Où il s'intègre

Agent conversationnel IA générique vs recherche dans le centre d'aide vs base de connaissances IA

Trois façons de permettre à un client ou à un collègue de trouver une réponse sans passer par une personne.

Agent conversationnel IA génériqueRecherche dans le centre d'aideBase de connaissances IA (RAG)
Répond à partir deSes données d'entraînementCorrespondances de mots-clésPassages de vos propres documents
Indique sa sourceNonUne liste d'articlesOui, pour chaque réponse
Quand il ne sait pasDevine souventNe retourne rienLe dit et propose une personne
Tenu à jourPas avec vos changementsQuand les articles sont modifiésRelu dans votre contenu selon un calendrier
Ce que vous apprenezRienTermes de rechercheChaque question à laquelle il n'a pas pu répondre
Où vivent vos donnéesChez le fournisseurVotre centre d'aideVotre choix, y compris votre propre infrastructure
Intégrations

Il lit votre pile technologique. Il ne la remplace pas.

  • ClaudeRéponses fondées sur des sources
  • OpenAIEmbeddings + solution de repli
  • PineconeRécupération vectorielle
  • QdrantVecteurs autohébergés
  • PostgreSQLSource de référence
  • LangChainOrchestration de la récupération

Se connecte aussi à

Votre CMSGoogle DriveNotionClickUpSlackAnalytics 4

Lecture seule partout où la lecture seule suffit. Aucun accès en écriture n'est accordé sans nécessité, et chaque écriture est consignée.

Barrières de qualité

Vérifié avant même de vous atteindre.

Chaque réponse est traçable jusqu'aux passages récupérés : aucune génération non ancrée.

Sous le seuil de confiance, il refuse plutôt que de deviner.

Les questions sans réponse sont consignées plutôt qu'abandonnées en silence.

Cette constance est tout l'intérêt. Les mêmes vérifications et les mêmes livrables à chaque exécution, afin que lorsqu'un chiffre bouge, vous sachiez qu'il a bougé parce que votre site a changé, et non parce que la méthode a changé.

Fiche technique

Les détails ennuyeux.

SpécificationStandardDeployable
Où ça tourneNotre infrastructureChez vous
Qui détient les clés APINous, selon la portée du clientVous
CadenceMensuel, ou hebdomadaireN'importe quelle cadence
Conservation des données brutesReconstruit à chaque exécutionVotre politique
Livraison des livrablesVotre Drive et votre outil de suiviVotre choix
Accès au code source—Complet
Fonctionne de façon autonomeOuiOui
Alertes en cas d'échecSlack et courrielVos canaux
Les autres systèmes

Même architecture, rôle différent.

Vous le voulez dans votre propre pile technologique?

Deployable vous remet le logiciel, l'hébergement et les clés. Vous l'exploitez; nous assurons le soutien.

Discuter de la portée
Avant de commencer

Questions sur la base de connaissances IA.

Qu'est-ce qu'une base de connaissances IA?

Une base de connaissances IA est un système qui permet aux gens de poser des questions à propos de vos propres documents en langage courant et d'obtenir une réponse accompagnée de sa source. Il repère d'abord les passages pertinents dans votre contenu, puis répond uniquement à partir de ceux-ci, ce qui l'empêche d'inventer des réponses.

En quoi un chatbot RAG est-il différent d'un chatbot IA général?

Un chatbot IA général répond à partir de ses données d'entraînement, qui ne comprennent ni vos prix, ni vos politiques, ni vos produits. Un chatbot RAG se limite à votre propre contenu et indique de quel passage provient chaque réponse. Lorsque votre contenu ne couvre pas la question, il le mentionne.

Peut-on l'intégrer à notre site comme chatbot pour la clientèle?

Oui. La même base de connaissances peut alimenter une fenêtre de clavardage sur votre site, répondre aux questions avant une vente et capter le lead lorsqu'une personne demande à parler à quelqu'un. L'assistant de ce site fonctionne sur le même système.

Comment le système reste-t-il à jour quand nos documents changent?

Le contenu source est relu selon un calendrier et l'index est reconstruit dès qu'il y a un changement. Chaque document porte une date de révision, et un document dont la date est dépassée est signalé, car un document désuet produit une réponse erronée formulée avec assurance, qu'aucune vérification du chatbot ne pourra détecter.

Qu'est-ce qu'un système RAG?

Un système RAG est un assistant qui répond à partir de vos propres documents plutôt que de données d'entraînement générales. La génération augmentée par récupération signifie qu'il repère d'abord les passages pertinents dans votre contenu, puis y répond, et cite ce qu'il a utilisé.

Que fait-il lorsqu'il ne sait pas?

Il le dit. Le système est conçu pour refuser de répondre plutôt que de produire une réponse plausible qu'il ne peut appuyer sur votre contenu, car une réponse erronée formulée avec assurance coûte plus cher à corriger qu'une absence de réponse ne coûte à escalader.

Combien coûte un chatbot RAG?

Botonomy conçoit le système pour un prix unique de 1 250 $ CA à 2 500 $ CA, selon la portée. La portée et le prix exacts sont fixés dans l’énoncé des travaux et le contrat de licence de services.

Comment empêcher un chatbot RAG d’halluciner?

De trois façons. Il répond uniquement à partir des passages récupérés dans votre contenu, il montre la source et, sous un seuil de confiance, il s’abstient et propose de joindre une personne. Aucun système n’élimine complètement les hallucinations, c’est pourquoi chaque réponse peut être retracée et celles auxquelles il n’a pas pu répondre sont consignées.

Qui peut voir quoi? Les permissions sont-elles respectées?

Il ne peut répondre qu’à partir de ce qu’on y charge : tout ce que vous laissez de côté ne peut donc pas apparaître dans une réponse. Un assistant public et un assistant interne sont construits comme des index distincts. Les règles qui donnent à chaque employé un accès différent à différents documents relèvent du sur mesure. Il faut donc en parler dès le départ.

Peut-il se connecter à SharePoint ou à Zendesk?

Votre CMS, Google Drive, Notion, ClickUp et Slack sont les connexions que nous listons aujourd’hui. SharePoint, Zendesk et les autres sources sont traités par exportation ou par un connecteur sur mesure, défini avec vous avant la conception.

Comment tester un chatbot RAG avant le lancement?

Utilisez de vraies questions tirées de votre boîte de réception du soutien. Vérifiez chaque réponse par rapport à sa source, comptez combien sont bonnes, erronées ou refusées, et incluez des questions auxquelles il devrait refuser de répondre. La mauvaise réponse est le chiffre à faire baisser. Un refus vous montre seulement une lacune dans le contenu.

Où se trouvent nos données?

Là où vous le choisissez. Avec Deployable, le système fonctionne au sein de votre propre infrastructure avec vos propres clés, de sorte que vos documents ne quittent jamais votre environnement.