Guide
RAG privé sur vos documents internes
Les requêtes autour de la position dix parlent déjà de ça: un système privé qui répond à partir de vos fichiers. Voici comment on le bâtit, depuis Montréal, sans envoyer le disque de l'entreprise dans un chatbot public.
Ce que « RAG privé » veut dire vraiment
Le RAG (génération augmentée par récupération) n'est pas une barre de recherche plus futée, ni ChatGPT avec votre logo. Quand quelqu'un pose une question, le système récupère des passages dans les documents que vous avez désignés — PDF, procédures, contrats, wiki — puis rédige une réponse qui cite ces passages. Privé veut dire que l'index et le modèle restent dans votre nuage ou sur votre réseau. Les documents ne deviennent pas des données d'entraînement pour un produit grand public.
Pourquoi les équipes arrêtent de coller dans ChatGPT
Coller une politique dans un modèle public va vite, jusqu'à ce que ce soit une fuite. C'est aussi faux là où ça compte: le modèle invente une clause, mélange le PDF de l'an dernier avec celui de cette année, et ne peut pas montrer la page utilisée. Un RAG privé sur vos documents internes est plus long à monter et plus strict sur les sources. C'est le but. Les employés ont une réponse qu'ils peuvent ouvrir. Les juristes et les TI ont une frontière.
Ce qui change quand l'agence est canadienne
Les équipes québécoises et fédérales posent deux questions avant de parler d'embeddings: où vivent les données, et le système peut-il répondre dans les deux langues à partir d'un corpus mixte. On déploie dans un VPC que vous contrôlez (ou sur site). Les fichiers n'ont pas besoin de quitter le Canada. La recherche bilingue n'est pas un interrupteur — les questions en français sur des procédures anglaises, et l'inverse, se conçoivent. C'est un travail ordinaire pour un studio montréalais. C'est rare dans un deck « IA entreprise » générique.
Quand le RAG est le mauvais outil
Si vous avez vingt pages et un auteur, un intranet bien étiqueté gagne. Si vous voulez que le modèle invente une stratégie, vous voulez une personne. Le RAG paie quand la bibliothèque est large, que les réponses doivent être sourcées, et que l'alternative est un senior qui fouille SharePoint. Hôpitaux, services professionnels et équipes ops avec des décennies de PDF: c'est le profil habituel — le même que les requêtes de longue traîne qui se classent déjà près de ce site.
Ce qu'on couvre au premier appel
On commence par l'endroit où vivent les fichiers, qui a le droit de voir quel rayon, et si le français et l'anglais doivent chercher dans le même index. Ensuite: l'hébergement (votre AWS, Azure, GCP, ou une machine au bureau) et à quoi ressemble un « bon » résultat: un paragraphe cité, pas une vibe. Si ça colle, on cadre un RAG privé sur une tranche de la bibliothèque avant de promettre toutes les archives.