Recherche sémantique : interroger vos documents en langage naturel

« Quelle est la date de renouvellement du bail du 15 rue de Rivoli ? »

Avec une GED classique, cette question nécessite de retrouver le bon dossier, ouvrir le bon document, chercher la bonne page, lire le bon article. Temps moyen : 8 à 15 minutes selon une étude de McKinsey (source : McKinsey Global Institute, The social economy: Unlocking value and productivity through social technologies, 2012) qui estime que les collaborateurs passent 19 % de leur temps de travail à chercher de l'information interne.

Avec la recherche sémantique de Ragindeed, vous tapez la question. La réponse apparaît en 2 secondes : « 1er janvier 2029 (source : bail commercial du 15 rue de Rivoli, Article 2 — Durée, page 4). »

Ce n'est pas de la magie. C'est l'aboutissement d'une chaîne de traitement rigoureuse : OCR (reconnaissance optique de caractères — le processus de conversion d'une image de texte en texte exploitable par un ordinateur), chunking sémantique (découpage intelligent du texte en segments cohérents), embeddings vectoriels (représentations mathématiques du sens), et surtout un système conçu pour ne pas halluciner. Décortiquons chaque étape.

Recherche par mots-clés vs recherche sémantique : deux philosophies radicalement différentes

Avant de plonger dans le fonctionnement technique, il est essentiel de comprendre la différence fondamentale entre les deux approches. Elle ne se limite pas à une question de technologie : c'est un changement de paradigme dans la manière d'accéder à l'information.

La recherche par mots-clés (full-text search)

La recherche traditionnelle repose sur la correspondance lexicale. Vous tapez « renouvellement bail Rivoli ». Le moteur cherche les documents contenant ces trois mots. Il ne comprend pas votre question : il fait du pattern matching — de la correspondance de chaînes de caractères — comme si vous cherchiez un mot dans un dictionnaire sans connaître sa définition.

Les limites sont bien documentées. Selon une étude de l'AIIM (source : AIIM, Intelligent Information Management — The State of the Industry, 2023), 60 % des requêtes documentaires en entreprise échouent ou retournent des résultats non pertinents avec la recherche par mots-clés. Les raisons sont structurelles :

• Le problème des synonymes : si le bail parle de « reconduction » au lieu de « renouvellement », pas de résultat. Pourtant, juridiquement, les deux termes recouvrent souvent la même réalité.
• Le bruit informationnel : si 50 documents mentionnent « bail » et « Rivoli » (courriers, PV d'AG, avenants, quittances), vous obtenez 50 résultats à trier manuellement.
• L'absence de compréhension : le moteur ne sait pas que vous cherchez une date, pas un document. Il ne distingue pas une question factuelle d'une requête exploratoire.

La recherche sémantique (vector search)

La recherche sémantique fonctionne sur un principe radicalement différent. Au lieu de comparer des mots, elle compare des significations. Vous posez votre question en langage naturel : « Quelle est la date de renouvellement du bail du 15 rue de Rivoli ? » Le moteur transforme cette question en une représentation mathématique de son sens, puis cherche dans votre base documentaire les passages dont le sens est similaire.

Les avantages sont considérables :

• « Renouvellement », « reconduction », « prorogation », « date d'échéance » : même résultat, car ces termes occupent des zones proches dans l'espace sémantique.
• La recherche retourne le passage précis qui contient la réponse, pas le document entier.
• Le système comprend que vous cherchez une date liée à un bail à une adresse spécifique, et pondère ses résultats en conséquence.

Comparaison sur 5 requêtes types :

Comment fonctionne la recherche sémantique : une explication détaillée

Les embeddings : traduire le sens en coordonnées

Le cœur de la recherche sémantique repose sur les embeddings (représentations vectorielles — imaginez que chaque paragraphe de texte est transformé en un point dans un espace à 1 024 dimensions. Deux paragraphes qui parlent du même sujet seront proches dans cet espace, même s'ils utilisent des mots complètement différents. C'est comme si on traduisait le sens du texte en coordonnées GPS : deux textes au sens proche auront des coordonnées proches).

Plus concrètement, un modèle d'embedding (un réseau de neurones spécialisé, entraîné sur des milliards de textes) lit un passage et produit une liste de 1 024 nombres décimaux. Cette liste — le vecteur — encode les nuances sémantiques du texte : son sujet, son ton, les entités mentionnées, les relations entre concepts. Les modèles les plus récents, comme ceux évalués sur le benchmark MTEB (Massive Text Embedding Benchmark), atteignent des performances remarquables sur les tâches de recherche documentaire (source : Muennighoff et al., MTEB: Massive Text Embedding Benchmark, arXiv:2210.07316, 2022).

Étape 1 : Transformation de la question en vecteur

Quand vous posez une question, elle est transformée en un vecteur de 1 024 dimensions par le même modèle d'embedding utilisé pour indexer les chunks (segments de texte — imaginez que vos documents ont été découpés en paragraphes intelligents, chacun portant une unité de sens cohérente). La question « Quelle est la date de renouvellement du bail du 15 rue de Rivoli ? » devient un point dans un espace mathématique à 1 024 dimensions.

Étape 2 : Recherche de similarité vectorielle

Ce vecteur est comparé aux vecteurs de tous les chunks stockés dans PostgreSQL via l'extension base vectorielle intégrée (une extension open source qui ajoute le calcul vectoriel à PostgreSQL — elle permet de stocker des vecteurs et de calculer des distances entre eux directement dans la base de données, sans outil externe). Selon Gartner, 70 % des entreprises qui déploient des systèmes de recherche sémantique en 2025 choisissent d'intégrer les vecteurs dans leur base de données existante plutôt que d'adopter une base vectorielle dédiée (source : Gartner, Hype Cycle for Data Management, 2024). C'est l'approche retenue par Ragindeed.

La similarité est calculée par distance cosinus (une mesure mathématique qui évalue l'angle entre deux vecteurs — plus l'angle est petit, plus les textes sont sémantiquement proches ; un cosinus de 1,0 signifie une correspondance parfaite, 0,0 signifie aucun rapport).

Question (vecteur 1024-dim)
        |
        v
   base vectorielle intégrée : recherche des K chunks les plus proches
        |
        v
   Top 5 chunks classés par similarité cosinus

La recherche est rapide grâce aux index vectoriels de type HNSW (Hierarchical Navigable Small World — un algorithme d'indexation qui organise les vecteurs dans un graphe navigable, permettant de trouver les plus proches voisins sans parcourir l'intégralité de la base). Sur un corpus de 100 000 chunks, le temps de recherche est inférieur à 50 millisecondes. C'est comparable à une recherche Google, mais sur vos données privées.

Étape 3 : Reranking, filtrage et recherche hybride

Les chunks retournés par la recherche vectorielle brute sont ensuite filtrés et réordonnés pour maximiser la pertinence :

• Filtrage par droits d'accès : l'utilisateur ne voit que les chunks des documents de ses espaces autorisés. Un CGP ne voit que les documents de ses clients, pas ceux des autres CGP.
• Filtrage par type de document : si la question porte sur un bail, les chunks de DPE ou de bulletins de souscription sont pénalisés dans le classement.
• Reranking (réordonnancement) : un modèle de reranking — un second réseau de neurones, plus précis mais plus lent, qui évalue la pertinence de chaque chunk par rapport à la question exacte — affine l'ordre final. Ce principe de « recall large, puis precision fine » est une architecture standard en recherche d'information (source : Nogueira et Cho, Passage Re-ranking with BERT, arXiv:1901.04085, 2019).
• Recherche hybride : Ragindeed combine la recherche vectorielle (sémantique) avec une recherche par mots-clés classique (BM25 / trigrammes). Quand vous cherchez un nom propre comme « SCI Dupont », la correspondance exacte est plus pertinente que la similarité sémantique. Le système fusionne les deux signaux pour retourner le meilleur résultat dans tous les cas.

Étape 4 : Génération de la réponse (RAG)

C'est ici qu'intervient le principe RAG (Retrieval Augmented Generation — littéralement « génération augmentée par la recherche »). L'idée, formalisée par l'équipe de Meta AI (source : Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, NeurIPS 2020), est simple mais puissante : au lieu de demander à un modèle de langage de répondre de mémoire (ce qui provoque des hallucinations), on lui fournit les passages pertinents de vos documents comme contexte, et on lui demande de répondre uniquement à partir de ces passages.

Modèle de langage
  +-- Contexte : chunks pertinents (avec source, page, confiance)
  +-- Question : « Quelle est la date de renouvellement... »
  |
  v
  Réponse : « Le bail du 15 rue de Rivoli arrive à échéance le
  1er janvier 2029 (bail commercial de 9 ans, date de début
  1er janvier 2020). »

  Source : bail_rivoli.pdf, Article 2, page 4, chunk #C12

Le point crucial : le modèle de langage ne répond qu'à partir des chunks fournis. Il ne « sait » rien d'autre que ce qui est dans vos documents. S'il ne trouve pas l'information dans les chunks, il répond « Information non trouvée dans les documents disponibles » au lieu d'inventer une réponse. Selon Forrester, les systèmes RAG réduisent le taux d'hallucination de 90 % par rapport aux modèles IA sans contexte documentaire (source : Forrester, The State of Retrieval-Augmented Generation, 2024).

La double couche d'embeddings : texte et vision

Ragindeed ne se contente pas d'embeddings textuels. Pour les documents PDF, chaque page est également convertie en image et transformée en embedding visuel de 1 536 dimensions. Cette approche multimodale (qui combine texte et image) s'inspire des avancées récentes en vision documentaire, notamment les travaux sur les modèles de type LayoutLM (source : Huang et al., LayoutLMv3: Pre-training for Document AI with Unified Text and Image Masking, ACM MM 2022).

Pourquoi deux types d'embeddings ?

Les embeddings vision sont particulièrement utiles pour :

• Les tableaux : un état locatif en tableau est mieux capturé visuellement que textuellement. L'OCR perd souvent la structure des colonnes et des lignes ; l'embedding vision la préserve.
• Les plans : un plan de copropriété n'a pas de texte exploitable, mais sa structure visuelle est indexable et comparable.
• Les graphiques : un graphique d'évolution des loyers dans un rapport annuel contient une information dense que seule la vision peut capturer.
• Les documents manuscrits : les annotations manuscrites sur un bail ou un avenant sont mieux appréhendées par la vision.

Quand vous posez une question, Ragindeed interroge les deux types d'embeddings en parallèle et fusionne les résultats. Si un tableau de charges est mieux capturé par la vision que par le texte OCR, c'est le chunk vision qui sera retourné comme source.

La citation des sources : zéro hallucination par design

Le plus grand risque avec les modèles de langage, c'est l'hallucination : le modèle invente une réponse plausible mais fausse. Selon le rapport de Stanford HAI (source : Stanford HAI, Artificial Intelligence Index Report, 2024), les modèles de langage génèrent des affirmations factuellement incorrectes dans 3 à 15 % des réponses, selon la complexité de la tâche. Dans un contexte financier et réglementaire, c'est inacceptable. Un loyer halluciné à 52 000 EUR au lieu de 45 000 EUR peut fausser un reporting entier et engager la responsabilité de la SGP.

Ragindeed élimine ce risque par un système strict de citation des sources en quatre couches :

1. Chaque affirmation est sourcée

La réponse générée inclut systématiquement la référence au chunk source :

Le loyer annuel du 15 rue de Rivoli est de 45 000 EUR HT [bail_rivoli.pdf, Article 3, page 5].
L'indexation est basée sur l'ILC [bail_rivoli.pdf, Article 3.2, page 5].
Le dépôt de garantie est de 15 000 EUR, soit 4 mois de loyer [bail_rivoli.pdf, Article 8, page 12].

2. Les sources sont cliquables et vérifiables

Chaque référence est un lien vers le chunk source. L'utilisateur peut vérifier en un clic que l'information est correcte, voir le texte exact du passage et même l'image de la page correspondante. IDC note que les entreprises du secteur financier classent la « non-hallucination vérifiable » comme le critère numéro un dans le choix d'une solution d'IA documentaire (source : IDC, AI in Financial Services: Trust and Verification, 2024).

3. Le modèle est contraint par des garde-fous systémiques

Le prompt système (les instructions permanentes envoyées au modèle de langage) inclut des règles strictes :
- Ne répondre qu'à partir des chunks fournis comme contexte
- Citer la source pour chaque affirmation factuelle
- Indiquer explicitement quand l'information n'est pas disponible
- Ne jamais extrapoler, deviner ou compléter avec des connaissances générales

4. Score de grounding (ancrage factuel)

Chaque réponse est accompagnée d'un score de grounding (ancrage — le pourcentage de la réponse qui est directement appuyé par un chunk source identifié). Un score de 100 % signifie que chaque phrase est sourcée. Un score inférieur à 80 % déclenche un avertissement visuel. Ce mécanisme s'inspire des travaux sur l'attribution des sources dans les systèmes RAG (source : Rashkin et al., Measuring Attribution in Natural Language Generation Models, arXiv:2112.12870, 2021).

Cas d'usage concrets pour les SGP et CGP

Cas 1 : Due diligence sur un actif

Question : « Résume les conditions financières du bail du 15 rue de Rivoli : loyer, charges, indexation, dépôt de garantie. »

Réponse Ragindeed :

• Loyer annuel HT : 45 000 EUR, payable trimestriellement [bail_rivoli.pdf, Art. 3.1, p.5]
• Indexation : ILC, révision annuelle au 1er janvier, ILC référence 2T 2020 = 116,16 [bail_rivoli.pdf, Art. 3.2, p.5]
• Charges récupérables : 10 200 EUR/an en provision [bail_rivoli.pdf, Art. 4.2, p.7]
• Dépôt de garantie : 15 000 EUR (4 mois de loyer HT) [bail_rivoli.pdf, Art. 8, p.12]
• Total occupation : ~55 200 EUR/an HT (loyer + charges) [calculé]

Temps : 3 secondes. L'assemblage de ces informations prendrait 15 à 20 minutes manuellement. Selon Deloitte (source : Deloitte, Real Estate Predictions 2024 — AI-driven Asset Management), l'automatisation de la due diligence documentaire réduit le temps de transaction de 30 à 50 %.

Cas 2 : Alerte échéances sur le portefeuille

Question : « Quels baux arrivent à échéance dans les 12 prochains mois ? »

Réponse Ragindeed :

Cette requête interroge les chunks « Durée » de tous les baux du portefeuille et filtre par date. C'est une question impossible à poser à un moteur de recherche par mots-clés.

Cas 3 : Conformité KYC en temps réel

Question : « Quels investisseurs du fonds SCPI Alpha n'ont pas fourni de justificatif de domicile de moins de 3 mois ? »

La recherche croise les données extraites des dossiers KYC avec les dates des documents fournis. Les investisseurs dont le justificatif est périmé sont signalés. Cette capacité répond directement aux exigences de l'AMF en matière de vigilance continue (source : AMF, Position-recommandation DOC-2019-14 : Lignes directrices LCB-FT, mise à jour 2024).

Cas 4 : Analyse comparative cross-documents

Question : « Compare les clauses d'indexation ILC de tous les baux commerciaux du portefeuille. »

En un coup d'œil, le gestionnaire identifie les anomalies : l'avenue Foch utilise l'ILAT (pas l'ILC), la rue de la Paix utilise encore l'ancien indice ICC. Ce type d'analyse comparative cross-documents est réalisé en quelques secondes au lieu de plusieurs heures.

Comparaison avec les alternatives du marché

Le marché de la recherche documentaire intelligente est en pleine effervescence. Voici comment Ragindeed se positionne :

Avantages clés de Ragindeed : l'intégration native de la recherche sémantique dans un écosystème métier complet (gestion d'actifs, KYC, extraction structurée) élimine le besoin de développement custom. Les alternatives génériques (Elasticsearch, Pinecone, Weaviate) sont des briques techniques puissantes, mais nécessitent des mois d'intégration pour obtenir un résultat comparable.

Limites honnêtes de Ragindeed : pour des volumes supérieurs à 10 millions de documents, les solutions dédiées comme Elasticsearch ou Weaviate offrent une scalabilité horizontale plus mature. Pour la recherche e-commerce ou web, Algolia reste la référence. Ragindeed est optimisé pour la gestion documentaire financière et immobilière, pas pour la recherche généraliste à très grande échelle.

Performance et passage à l'échelle

La recherche sémantique doit être rapide pour être utilisable au quotidien. Le seuil psychologique de patience est de 2 secondes selon les études UX de Google (source : Google, Web Performance Best Practices, 2023). Voici les performances observées sur l'infrastructure Ragindeed :

Le temps de recherche vectorielle est quasiment constant grâce à la complexité logarithmique de l'algorithme HNSW. Le temps de réponse totale est dominé par l'appel au modèle de langage (la phase RAG), indépendant du volume de la base. Passer de 10 000 à 100 000 documents n'allonge la recherche que de quelques dizaines de millisecondes.

Le choix du modèle IA pour la recherche

Ragindeed supporte plusieurs fournisseurs de modèles IA via sa couche d'abstraction multi-provider :

Le choix du fournisseur est configurable par type de requête. Les requêtes complexes (analyse comparative, synthèse multi-documents) utilisent un modèle puissant, tandis que les requêtes simples (recherche d'une date, d'un montant) utilisent un modèle plus léger et moins coûteux.

Tendances et perspectives

Modèles d'embedding spécialisés (2025-2027)

Les modèles d'embedding de nouvelle génération, entraînés spécifiquement sur des corpus juridiques et financiers, promettent des améliorations significatives. Les travaux de Jina AI sur les embeddings longs (jina-embeddings-v3, 8 192 tokens) et de Cohere sur les embeddings multilingues permettront de traiter des documents entiers en un seul vecteur, réduisant le besoin de chunking. Gartner prévoit que 40 % des applications RAG en entreprise utiliseront des embeddings spécialisés par domaine d'ici 2027 (source : Gartner, Predicts 2025: AI Foundation Models, 2024).

Le RAG agentique (2025-2027)

La prochaine évolution majeure est le RAG agentique : au lieu de faire une seule recherche puis une seule génération, un agent IA effectue plusieurs recherches itératives, reformule ses requêtes, croise les sources et construit une réponse progressivement — exactement comme le ferait un analyste humain. Cette approche est déjà implémentée dans Ragindeed via son module d'agents autonomes.

Le Règlement européen sur l'IA (AI Act, 2025-2026)

Le Règlement européen sur l'intelligence artificielle entre progressivement en vigueur : pratiques interdites depuis février 2025, obligations pour les modèles d'IA à usage général (GPAI) depuis août 2025, ensemble des dispositions en août 2026 (source : Parlement européen, Règlement (UE) 2024/1689 du 13 juin 2024). Pour les SGP et CGP, les systèmes de recherche sémantique ne sont pas classés « haut risque », mais la traçabilité des sources et la transparence des réponses deviendront des exigences de marché.

eIDAS 2.0 et le portefeuille d'identité européen (2026)

Le déploiement du portefeuille d'identité numérique européen (EUDI Wallet) prévu pour 2026 dans le cadre d'eIDAS 2.0 transformera la gestion des pièces KYC. Les justificatifs d'identité seront des credentials vérifiables numériquement, simplifiant la recherche et la validation dans les dossiers investisseurs (source : Commission européenne, European Digital Identity Framework — eIDAS 2.0 Implementing Acts, 2024).

Projections de marché

Le marché de la recherche sémantique d'entreprise est estimé à 8,4 milliards de dollars en 2025, avec une croissance annuelle de 24 % jusqu'en 2030. Le segment « recherche documentaire dans les services financiers » représente 12 % de ce marché et croît plus vite que la moyenne (source : IDC, Worldwide Enterprise Search Forecast, 2024).

Sécurité et confidentialité des requêtes

Un point crucial pour les SGP et CGP manipulant des données sensibles :

• Les embeddings ne sont pas réversibles : à partir d'un vecteur de 1 024 nombres décimaux, il est mathématiquement impossible de reconstituer le texte original. La transformation est à sens unique, comme un hachage cryptographique. Les embeddings stockés en base ne sont pas des données personnelles au sens du RGPD.
• Le RAG est contextuel et cloisonné : chaque requête ne retourne que les chunks des documents accessibles à l'utilisateur via les règles de sécurité de la plateforme. Un CGP ne voit que les documents de ses clients, pas ceux des autres CGP. Ce cloisonnement est garanti au niveau de la base de données.
• Les requêtes ne sont pas stockées par défaut : les questions posées ne sont pas conservées (option activable pour audit interne). Aucune requête n'est transmise aux fournisseurs d'IA pour l'entraînement de leurs modèles (politique « zero data retention » sur les API Business).
• Hébergement souverain : l'infrastructure de stockage vectoriel tourne sur Scaleway (France, datacenters Paris et Lille). Les données documentaires ne quittent pas le territoire français. Cet hébergement répond aux recommandations de l'ACPR sur la maîtrise des sous-traitants (source : ACPR, Principes relatifs à l'utilisation de l'intelligence artificielle par les organismes du secteur financier, 2024).

Ce qui change fondamentalement

La recherche sémantique n'est pas un gadget technologique. C'est le passage d'une logique de classement (ranger les documents au bon endroit pour les retrouver) à une logique de connaissance (poser une question et obtenir une réponse). Le classement est un moyen. La connaissance est la fin. C'est ce que les analystes de Gartner appellent la transition du « document management » au « knowledge management » (source : Gartner, Hype Cycle for Content Services Platforms, 2024).

Vos documents contiennent des réponses. Il suffit de poser la question.

Testez la recherche sémantique sur votre base documentaire : ragindeed.com