Tout le monde veut son chatbot qui connaît l'entreprise par cœur. On lui donne les PDF, les procédures, le catalogue, et il répond aux clients et aux équipes. La démo se monte en un week-end. C'est bluffant, et c'est exactement là qu'est le piège.
Le problème, c'est qu'un chatbot mal fait répond faux avec le même aplomb qu'un chatbot bien fait. Personne ne voit la différence tant qu'un client ne se prend pas une réponse erronée en pleine figure.
Ce qui casse en production n'est jamais le modèle
Les systèmes qui échouent échouent presque tous aux mêmes endroits : l'accès aux données à jour, la complétude de la recherche, et surtout les droits d'accès. Un chatbot qui peut lire un document qu'un employé donné n'a pas le droit de voir, ce n'est pas une fonctionnalité, c'est une fuite. Les spécialistes le résument bien : sans gouvernance, contrôle des accès et métadonnées posés avant la recherche, on obtient un système confiant et peu fiable.
L'autre moitié du travail, c'est la qualité de la source. Branchez une IA sur des documents brouillons, contradictoires ou périmés, et vous avez fabriqué une machine à diffuser des erreurs plus vite. Le modèle n'invente pas le désordre, il le récite.
Le marché du RAG, la techno derrière ces chatbots, pèse près de 2 milliards de dollars en 2026. Ce n'est pas une mode. Mais l'argent des projets part dans l'ingénierie autour du modèle, pas dans le modèle : nettoyer les données, gérer les droits, mesurer les réponses.
Ce qui marche vraiment
On commence par un seul corpus propre et bien délimité. On met les droits d'accès dès le premier jour, pas « plus tard ». On teste avec de vraies questions de vos équipes, pas trois exemples choisis. Et sur les sujets sensibles, un humain relit avant que ça parte.
Un chatbot utile, c'est un chatbot qu'on peut croire. Le reste, c'est de la démo.
Tags
