Aller au contenu
AI-SNS.IO — CHAT SUPPORTAI-SNS.IO — CHAT SUPPORT
Bases des agents IA

RAG pour le support client : le guide clair pour les PME

Rédaction AI SNS CHATPublié le 7 min de lecture

Comprenez le RAG (génération augmentée par la recherche) et appliquez-le au support : principe, limites, base de connaissances et mise en route.

Vous avez sans doute entendu dire qu'il suffit de « donner vos documents à l'IA » pour qu'elle réponde à vos clients. En pratique, la réalité est plus nuancée : sans méthode, l'IA invente, se contredit ou répond à côté. Le RAG, pour « Retrieval-Augmented Generation », est la technique qui règle l'essentiel de ce problème. Cet article vous explique ce que c'est, comment une réponse se construit, où cela peut échouer et comment préparer vos contenus.

Le RAG en langage simple

Un modèle d'IA généraliste connaît beaucoup de choses sur le monde, mais rien de votre entreprise : vos délais de livraison, votre politique de retour, vos horaires d'ouverture un jour férié. Le RAG consiste à lui fournir, au moment précis de la question, les passages utiles de vos propres documents, puis à lui demander de répondre en s'appuyant sur eux.

Une image aide : imaginez un collaborateur brillant, mais nouveau. Vous ne lui demandez pas d'apprendre tout votre classeur par cœur. Vous lui dites : « Quand un client pose une question, ouvre le classeur à la bonne page, lis-la, puis réponds. » C'est exactement cela, le RAG.

Le mot se décompose en trois temps :

  • Recherche : le système retrouve dans votre base les passages les plus proches de la question.
  • Augmentation : ces passages sont ajoutés à la demande envoyée au modèle.
  • Génération : le modèle rédige une réponse claire, dans le ton que vous avez défini.

Pourquoi le RAG plutôt que d'autres approches

Il existe trois grandes façons de transmettre le savoir de votre entreprise à une IA. Pour une PME qui répond sur son site, WhatsApp ou Messenger, elles n'ont pas le même coût ni la même souplesse.

Approche
Ce que cela implique
Tout mettre dans la consigne
Simple au départ, mais la consigne devient énorme, difficile à maintenir et le modèle perd le fil
Réentraîner un modèle
Lourd, coûteux, figé dans le temps : chaque changement de tarif demande de recommencer
RAG (recherche puis réponse)
Vos documents restent à part ; on les met à jour et la réponse suivante en tient compte
Trois façons de donner votre savoir métier à une IAExemple illustratif

Les avantages du RAG pour le support tiennent en quatre points :

  1. Mise à jour immédiate. Vous modifiez la page « Retours et remboursements », la réponse change dès la question suivante.
  2. Réponses ancrées. L'IA s'appuie sur votre texte plutôt que sur ses souvenirs généraux.
  3. Traçabilité. Quand une réponse est mauvaise, vous pouvez remonter au document fautif et le corriger.
  4. Maîtrise des données. Votre contenu reste dans une base que vous gérez, ce qui s'accorde mieux avec la logique du RGPD (minimisation, rectification, suppression) qu'un savoir dilué dans un modèle.

Comment se construit une réponse RAG, étape par étape

Prenons un cas concret : une cliente écrit sur WhatsApp à une boutique en ligne belge : « Je peux retourner un article soldé ? »

  1. 01Question du client
  2. 02Recherche des passages pertinents
  3. 03Ajout au contexte du modèle
  4. 04Rédaction de la réponse
Le parcours d'une réponse RAGExemple illustratif

1. La question est comprise

Le système reformule ou analyse la question. « Retourner un article soldé » doit rejoindre un passage qui parle peut-être d'« échange », de « remboursement » ou de « produits en promotion ».

2. Les bons passages sont retrouvés

Votre base est découpée en extraits. Le système sélectionne ceux dont le sens est le plus proche de la question, pas seulement ceux qui contiennent les mêmes mots. C'est ce qui permet de faire le lien entre « soldé » et « promotion ».

3. Le contexte est assemblé

Les extraits retenus sont placés dans la demande envoyée au modèle, avec vos consignes : ton, langue, limites de ce qu'il peut promettre.

4. La réponse est rédigée

Le modèle formule une réponse courte et naturelle, par exemple : « Oui, les articles soldés peuvent être retournés sous 14 jours, mais ils sont échangés contre un avoir. » Si aucun passage ne répond à la question, une bonne configuration doit l'amener à le dire et à proposer un relais humain, plutôt qu'à improviser.

Où le RAG échoue, et comment l'éviter

Il vaut mieux connaître les points faibles avant de lancer.

Le bon passage n'existe pas

Si votre base ne dit rien sur les frais de douane vers la Suisse, aucune technique ne fera apparaître la réponse. Remède : relisez régulièrement les questions restées sans réponse et transformez-les en nouveaux contenus.

Le bon passage existe, mais n'est pas retrouvé

Un document de vingt pages mélangeant livraison, garantie et facturation donne des extraits flous. Remède : écrivez des pages courtes, centrées sur un seul sujet, avec un titre explicite.

Des documents qui se contredisent

Une ancienne grille tarifaire oubliée à côté de la nouvelle : l'IA peut citer l'une ou l'autre. Remède : supprimez ou archivez les versions périmées, et datez vos contenus.

Le modèle extrapole

Même avec de bons passages, un modèle peut en tirer une conclusion que votre texte n'autorise pas. Remède : des consignes claires (« ne promets jamais un délai qui n'est pas écrit »), des tests avant ouverture au public et une relecture des vraies conversations.

Les données personnelles

Une base de connaissances ne doit pas contenir de données de clients : ni listes, ni échanges bruts, ni pièces d'identité. Dans le cadre du RGPD, privilégiez des contenus génériques (procédures, tarifs, conditions) plutôt que des dossiers nominatifs.

Construire une base de connaissances qui se laisse retrouver

Une bonne base ressemble moins à une archive qu'à une foire aux questions bien rangée.

  • Une page, un sujet. « Délais de livraison en France, Belgique et Suisse » vaut mieux qu'un document « Informations pratiques ».
  • Écrivez comme vos clients parlent. Reprenez leurs formulations : « Où est mon colis ? », « Puis-je modifier mon adresse ? ».
  • Donnez la réponse dans les premières lignes, puis les exceptions.
  • Précisez les cas particuliers : jours fériés, territoires, produits exclus.
  • Utilisez des paires question-réponse pour les sujets les plus fréquents.
  • Nommez un responsable et fixez un rythme de relecture, par exemple à chaque changement de tarif ou de saison.

Combien de contenu pour démarrer ?

Pas besoin d'un volume énorme. Un point de départ réaliste : listez les vingt questions que vous recevez le plus souvent, rédigez une réponse soignée pour chacune, testez, puis élargissez. Par exemple, si votre boutique reçoit 300 conversations par mois et que la moitié tourne autour de la livraison et des retours, ces deux thèmes bien documentés couvrent déjà une part importante de la charge.

Un même savoir pour tous les canaux

L'intérêt d'une base unique est de répondre de façon cohérente, que le client écrive depuis le chat du site, WhatsApp ou Messenger. Seuls le ton et la longueur changent : un message WhatsApp sera plus court qu'une réponse sur une page d'aide.

Le RAG dans AI SNS CHAT

Dans AI SNS CHAT, la base de connaissances se gère depuis le menu Data sources. Vous y trouvez plusieurs types de sources : Files, Text snippets, Website, Q&A, Notion, Social, Tickets et Suggestions. Pour démarrer, la combinaison la plus simple est un site web à explorer, quelques textes courts pour les règles spécifiques et des paires Q&A pour les questions fréquentes.

Si vos contenus vivent déjà ailleurs, des connecteurs sous Channels permettent de les relier : Confluence, GitBook, ReadMe, Guru, Zendesk Guide, Google Drive, OneDrive, Dropbox, Box, SharePoint ou Notion, entre autres. Pour les connecteurs de type wiki, une synchronisation est limitée à 1,5 million de caractères et 400 pages, et l'éventuelle troncature vous est signalée. D'autres limites (pages par exploration, nombre de sources par agent, taille) dépendent de la configuration de la plateforme. Le stockage varie aussi selon l'offre, de 30 Mo en Free à 1 Go en Pro, avec des extensions possibles.

Le comportement de l'agent se règle dans sa persona et ses garde-fous : ton, périmètre, ce qu'il ne doit pas promettre. Avant toute mise en ligne, testez dans Playground, où vous pouvez aussi comparer des modèles. Le choix du modèle se fait dans Agent → Settings → AI ; les modèles avancés et le basculement automatique entre fournisseurs demandent l'offre Hobby ou supérieure.

Pour améliorer la base dans la durée :

  1. Consultez Activity → Chat logs pour repérer les réponses faibles, avec les évaluations pouce haut ou bas.
  2. Dans le cas d'un e-mail, ouvrez la conversation dans Inbox et corrigez la réponse pour en faire la réponse idéale qui entraîne l'agent.
  3. Passez la main à un humain quand c'est nécessaire : la prise en charge d'une conversation met le bot en pause.

Côté données, les passages de la base montrés à des inconnus sont nettoyés des informations personnelles, et les secrets sont masqués dans les journaux. Les pratiques de la plateforme sont conçues en référence au RGPD et à la loi japonaise APPI ; le détail figure sur la page Sécurité. Le même agent peut ensuite être déployé sur le widget de chat, WhatsApp ou Messenger depuis Channels (voir les connexions et les fonctionnalités), avec la même base. Les tarifs précisent les crédits : une réponse consomme un crédit.

Conclusion

Le RAG n'a rien de magique : c'est une discipline simple. Retrouver le bon passage, le donner à l'IA, et lui demander de s'y tenir. Votre travail se concentre alors sur ce qui compte vraiment : des contenus courts, à jour, sans contradiction, et une relecture régulière des conversations réelles. Commencez petit, avec vos vingt questions les plus fréquentes, mesurez, puis enrichissez.

Questions fréquentes

Le RAG, est-ce la même chose qu'entraîner une IA sur mes données ?

Non. Avec le RAG, le modèle n'est pas modifié : vos documents sont consultés au moment de la question. Vous pouvez donc les corriger ou les retirer à tout moment, ce qui est aussi plus cohérent avec les droits de rectification et de suppression du RGPD.

Le RAG peut-il quand même produire des réponses fausses ?

Oui. Une base lacunaire, des documents contradictoires ou un modèle qui extrapole restent possibles. On réduit le risque avec des contenus clairs, des consignes strictes, des tests dans Playground et la relecture des conversations réelles.

Quelle quantité de contenu faut-il pour commencer ?

Peu. Rédigez des réponses soignées aux vingt questions les plus courantes, testez, puis ajoutez des contenus à partir des questions restées sans réponse. La qualité prime sur le volume.

La même base fonctionne-t-elle sur le chat du site, WhatsApp et Messenger ?

Oui, un agent peut être déployé sur plusieurs canaux depuis Channels et s'appuyer sur les mêmes sources. Adaptez simplement le ton et la longueur des réponses à chaque canal.

Vaut-il mieux utiliser la recherche web qu'une base de connaissances ?

Pour vos informations internes (prix, politiques, délais), une base de connaissances reste la référence, car le web ne les contient pas. Dans AI SNS CHAT, la réponse depuis le web quand la base est muette n'existe que sur LINE WORKS ; l'action Tavily permet sinon d'ajouter une recherche web en temps réel à un agent.

#RAG#base de connaissances#agent IA#support client#RGPD

Passez à la pratique avec AI SNS CHAT

Créez un agent IA entraîné sur vos propres contenus et connectez-le à votre site, WhatsApp, Messenger et plus encore. Gratuit pour commencer, sans carte bancaire.