Base documentaire prête pour l'IA

Deux assistants avec le même LLM et des corpus différents donnent des expériences opposées. Le modèle est une commodité ; la curation documentaire est votre avantage.

Les erreurs classiques : cinq versions d'une procédure, PDF scannés illisibles, tableaux coupés au mauvais endroit, jargon interne sans glossaire.

Investir une semaine de nettoyage avant l'indexation économise des mois de corrections sur les réponses.

Listez toutes les sources candidates : wiki, drive partagé, Notion, extranet, emails archivés (souvent à exclure). Pour chaque source : propriétaire, fréquence de mise à jour, audience autorisée.

Classez par domaine : commercial, RH, technique, juridique. Le RAG appliquera des filtres d'accès par classe. Ne mélangez pas tout dans un seul sac.

Marquez les documents obsolètes « archivé » plutôt que de les supprimer brutalement : l'historique aide parfois, mais ils ne doivent pas être indexés.

Préférez HTML, Markdown ou Notion exporté proprement aux PDF mal OCRisés. Les titres H1-H3 deviennent des ancres de découpage.

Une section = une idée. Évitez les documents fourre-tout de quarante pages sans sous-titres.

Ajoutez des métadonnées en en-tête : titre, version, date, auteur, service, langue. Elles servent au filtrage et à l'affichage des citations.

Pour les tableaux et FAQ, isolez-les en blocs dédiés. Un tableau coupé en deux chunks perd son sens.

Désignez un propriétaire par domaine documentaire. Sans owner, le corpus pourrit en silence.

Définissez le déclencheur de ré-indexation : à la publication, chaque nuit, ou hebdomadaire selon la volatilité.

Tenez un changelog simple : « Politique commerciale v3, 12/04/2026, remplace v2 ». L'assistant pourra avertir si une réponse s'appuie sur une version ancienne.

Testez après chaque grosse mise à jour avec votre jeu de questions de référence.