Analyse des documents
Des tableaux aplatis en texte continu, des pages numérisées ignorées et des en-têtes répétés dans chaque fragment.
Une analyse fondée sur la mise en page, avec OCR, structure des tableaux et ordre de lecture préservés.
L’IA d’entreprise, ancrée dans le contexte de votre activité.
Nous concevons et construisons les systèmes RAG qui portent l’IA d’entreprise : des pipelines documentaires conçus pour des millions de pages, une recherche ajustée à votre corpus et un contexte métier qui respecte les droits d’accès derrière chaque réponse et chaque agent.
74M+
vecteurs indexés
112B+
jetons gérés
150K+
les entreprises s'appuient sur Cody
87
pays
Pourquoi l’IA d’entreprise déçoit
Le problème vient rarement du modèle. Il vient du contexte.
La plupart des pilotes d’IA qui s’enlisent font tourner un modèle performant sur les mauvaises sources. La qualité des réponses se joue en amont : dans la façon dont les documents sont analysés, découpés, indexés, filtrés et assemblés en contexte. Cette couche est notre spécialité.
ÉtapeCe qui échoueNotre réponse technique
Découpage
Un découpage à taille fixe sépare une clause de l’exception qui en change le sens.
Des fragments qui respectent la structure, suivent les sections et conservent le chemin du document et de ses titres.
Recherche
La recherche purement vectorielle manque les références de pièces, les SKU, les sigles et les noms exacts des politiques.
Une recherche hybride, par mots-clés et sémantique, fusionnée puis réordonnée pour votre domaine.
Droits d’accès
L’assistant cite un document que la personne qui pose la question n’a jamais eu le droit d’ouvrir.
Les droits du système source sont synchronisés dans l’index et appliqués à chaque requête.
Fraîcheur des données
La grille tarifaire du trimestre dernier répond avec assurance à la question de ce trimestre.
Synchronisation incrémentale, gestion des versions et dates d’effet maintiennent l’index aligné sur la source de référence.
Évaluation
Personne ne peut dire si le dernier changement de prompt ou de modèle a amélioré ou dégradé les réponses.
Des jeux de questions de référence et des tests de régression valident chaque changement avant sa mise en production.
Architecture de référence
Anatomie d’un système RAG en production.
Chaque mission part de notre architecture de référence, puis chaque étape est ajustée à vos documents, systèmes, langues et profil de risque. Rien n’est une boîte noire : chaque réponse est accompagnée d’une trace que vous pouvez inspecter.
- 01
Connecter
Ingérer les connaissances là où elles se trouvent déjà, avec une synchronisation planifiée et événementielle pour chaque source.
- Partages de fichiers et drives
- Wikis et intranets
- Outils de ticketing et CRM
- Bases de données et API
- 02
Analyser
Convertir les PDF, numérisations, présentations, feuilles de calcul, e-mails et pages web en texte propre et structuré, sans perdre les tableaux ni l’ordre de lecture.
- Analyse de mise en page
- OCR
- Extraction de tableaux
- Capture des métadonnées
- 03
Découper et enrichir
Découper selon la structure propre du document, rattacher les titres et chemins de section, étiqueter entités et dates, et éliminer les quasi-doublons avant tout calcul d’embedding.
- Découpage selon la structure
- Contexte parent-enfant
- Étiquetage des entités
- Déduplication
- 04
Vectoriser et indexer
Choisir les modèles d’embedding selon la langue et le domaine, puis indexer les vecteurs avec les champs de mots-clés, les métadonnées et les listes de contrôle d’accès.
- Vecteurs denses + creux
- Filtres de métadonnées
- Champs ACL
- Index versionnés
- 05
Rechercher et réordonner
Reformuler et décomposer la question, lancer la recherche hybride, filtrer selon les droits, puis réordonner pour ne garder que les preuves les plus solides.
- Reformulation des requêtes
- Recherche hybride
- Fusion des classements
- Reranking par cross-encoder
- 06
Générer et vérifier
Assembler le contexte dans un budget de tokens strict, répondre avec des citations, vérifier chaque affirmation à sa source, et s’abstenir ou escalader quand les preuves sont insuffisantes.
- Budget de tokens
- Citations dans le texte
- Vérification des affirmations
- S’abstenir ou escalader
Trace de recherche
Une réponse, de bout en bout
Exemple illustratif922 ms
Nos techniciens terrain peuvent-ils remplacer la vanne X200 dans le cadre du contrat de service 2025 ?
Technicien terrainEMEANiveau de service 2
Reformuler et décomposer
3 sous-requêtes
38 msRecherche hybride
mots-clés + vecteurs · 240 candidats
71 msConsultation du CRM
contrat de service SA-2025-118
118 msFiltre des droits d’accès
212 sur 240 visibles par cet utilisateur
5 msRéordonner
cross-encoder · 8 meilleurs conservés
94 msAssembler le contexte
8 passages + 1 enregistrement · 3 840 tokens
9 msGénérer
réponse sourcée · 3 citations
652 msVérifier les affirmations
3 sur 3 confirmées
53 ms
Réponse sourcée
Oui. La clause 7.2 du contrat 2025 couvre le remplacement des vannes sur site par des techniciens certifiés.1 Appliquez la spécification de couple TS-14 de la procédure X200.2 Consignez le remplacement de la pièce dans l’ordre de travail.3
- 1Contrat de service 2025 · p. 14
- 2Manuel de maintenance X200 · §4.3
- 3Procédure opérationnelle terrain v12 · p. 3
Observé de bout en bout. Chaque étape est tracée et mesurée, du rappel de la recherche et de l’ancrage factuel jusqu’à la latence et au coût par réponse, pour que les améliorations soient démontrées plutôt que supposées.
Ingénierie du contexte
Les documents ne sont que la moitié du contexte.
Une bonne réponse dépend de qui pose la question, de ce qui est vrai à cet instant et de ce que votre entreprise entend par ses propres mots. Nous intégrons tout cela dans une fenêtre de contexte que le modèle peut réellement exploiter.
Fenêtre contextuelle
Ce que le modèle voit pour une réponse
- Instructions et règles800
- Qui pose la question150
- État de la conversation550
- Preuves retrouvées3 600
- Données métier en temps réel1 000
- Glossaire et entités300
- Réservé à la réponse1 600
Répartition illustrative. Les budgets sont ajustés selon le modèle, la langue et le cas d’usage, et chaque token doit mériter sa place.
Qui pose la question
Le rôle, l’équipe, la région et les droits déterminent ce qui peut être retrouvé et comment formuler la réponse.
Ce que l’entreprise sait
Politiques, manuels, contrats et résolutions passées, retrouvés comme preuves et cités jusqu’au passage exact.
Ce qui est vrai maintenant
Des données en temps réel issues du CRM, de l’ERP, du ticketing et des systèmes de commande, interrogées via des outils au moment de la question plutôt que vectorisées puis laissées vieillir.
Le langage de votre entreprise
Glossaires, noms de produits, sigles et résolution d’entités, pour que « X200 », « X-200 Pro » et « la vanne 200 » désignent la même pièce.
Ce qui ne doit jamais arriver
Politiques, règles de refus et circuits d’escalade appliqués avant que le modèle n’écrive le moindre mot.
Conçu pour passer à l’échelle
Pensé pour des millions de documents, pas pour un dossier de démo.
Un pilote sur 200 PDF ne prouve presque rien. La production, c’est une ingestion continue, une réindexation sans interruption, une latence et des coûts qui restent prévisibles à mesure que votre corpus et votre usage grandissent. Sur l’ensemble de la plateforme Cody, nous indexons déjà plus de 74 millions de vecteurs.
Ingestion incrémentale
La détection des changements ne retraite que ce qui a changé, et les suppressions se propagent pour que les contenus retirés cessent de répondre.
Réindexation sans interruption
Nouveau modèle d’embedding ou nouvelle stratégie de découpage ? Nous construisons le nouvel index à côté de celui en production, nous l’évaluons, puis nous basculons le trafic.
Budgets de latence
Chaque étape dispose d’un budget de temps. Le cache, la recherche parallèle et le streaming maintiennent des réponses rapides à mesure que le corpus grandit.
Coût par réponse
Dimensions des embeddings, compression des index, cache et routage des modèles sont ajustés pour que les coûts unitaires restent prévisibles à grande échelle.
Recherche multilingue
Des embeddings multilingues et une analyse des mots-clés adaptée à chaque langue, pour qu’une question en espagnol retrouve la politique rédigée en anglais.
Isolation et résidence des données
Des index séparés ou des espaces de noms filtrés par entité, région ou client, alignés sur vos exigences de résidence des données.
Mesuré et gouverné
Mesuré avant le lancement. Traçable ensuite.
La qualité et la gouvernance relèvent de l’ingénierie, pas d’une revue de fin de projet. Nous construisons le banc d’évaluation et les contrôles en même temps que le système, pour que ses responsables voient comment il se comporte et pourquoi il a répondu ainsi.
Banc d’évaluation intégré
Évaluer
Qualité de la recherche
Recall@k, MRR et nDCG mesurés sur des jeux de questions de référence rédigés avec vos experts métier.
Évaluer
Qualité des réponses
Ancrage factuel, exactitude des citations et exhaustivité notés automatiquement, puis calibrés par une revue humaine.
Évaluer
Barrières de non-régression
Chaque modification des prompts, des modèles, du découpage ou des index relance la suite de tests avant d’atteindre les utilisateurs.
Gouverner
Recherche respectueuse des droits
Les règles d’accès de chaque système source sont appliquées au moment de la requête, avec un journal de ce qui a été retrouvé et pour qui.
Gouverner
Traçabilité de bout en bout
Chaque réponse conserve sa requête, ses passages, les versions de l’index et du prompt, ainsi que le modèle, pour que les relecteurs puissent reconstituer exactement ce qui s’est passé.
Gouverner
Examen humain et escalade
Des seuils de confiance orientent vers des personnes les questions dont les preuves sont faibles, avec un comportement de repli clair.
Notre méthode
De l’audit du corpus à la production, une étape mesurée à la fois.
Chaque étape produit des éléments vérifiables : profils du corpus, références de recherche, scores d’évaluation et plan de production chiffré.
01
Auditer le corpus
Nous analysons vos sources selon le format, le volume, la qualité, les doublons, les droits et la fraîcheur, et nous cartographions les limites de gouvernance que le système doit respecter.
02
Mesurer la recherche
Avec vos experts, nous construisons un jeu de questions de référence, puis nous mesurons dans quelle mesure votre contenu peut être retrouvé avant qu’un modèle ne rédige la moindre réponse.
03
Piloter sur du travail réel
Un système opérationnel sur un échantillon représentatif du corpus, utilisé par de vrais utilisateurs, avec des traces et des scores d’évaluation que vous pouvez inspecter.
04
Passer en production
Ingestion complète, supervision, maîtrise des coûts et modèle opérationnel avec un responsable clairement identifié pour chaque partie du système.
Étude de conception de solutions
Explorez l'étude de conception de solutionTransformez l’approche en un plan prêt à prendre une décision.
Lorsque l’opportunité est claire mais que le bon système ne l’est pas encore, une Étude de conception de solution cadrée teste vos documents, la qualité de la recherche, les contrôles et les coûts avant tout engagement de développement.
01
Évaluation du corpus et de la recherche
Profils des sources, références de recherche et écarts les plus importants.
02
Architecture de référence
Choix d’analyse, d’indexation, de recherche, de modèles, d’intégrations et de déploiement.
03
Preuve opérationnelle sur vos données
Une expérience représentative, avec traces et scores d’évaluation.
04
Plan de contrôle et de déploiement
Risques, propriétaires, preuves, coûts et chemin pratique vers la production.
Nos travaux de recherche
Voir tous les articlesNous publions ce que nous apprenons.
Des analyses de fond, indépendantes des fournisseurs, sur les éléments du RAG qui déterminent la qualité des réponses : analyse documentaire, embeddings, bases de données vectorielles et coûts.
Analyse documentaire
Qu'est-ce que Docling ? Un guide pratique d'analyse de documents pour RAG
Docling transforme les PDF, les fichiers Office, les images, les e-mails et bien plus encore en données structurées pour l'IA. Découvrez comment il fonctionne, où il s'intègre dans RAG et comment il se compare à d'autres analyseurs de documents.
Lire l'articleBases de données vectoriellesTop 8 des bases de données vectorielles pour RAG en 2026
Comparez huit principales bases de données vectorielles pour RAG par recherche hybride, filtrage, déploiement, multilocation et ajustement de production, ainsi qu'un cadre de sélection pratique.
Lire l'articleCoût d’indexationCombien coûte la vectorisation d’une base de données pour RAG ?
Découvrez ce qu'il en coûte réellement pour vectoriser une base de données pour RAG, depuis les intégrations et l'analyse jusqu'au stockage vectoriel, aux requêtes, aux réplicas et à la réindexation.
Lire l'articleModèles d’analyseCohere Parse v5.0 : Pourquoi un meilleur RAG commence par de meilleurs documents
Cohere Parse v5.0 transforme les PDF, les diapositives, les tableaux, les formulaires et les images en Markdown prêt pour RAG. Voici ce qui le différencie, où il s’intègre et ce que signifient ses limites pour la recherche d’entreprise.
Lire l'articleParlez à l'équipe de l'entreprise
Confiez-nous vos documents les plus difficiles.
Présentez-nous le corpus, les systèmes et les questions qui comptent. Nous vous dirons quelle précision est réaliste, ce qu’il faut pour l’atteindre et si une Étude de conception de solution est la bonne première étape.
Un avis franc sur votre corpus et la qualité de la recherche
Une architecture pensée autour de vos systèmes et de vos droits d’accès
Un pilote mesuré sur vos vraies questions