Entraîner ton chatbot avec tes propres documents : le RAG expliqué pour les PME

Ton chatbot répond à côté parce qu’il ne connaît pas tes produits? C’est normal — il n’a jamais lu ta documentation.

Tu as peut-être passé une heure à rédiger un prompt système. Tu as mis tes horaires, tes services, ton adresse. Mais ton catalogue de 200 produits? Ta grille tarifaire de 15 pages? Ton guide de procédures internes? Impossible de tout mettre dans un seul bloc de texte. Le chatbot fait ce qu’il peut avec ce qu’il a — c’est-à-dire pas grand-chose quand un client pose une question précise sur un produit spécifique.

Le RAG règle ce problème. Au lieu de tout écrire dans un fichier texte, tu téléverses tes documents tels quels — PDF, Word, pages web. Le système les lit, les indexe, et quand un visiteur pose une question, le chatbot va chercher les passages pertinents dans tes documents avant de répondre. Comme un employé qui consulte le classeur de référence avant de répondre au téléphone.

Ce n’est pas une technologie réservée aux grandes entreprises avec des équipes techniques. Chez ChatDirect, on l’a conçu pour que n’importe quel propriétaire de PME puisse l’utiliser en cinq minutes, sans toucher à une ligne de code.

Qu’est-ce que le RAG et pourquoi ça change tout pour ton chatbot

RAG, c’est l’acronyme de Retrieval-Augmented Generation. En français : génération augmentée par la récupération. Derrière le jargon, le concept est simple.

Un chatbot classique reçoit un prompt — un bloc de texte qui décrit qui il est et ce qu’il sait. Quand un visiteur pose une question, le chatbot génère sa réponse à partir de ce prompt et de ses connaissances générales. Si l’information n’est pas dans le prompt, le bot improvise. Et quand un chatbot improvise, il se trompe.

Le RAG ajoute une étape avant la génération de la réponse. Avant de répondre, le chatbot cherche dans tes documents les passages qui correspondent à la question du visiteur. Il trouve les extraits pertinents, les injecte dans son contexte, puis génère sa réponse en se basant sur ces extraits. Il ne répond plus à partir de ce qu’il « croit savoir ». Il répond à partir de ce que tes documents disent réellement.

Imagine que ton chatbot a accès à un classeur. Chaque fois qu’un client pose une question, il ouvre le classeur, trouve le bon dossier, lit les pages pertinentes, puis répond. C’est exactement ça, le RAG — sauf que le classeur est numérique et que la recherche prend quelques millisecondes.

Derrière la scène, la technologie qui rend ça possible s’appelle la recherche vectorielle. Tes documents sont transformés en vecteurs — des représentations mathématiques du sens des mots. Quand un visiteur pose une question, sa question est aussi transformée en vecteur, et le système compare les deux pour trouver les passages dont le sens est le plus proche. C’est différent d’une recherche par mots-clés. Un visiteur qui demande « combien coûte un nettoyage complet? » va trouver le passage qui parle de « tarif pour le forfait entretien intégral », même si les mots ne sont pas identiques. C’est la recherche sémantique — le système comprend le sens, pas juste les mots.

Chez ChatDirect, cette recherche vectorielle repose sur Supabase PostgreSQL avec pgvector. Sans entrer dans les détails techniques, c’est une base de données conçue pour stocker et chercher dans des millions de vecteurs en temps réel. C’est le cerveau derrière la recherche sémantique de ton chatbot — rapide, précis, et qui s’échelle avec ta documentation sans ralentir.

Comment ça fonctionne concrètement (sans jargon technique)

Oublie les diagrammes d’architecture et les termes d’ingénierie. Voici ce qui se passe quand tu utilises le RAG dans ChatDirect, du point de vue de quelqu’un qui gère une entreprise.

Tout ça se passe en quelques millisecondes. Le visiteur ne voit aucune différence dans la vitesse de réponse. Il voit juste un chatbot qui connaît réellement ton entreprise — parce qu’il a lu ta documentation.

Et quand tu mets à jour un document? Tu le retéléverses. L’ancien est remplacé. Le chatbot utilise la nouvelle version dès la prochaine conversation. Pas de cache à vider, pas de redéploiement, pas de ticket de support à ouvrir.

Trois exemples concrets de PME qui profitent du RAG

La technologie, c’est abstrait. Ce qui compte, c’est ce que ça fait dans le quotidien d’une entreprise. Voici trois PME québécoises qui utilisent le RAG pour que leur chatbot réponde avec précision au lieu d’improviser.

La clinique dentaire qui téléverse sa grille tarifaire et sa FAQ patients

Une clinique dentaire de Trois-Rivières reçoit des dizaines d’appels par jour pour des questions de prix. « Combien coûte un blanchiment? » « Est-ce que les facettes sont couvertes par la RAMQ? » « C’est quoi le prix d’une couronne en céramique? » La réceptionniste passe la moitié de sa journée à répéter les mêmes réponses.

La clinique téléverse deux documents dans ChatDirect : sa grille tarifaire complète (PDF de 8 pages avec tous les traitements et leurs coûts) et sa FAQ patients (Word de 12 pages avec les questions sur les assurances, la RAMQ, les plans de paiement, les délais).

Résultat : quand un visiteur demande « combien coûte un blanchiment professionnel? », le chatbot cherche dans la grille tarifaire, trouve le passage sur les traitements esthétiques, et répond avec le prix exact, les options disponibles et la durée du traitement. Il précise aussi que ce n’est pas couvert par la RAMQ mais que la clinique offre un plan de financement — parce que cette information était dans la FAQ. La réceptionniste ne décroche plus le téléphone pour les questions de prix.

L’agence immobilière qui indexe ses pages de propriétés par URL

Une agence immobilière de Laval a 85 propriétés actives sur son site web. Chaque propriété a sa page avec les détails : prix, superficie, nombre de chambres, quartier, année de construction, stationnement, caractéristiques spécifiques. Mettre tout ça dans un fichier texte serait un casse-tête — et ça changerait chaque semaine avec les nouvelles inscriptions et les ventes.

Au lieu de rédiger un fichier manuellement, l’agence entre les URLs de ses pages de propriétés dans ChatDirect. Le système indexe le contenu de chaque page automatiquement. Quand un visiteur demande « avez-vous un condo 3 chambres à Chomedey en bas de 400 000 $? », le chatbot cherche dans les pages indexées et présente les propriétés qui correspondent aux critères.

Quand une propriété est vendue, l’agence retire l’URL. Quand une nouvelle propriété arrive, elle ajoute l’URL. Le chatbot est toujours à jour avec l’inventaire réel — sans retoucher le prompt, sans fichier à remettre à jour manuellement.

Le cabinet comptable qui téléverse ses guides fiscaux

Un cabinet comptable de Sherbrooke a rédigé au fil des ans une série de guides pour ses clients : guide de l’impôt des particuliers (PDF, 35 pages), guide des déductions pour travailleurs autonomes (PDF, 20 pages), FAQ sur les acomptes provisionnels, et un document sur les crédits d’impôt pour les PME.

Ces guides étaient disponibles en téléchargement sur le site, mais personne ne les lisait. Les clients préféraient appeler et poser la question directement. Le cabinet a téléversé ses quatre guides dans ChatDirect.

Maintenant, quand un client demande « est-ce que je peux déduire mon bureau à domicile? », le chatbot retrouve le passage sur les dépenses de bureau dans le guide des travailleurs autonomes, explique les conditions d’admissibilité, les pourcentages applicables et les pièces justificatives requises. Le client obtient une réponse complète en 10 secondes au lieu d’attendre un retour d’appel de 48 heures. Et le comptable ne passe plus 20 minutes par jour à répéter ce qui est déjà écrit dans ses propres guides.

La différence entre la base de connaissances classique et le RAG

Si tu utilises déjà ChatDirect, tu connais le fichier knowledge.txt — la base de connaissances classique. C’est un fichier texte où tu écris tout ce que ton chatbot doit savoir. Ça fonctionne. Mais ça a des limites sérieuses.

La différence fondamentale, c’est l’approche. Avec knowledge.txt, tout le contenu est injecté à chaque conversation, que ce soit pertinent ou non. Si ton fichier fait 5 pages, les 5 pages sont envoyées au modèle chaque fois qu’un visiteur dit « bonjour ». Ça coûte des tokens (et donc de l’argent), ça ralentit les réponses et ça dilue l’attention du modèle sur l’information importante.

Avec le RAG, le système envoie uniquement les 3 à 5 passages qui répondent à la question posée. Le reste de ta documentation est disponible mais pas injecté inutilement. C’est plus précis, plus rapide et plus économique.

Est-ce que ça veut dire que knowledge.txt est inutile? Non. Les deux sont complémentaires. Le fichier knowledge.txt reste idéal pour les informations que le chatbot doit toujours avoir en tête : ton nom d’entreprise, tes horaires, ton ton de voix, tes règles générales. Le RAG est fait pour tout le reste — la documentation détaillée, les catalogues, les guides, les politiques complètes. Combine les deux et ton chatbot a à la fois la personnalité et la connaissance.

Si tu veux aller encore plus loin, l’auto-training IA permet à tes agents de corriger le chatbot en temps réel quand il se trompe — même sur des informations tirées de tes documents. Les trois mécanismes ensemble (prompt + RAG + auto-training) créent un chatbot qui sait, qui apprend et qui s’améliore.

Comment démarrer en 5 minutes

Tu n’as pas besoin d’un développeur. Tu n’as pas besoin de comprendre les vecteurs ou pgvector. Voici les étapes concrètes pour activer le RAG sur ton chatbot ChatDirect.

Étape 1 : Connecte-toi à ton portail client
Va sur chatdirect.ca/portal et connecte-toi avec tes identifiants. Si tu n’as pas encore de compte, l’essai gratuit de 14 jours donne accès à toutes les fonctionnalités.

Étape 2 : Va dans Configuration > IA > Documents IA
Dans le menu de gauche, clique sur Configuration, puis sur l’onglet IA. Tu verras la section Documents IA avec la zone de téléversement.

Étape 3 : Téléverse tes documents ou entre tes URLs
Glisse tes fichiers PDF, Word ou TXT dans la zone prévue. Pour les pages web, entre l’URL dans le champ d’indexation. Le système traite chaque document en quelques secondes à quelques minutes selon la taille.

Étape 4 : Teste avec une vraie question
Ouvre ton chatbot et pose une question dont la réponse se trouve dans un des documents que tu viens de téléverser. Le chatbot devrait répondre avec les informations tirées de ton document — pas avec des généralités.

Étape 5 : Ajoute, remplace, ajuste
Au fil du temps, ajoute de nouveaux documents quand ta documentation évolue. Remplace les fichiers obsolètes. Le chatbot s’adapte automatiquement à chaque mise à jour.

C’est tout. Cinq minutes la première fois, quelques secondes pour chaque mise à jour ensuite. Ton chatbot passe d’un assistant qui improvise à un assistant qui connaît ta documentation sur le bout des doigts.

Conclusion

Un chatbot qui ne connaît pas tes produits, tes prix et tes politiques, c’est un chatbot qui se trompe. Et un chatbot qui se trompe, c’est pire que pas de chatbot du tout — parce qu’il donne de fausses informations à tes clients avec aplomb.

Le RAG règle ce problème à la source. Au lieu de demander à quelqu’un de réécrire toute l’information dans un fichier texte, tu téléverses tes documents existants — ceux que tu as déjà, ceux que tu maintiens déjà, ceux que ton équipe connaît déjà. Le système fait le reste : découpage, indexation, recherche sémantique. Ton chatbot répond avec tes informations, pas avec des supposés.

Combiné avec une bonne configuration de prompt et l’auto-training IA pour les corrections en temps réel, le RAG transforme ton chatbot en un assistant qui connaît ton entreprise aussi bien que tes meilleurs employés. La différence, c’est qu’il est disponible en tout temps, qu’il ne met personne en attente et qu’il ne se trompe pas sur les prix.

L’essai gratuit de 14 jours donne accès à toutes les fonctionnalités — RAG inclus. Téléverse un premier document, pose une question, et vois la différence. Aucune carte de crédit, aucune obligation.

Pour explorer les autres fonctionnalités IA avancées de ChatDirect, consulte notre page fonctionnalités ou l’article sur l’auto-training IA.