La qualité des réponses d’un agent dépend de la qualité des informations qu’on lui donne. Ce n’est pas une question de modèle ou de prompt : c’est une question de données. Et les données, ça se prépare.
Pourquoi la structuration des données change tout
Un agent IA qui répond à partir de documents recherche les passages les plus pertinents avant de formuler sa réponse. Cette recherche est vectorielle : elle compare des représentations numériques de vos textes avec la question posée. Résultat : un document bien structuré, avec des titres clairs et des paragraphes cohérents, sera bien mieux retrouvé qu’un document dense, sans titres, où plusieurs sujets se mélangent.
Autrement dit : si votre corpus est un tas de PDF scannés, de fils d’emails et de comptes rendus de réunion non structurés, l’agent répondra mal — même avec le meilleur modèle du marché. La structuration est le vrai travail.
Formats à privilégier
Markdown et HTML structuré sont les formats les plus efficaces. Les titres hiérarchiques (h1, h2, h3) créent des délimitations sémantiques qui aident la recherche. Les listes structurent des informations énumératives sans les noyer dans des paragraphes denses.
Texte brut propre fonctionne correctement si les paragraphes sont courts et thématiquement cohérents. Un paragraphe, un sujet.
PDF textuels (pas scannés) sont acceptables si le texte est correctement extrait. Les tableaux et les colonnes posent parfois des problèmes d’extraction — à vérifier cas par cas.
À éviter : PDF scannés sans OCR, documents avec beaucoup de mise en forme complexe (tableaux imbriqués, colonnes multiples), documents qui mélangent plusieurs sujets sans séparation claire.
Taille des documents et découpage
Un document de 50 pages sur un sujet unique est moins efficace qu’une collection de 20 fiches courtes sur des sujets précis. La raison : la recherche vectorielle retrouve des passages, pas des documents entiers. Si le passage pertinent est noyé dans 50 pages, sa représentation vectorielle est diluée par tout ce qui l’entoure.
Règle pratique : un document par sujet. Si vous avez un guide général de 80 pages, envisagez de le découper par chapitre avant indexation. Ce travail de découpage est souvent la partie la plus chronophage du projet — et la plus utile.
Ce qui se traduit bien en base vectorielle
- Fiches produit avec attributs clairs et descriptions courtes.
- FAQ bien rédigées : une question, une réponse, une entrée.
- Procédures étape par étape avec des titres de section explicites.
- Définitions et glossaires métier.
- Politiques internes avec des sections bien délimitées.
Ce qui se traduit mal
- Comptes rendus de réunion non édités, avec digressions et hors-sujets.
- Fils d’emails internes avec du contexte implicite et des références croisées non explicitées.
- Tableaux de données brutes sans contexte textuel.
- Documents marketing génériques, riches en formulations vagues.
- Informations qui ne sont nulle part écrites parce que « tout le monde les connaît ».
Ce dernier point est souvent le plus difficile à traiter. La connaissance tacite — les règles non écrites, les exceptions connues de tous, les décisions historiques jamais documentées — ne peut pas être indexée. Si une information n’est pas écrite, l’agent ne peut pas la connaître.
La maintenance du corpus
Un corpus n’est pas un livrable qu’on prépare une fois pour toutes. Vos produits évoluent, vos procédures changent, de nouveaux cas s’ajoutent. Si le corpus n’est pas mis à jour, les réponses de l’agent dérivent progressivement vers l’obsolescence.
Prévoir dès le départ qui est responsable de la mise à jour du corpus, à quelle fréquence, et selon quel processus. C’est une décision organisationnelle, pas technique — et elle a autant d’impact sur la qualité de l’agent que le choix du modèle.
Vous préparez un corpus pour un agent IA et vous vous interrogez sur la structuration ? Décrivez votre cas.
Poser une question