Votre agent conversationnel ne s’est pas trompé parce qu’il est « mal entraîné ». Il s’est trompé parce que la réponse ne se trouvait pas là où on lui avait dit de chercher — et parce que, par défaut, la plupart des configurations le laissent combler ce vide avec tout ce que le modèle savait déjà avant même que vous téléversiez un seul document. Une base de connaissances ne fait pas disparaître cette deuxième possibilité. Elle la réduit, parfois, selon un réglage que presque personne ne vérifie.
C’est la partie que les argumentaires de vente sautent. « Nous allons entraîner votre robot sur votre base de connaissances » est une phrase de vente, pas une phrase technique. Lisez la documentation que chaque fabricant de modèle publie réellement, et le portrait devient plus précis — et plus utile pour vous, qui payez la facture.
Les fournisseurs ne s’entendent même pas sur le nom à lui donner
| Fournisseur | Comment ils l’appellent |
| OpenAI | banque vectorielle, via File Search |
| Anthropic | RAG — génération augmentée par récupération |
| ancrage (« grounding ») | |
| Microsoft | données d’ancrage, « On Your Data » |
| Amazon | Knowledge Bases (bases de connaissances) |
Amazon est la seule des cinq entreprises à utiliser les mots « base de connaissances » comme le font les vendeurs. Toutes les autres appellent la même idée de base — trouver les documents pertinents et les remettre au modèle avant qu’il réponde — par un nom différent : une banque vectorielle, un pipeline de récupération, des données d’ancrage. L’étiquette que votre fournisseur utilise vous indique quelle documentation aller lire quand quelque chose cloche. En ce moment, la plupart des propriétaires d’entreprise ne savent même pas qu’il existe une documentation à lire.
Aucun des cinq ne promet l’exactitude. Cherchez un langage de confiance sur n’importe laquelle de ces pages, et vous tombez sur « reduces » (réduit), « minimizes » (minimise), « helps » (aide) — jamais « guarantees » (garantit) ni « eliminates » (élimine). Ce n’est pas un reproche visant un fournisseur en particulier. C’est la limite honnête de ce que fait la récupération de documents : pointer le modèle vers les bons documents. Elle ne peut pas forcer le modèle à n’utiliser qu’eux.
Comment ça fonctionne vraiment, selon la documentation
Microsoft publie le plus de détails des cinq sur ce qui se passe quand le système fouille vos documents et n’y trouve rien. Trois éléments ressortent.
D’abord, il existe une réponse de repli intégrée pour quand rien de pertinent ne ressort : « The requested information is not found in the retrieved data. Please try another query or topic » (l’information demandée n’a pas été trouvée dans les données récupérées ; veuillez essayer une autre requête ou un autre sujet). C’est le résultat honnête — à condition que le réglage derrière soit activé.
Ensuite, ce repli dépend d’un interrupteur appelé « Limit responses to your data » (limiter les réponses à vos données), qui n’est pas toujours activé par défaut selon la configuration. La description de Microsoft de ce qui arrive quand c’est désactivé : « the model supplements its responses with its own knowledge in addition to your documents » (le modèle complète ses réponses avec ses propres connaissances, en plus de vos documents). En clair — désactivé veut dire que le robot mélange vos documents avec tout ce sur quoi il a été entraîné, sans dire au client quelle partie vient d’où.
Enfin, la taille des segments de documents change le genre d’erreur que vous obtenez, et l’historique de la conversation consomme le même budget de jetons que vos documents. Le guide de Microsoft relie les deux directement : trop de réponses « je ne sais pas » signalent des segments trop gros ; des réponses justes mais incomplètes signalent des segments trop petits. Et le budget de jetons derrière chaque réponse inclut la question, l’invite système, les segments récupérés — et toute la conversation jusque-là. Un long échange peut, discrètement, pousser des morceaux de votre base de connaissances hors du champ de vision du modèle, un échange à la fois.
En résumé, trois choses peuvent arriver quand un client demande quelque chose que vos documents ne couvrent pas : le robot le dit honnêtement, il mélange ce que le modèle savait déjà avant même l’existence de vos documents, ou une longue conversation a déjà évincé vos documents de la réponse.
Qui paie quand le robot se trompe
Dans *Moffatt v. Air Canada* (2024 BCCRT 149), l’agent conversationnel du transporteur a dit à un client qu’il pouvait demander un tarif de compassion réduit après coup — une autre page du même site disait le contraire. Air Canada a plaidé que le robot était « a separate legal entity » (une entité juridique distincte) responsable de ses propres mots. Le membre du tribunal n’était pas d’accord, dans des termes repris par les analyses juridiques de la décision : « While a chatbot has an interactive component, it is still just a part of Air Canada’s website. It should be obvious to Air Canada that it is responsible for all the information on its website. It makes no difference whether the information comes from a static page or a chatbot » (même si un robot conversationnel a une composante interactive, il ne reste qu’une partie du site web d’Air Canada. Il devrait être évident pour Air Canada qu’elle est responsable de toute l’information sur son site. Peu importe que l’information vienne d’une page statique ou d’un robot conversationnel).
Le montant accordé était modeste — environ 650,88 $ de différence de tarif, à peu près 812 $ avec intérêts et frais. Le précédent, lui, n’avait rien de modeste : une entreprise ne peut pas pointer son propre robot du doigt et dire que la mauvaise réponse, c’est le problème de quelqu’un d’autre. La FTC a dit la même chose à propos de la technologie elle-même, dans son opération Operation AI Comply : les entreprises « cannot blame third-party developers or claim the technology is a ‘black box’ they don’t understand » (ne peuvent pas rejeter la faute sur des développeurs tiers, ni prétendre que la technologie est une « boîte noire » qu’elles ne comprennent pas).
Ce que ça change pour vous
- Gardez une seule version de la vérité, et mettez-la à jour au même endroit où votre entreprise met déjà à jour ses prix, ses heures et ses politiques — pas dans un document séparé que tout le monde finit par oublier.
- Vérifiez si « répondre uniquement à partir de mes données » est vraiment activé. C’est habituellement un interrupteur, pas le réglage par défaut, et la documentation du fournisseur elle-même le désigne comme la différence entre un honnête « je ne sais pas » et une devinette mélangée.
- Rédigez vous-même la réponse de repli. « Je n’ai pas cette information — laissez-moi vous mettre en contact avec quelqu’un qui l’a » ne coûte rien et donne l’image d’un système compétent, pas brisé.
- Gardez le robot loin de tout endroit où une mauvaise réponse coûte de l’argent : prix, garanties, retours, délais, et tout ce qui est légal ou médical. Ce n’est pas de la prudence pour la forme — OpenAI (depuis le 29 octobre 2025) et Anthropic (depuis le 15 septembre 2025) exigent désormais toutes les deux une révision humaine autorisée dans ces domaines, selon leurs propres conditions d’utilisation — pas les nôtres. Les deux changements sont arrivés dans le même trimestre, il y a moins d’un an.
- Budgétez pour la récupération de documents, pas seulement pour la fenêtre de clavardage. Plus de documents indexés et des conversations plus longues tirent tous les deux sur les mêmes limites de jetons, et ça se répercute sur ce que coûte réellement un agent conversationnel, que le fournisseur le mentionne d’avance ou non.
Si votre robot répond en ce moment à partir d’autre chose que vos vrais documents, c’est habituellement la première chose à corriger — voyez notre analyse des erreurs les plus courantes des agents conversationnels qui font perdre des clients aux entreprises, bien avant celle-ci.
Autre chose : une échéance à connaître
« On Your Data » de Microsoft — la fonction derrière bien des robots conversationnels de petite taille — est marquée comme désuète et son retrait est prévu pour le 14 octobre 2026. Si le robot de votre site a été bâti là-dessus, c’est une question raisonnable à poser à qui l’a construit : sur quoi il tourne maintenant, et ce qui arrive après cette date.
La récupération de documents n’explique pas à elle seule le comportement d’un agent conversationnel — ce qu’est vraiment un chatbot, et ce qu’il n’est pas vaut la peine d’être lu en premier si vous hésitez encore à en adopter un. Mais si vous avez déjà un robot, ou un fournisseur qui vous dit qu’il est « entraîné sur votre base de connaissances », la solution n’est généralement pas un nouveau modèle. C’est de vérifier ce que le modèle actuel a vraiment le droit de dire quand il ne sait pas. Nous concevons, à partir de vos vrais documents, la base de connaissances que consulte votre agent conversationnel — cela fait partie de nos services d’automatisation et d’IA, avec ce réglage vérifié, pas supposé. Si vous voulez un second avis sur celui que vous avez déjà, contactez-nous.
