Système RAG sur documents d'entreprise : contenu du projet et coût
Un système RAG (Retrieval-Augmented Generation) d'entreprise n'est pas « charger un PDF dans ChatGPT » - c'est une infrastructure qui indexe règlements, contrats, instructions et bases de connaissances, trouve les fragments pertinents et génère des réponses avec citations. En 2026, c'est la norme pour assistants internes, support et conformité. Voici le contenu du projet, les étapes, délais et fourchettes budgétaires.
- MVP sur une source (Confluence, SharePoint, dossier PDF) - 8 000 $ - 25 000 $, 4-8 semaines
- Plateforme RAG corporate (plusieurs sources, RBAC, audit) - 35 000 $ - 120 000 $, 3-5 mois
- Enterprise : on-prem, DLP, SLA, multilingue - 120 000 $ - 350 000 $+, 6-10 mois
- Coûts mensuels - embeddings, API LLM, base vectorielle, réindexation : de 300 $ à 12 000 $+
- Facteur de prix principal - pas le modèle (GPT-5.6 Terra, Claude Sonnet 5, Gemini 3.5 Flash), mais la qualité du retrieval et la profondeur des intégrations documentaires
Qu'est-ce que le RAG sur documents d'entreprise
RAG complète un LLM par une recherche dans vos données : le modèle ne « mémorise » pas le règlement congés, il reçoit les paragraphes pertinents de l'index vectoriel. Moins d'hallucinations, liens vérifiables vers la source.
Scénarios typiques :
- un employé demande la procédure de validation de contrat - le système cite la clause Confluence ;
- le support reçoit un brouillon depuis la base Zendesk à jour ;
- le juridique cherche des précédents avec filtres par type de contrepartie et date.
Sans RAG, le chatbot répond en généralités ou invente des règles internes. Avec RAG, la réponse est ancrée dans des documents vérifiables.
Composition du projet
Huit blocs influencent délais et budget.
| Bloc | Contenu | Part typique |
|---|---|---|
| Discovery | Sources, rôles, KPI qualité, contraintes données | 8-12% |
| Ingestion (ETL) | Confluence, SharePoint, Drive, CRM, tickets, ERP | 15-25% |
| Chunking et preprocessing | Découpage, nettoyage, métadonnées, OCR | 10-15% |
| Embeddings et index | Modèle d'embedding, base vectorielle, recherche hybride | 10-15% |
| Pipeline retrieval | Reranking, filtres rôles, déduplication | 15-20% |
| Couche generation | Prompts, citations, guardrails, fallback | 10-15% |
| Interface et API | Widget, Slack/Teams, portail, API headless | 10-20% |
| Observabilité et eval | Métriques retrieval, jeu de test, alertes | 8-12% |
Clé en main : sources indexées, réponses dans les canaux cibles, logs, pilote, documentation de réindexation.
Étapes de développement
1. Audit données et cahier des charges (1-2 semaines)
Sources, volume, accès (SSO, RBAC), métriques. Livrable : carte des sources, matrice droits, 50-200 questions eval.
2. Prototype ingestion (2-4 semaines)
Première source, cycle complet : webhook/export, parsing, chunking, écriture en base vectorielle. Stack : LangChain / LlamaIndex, Unstructured, connecteurs SharePoint/Confluence.
3. Retrieval et qualité (3-6 semaines)
Modèle embedding, pgvector/Qdrant/Weaviate, recherche hybride, reranker (+15-30% précision), filtres par département.
4. Generation et guardrails (2-4 semaines)
Prompt « répondre uniquement depuis le contexte », citations, « je ne sais pas », protection injection, routage modèles.
5. Intégrations et interface (2-6 semaines)
Widget intranet, bot Slack/Teams, SSO, admin, API CRM.
6. Pilote et production (2-4 semaines)
Regression eval, pilote 50-200 utilisateurs, monitoring, runbook.
Fourchettes de coût
MVP - une source
| Paramètre | Valeur |
|---|---|
| Budget | 8 000 $ - 25 000 $ |
| Délai | 4-8 semaines |
| Sources | 1 |
| Utilisateurs | jusqu'à 100 |
Plateforme corporate
| Paramètre | Valeur |
|---|---|
| Budget | 35 000 $ - 120 000 $ |
| Délai | 3-5 mois |
| Sources | 3-8 |
| Utilisateurs | 200-5 000, RBAC, SSO |
Enterprise
| Paramètre | Valeur |
|---|---|
| Budget | 120 000 $ - 350 000 $+ |
| Délai | 6-10 mois |
| Exigences | on-prem/VPC, DLP, GDPR/HIPAA, SLA 99,9% |
Coûts mensuels (OPEX)
| Poste | Fourchette/mois |
|---|---|
| Embeddings | 50 $ - 800 $ |
| API LLM | 200 $ - 8 000 $ |
| Base vectorielle | 70 $ - 600 $ |
| Rerank | 30 $ - 400 $ |
| Hébergement | 100 $ - 1 500 $ |
| Support | 1 000 $ - 8 000 $ |
Exemple : 5 000 documents, 3 000 requêtes/mois - ~250-400 $/mois. À 50 000 requêtes : 3 000 $ - 12 000 $/mois.
Délais et équipe
| Type | Équipe | Délai |
|---|---|---|
| MVP | 1 backend + ML (mi-temps) | 4-8 semaines |
| Plateforme | 2 backend, 1 ML, 1 frontend, PM | 3-5 mois |
| Enterprise | 4-7 + DevOps, QA, sécurité | 6-10 mois |
Tarifs 2026 (remote, Europe de l'Est/CIS) : ML/RAG 60-100 $/h. USA/Ouest Europe : x2-3.
Facteurs de surcoût
Formats legacy, RBAC documentaire (+20-35%), multilingue (+25-40%), mises à jour temps réel, on-prem avec GPU.
Éviter la surdépense
- Un département, une source, 30-50 questions de référence.
- Eval dès la semaine 1.
- Recherche hybride + rerank avant fine-tuning.
- Routage de modèles.
- Cache sémantique (-20-40% API).
- MVP forfaitaire, T&M pour nouvelles sources.
Conclusion
RAG sur documents d'entreprise en 2026 : de 8 000 $ (MVP) à 350 000 $+ (enterprise). 4-8 semaines à 10 mois. Drivers : sources, droits, qualité retrieval, trafic. Ingestion et recherche déterminent l'utilité réelle.
Foire aux questions
RAG vs fine-tuning ?
Fine-tuning : connaissances dans les poids, mises à jour coûteuses. RAG : réindexation rapide, citations. Pour documents corporate changeants, RAG d'abord.
RAG sans dev via ChatGPT Enterprise ou Copilot ?
Partiellement pour pilote (centaines de docs). Production avec SSO et audit : plateforme custom dès ~35 000 $.
Combien de documents ?
MVP : 500-5 000. Plateforme : 100 000+. Archives OCR massives : +30-50% budget.
Mesurer la qualité ?
Jeu eval 50-200 questions. Métriques : recall@k, faithfulness, citation accuracy. Cible : recall@5 > 85%, faithfulness > 90%.
Support post-lancement ?
Retainer 1 000 $ - 5 000 $/mois ou 15-25%/an du dev : monitoring, eval, connecteurs, prompts. Sans support, dégradation en 3-6 mois.