Comment SourceIQ fonctionne : indexation, vecteurs et recherche hybride
On me demande souvent comment un système peut répondre à des questions précises sur des milliers de documents qu'il n'a jamais vus avant d'arriver chez vous. Voici ce qui se passe sous le capot — assez pour comprendre l'ampleur du travail, pas assez pour reproduire la recette.
Spoiler : « on branche ChatGPT sur nos fichiers » n'est pas la réponse. C'est précisément l'approche qui déçoit.
La vue d'ensemble
SourceIQ travaille en 2 phases. La première, l'indexation, transforme vos documents en une structure interrogeable — elle tourne en continu, jour et nuit. La deuxième, l'interrogation, se joue en moins de 10 secondes chaque fois que quelqu'un pose une question.
Le schéma ci-dessous se raconte tout seul — suivez le professeur.
Phase 1 — L'indexation
01L'extraction : sortir l'information de sa prison
Vos documents ne sont pas du texte propre. Ce sont des PDF numérisés de travers, des plans, des courriels avec 40 réponses empilées, des photos de chantier, des données ERP. Chaque format a son extracteur : reconnaissance de caractères pour les numérisations, traitement dédié pour les tableaux, et un pipeline complet qui repère les figures et les photos dans les PDF, les isole et les décrit pour qu'elles deviennent cherchables.
C'est l'étape la moins glamour et c'est elle qui fait le plus mal quand elle est bâclée : un système qui indexe du bruit répond du bruit.
02Le découpage : un art, pas un détail
On ne donne pas un document de 300 pages à un modèle d'un coup. On le découpe en unités de sens. Trop gros, les réponses deviennent floues. Trop petit, le contexte se perd — le paragraphe qui dit « voir exception à l'article 8 » se retrouve orphelin de l'article 8.
Le bon découpage dépend du type de document : un devis ne se découpe pas comme une chaîne de courriels. C'est le genre de calibration qui prend des mois, pas des heures.
03La vectorisation : le texte devient géométrie
Chaque fragment passe ensuite dans un modèle d'embeddings — chez nous, voyage-4 de Voyage AI, parmi les meilleurs au monde pour cette tâche. Le résultat : chaque fragment devient un vecteur, une série de coordonnées dans un espace à plus de 1 000 dimensions.
La magie est là : dans cet espace, « cloquage de la membrane » et « le toit gondole » sont voisins, même s'ils ne partagent aucun mot. C'est ce qui permet de retrouver l'idée, pas juste le mot.
04La double indexation : parce que le sens ne suffit pas
Un index sémantique seul a un angle mort : les identifiants exacts. Quand vous cherchez la soumission S00124, vous ne voulez pas « quelque chose de sémantiquement proche » — vous voulez ce numéro-là. SourceIQ maintient donc 2 index en parallèle : un index vectoriel pour le sens, et un index lexical (de la famille BM25) pour les termes exacts.
Et tout ça se synchronise en continu avec vos systèmes : un document ajouté dans l'ERP apparaît, un document supprimé disparaît. Personne n'a de bouton « réindexer » à pousser.
Phase 2 — Chaque question
05L'analyse d'intention
Avant de chercher, le système analyse la question elle-même. Qui demande? Sur quel projet a-t-il le droit de chercher? Est-ce une question factuelle (« quel était le montant? ») ou une demande de synthèse (« prépare-moi un bilan »)? La stratégie de recherche change selon la réponse.
06La recherche hybride
Les 2 index sont interrogés en parallèle — le sens ET les termes exacts — et leurs résultats sont fusionnés. Comment on pondère cette fusion? C'est une des questions à 10 000 heures. Chaque corpus a son équilibre.
07Le reranking : le deuxième regard
La recherche ramène large — des dizaines de fragments candidats. Un second modèle spécialisé (rerank-v3.5) réévalue alors chaque candidat contre la question, un par un, et ne garde que les meilleurs. C'est l'étape que les systèmes amateurs sautent, et ça se voit directement dans la qualité des réponses.
08La génération sous contrainte
Le modèle de langage rédige la réponse — mais sous contrainte stricte : uniquement à partir des fragments retenus, avec citation obligatoire de chaque source. S'il n'a pas l'information, il le dit. Une IA d'entreprise qui invente est pire qu'inutile : elle est dangereuse.
« On pourrait bâtir ça nous-mêmes »
Vous pourriez. Les briques sont publiques : les modèles, les bases vectorielles, les tutoriels. Un développeur motivé monte un prototype RAG en une fin de semaine — et il impressionnera 10 minutes.
La différence entre ce prototype et un système en production, c'est tout ce qui précède : la qualité d'extraction sur de vrais documents de construction, le découpage calibré par type de document, l'équilibre de la recherche hybride, le reranking, le cloisonnement par projet, la synchronisation continue, et l'évaluation systématique des réponses. Chaque étape représente des dizaines de choix, testés contre des vrais documents et des vraies questions de votre industrie.
C'est 2 ans de travail. Pas parce que c'est compliqué à comprendre — vous venez de le comprendre en 5 minutes — mais parce que c'est long à bien faire.
Et la confidentialité?
Le cloisonnement est dans l'architecture, pas dans une politique. Chaque équipe ne voit que ses projets; un contremaître ne peut pas sortir de son chantier même en le demandant, parce que la recherche elle-même est restreinte à ses documents avant même de s'exécuter. Les données RH ne croisent jamais les données de chantier.
Ce que je ne vous dirai pas ici
Les paramètres exacts du découpage. Comment on fusionne les scores des 2 index. Nos prompts de génération. Notre méthode d'évaluation continue. C'est la partie qui a coûté les 10 000 heures — et c'est ce qui sépare une démo d'un outil auquel vos équipes font confiance.
Ce que je peux vous dire : ça se démontre en 30 minutes, sur vos propres documents.