Comment SourceIQ fonctionne : indexation, vecteurs et recherche hybride

On me demande régulièrement comment un système peut répondre avec précision à des questions portant sur des milliers de documents qu'il découvre en arrivant chez vous. Ouvrons le capot.

Disons-le d'emblée : « brancher ChatGPT sur nos fichiers » n'est pas la réponse. C'est même précisément l'approche qui déçoit.

La vue d'ensemble

SourceIQ travaille en 2 temps. L'indexation, d'abord, transforme vos documents en une structure interrogeable; elle tourne sans interruption, jour et nuit. L'interrogation, ensuite, se joue en moins de 10 secondes chaque fois qu'une question est posée.

Le schéma ci-dessous se raconte de lui-même — suivez le professeur.

Phase 1 — L'indexation

01L'extraction : sortir l'information de sa prison

Vos documents n'ont rien du texte propre qu'affectionnent les démonstrations : PDF numérisés de travers, plans, chaînes de courriels aux 40 réponses empilées, photos de chantier, données d'ERP. Chaque format exige son extracteur — reconnaissance de caractères pour les numérisations, traitement particulier des tableaux, et un pipeline complet qui repère les figures et les photos au fil des PDF, les isole et les décrit afin qu'elles deviennent cherchables.

C'est l'étape la moins spectaculaire, et pourtant celle qui se venge le plus cruellement lorsqu'on la bâcle : un système qui indexe du bruit répondra du bruit.

02Le découpage : un art, pas un détail

On ne soumet pas un document de 300 pages d'un seul bloc à un modèle : on le découpe en unités de sens. Trop grossières, les réponses deviennent floues; trop fines, le contexte se dissout — et le paragraphe qui renvoie à « l'exception prévue à l'article 8 » se retrouve orphelin de son article 8.

Le découpage juste varie selon la nature du document : un devis ne se segmente pas comme une chaîne de courriels. Cette calibration se compte en mois, pas en heures.

03La vectorisation : le texte devient géométrie

Chaque fragment traverse ensuite un modèle d'embeddings — l'un des plus performants au monde pour cette tâche. Chacun en ressort transformé en vecteur : une série de coordonnées dans un espace de plus de 1 000 dimensions.

Toute la magie tient là : dans cet espace, « cloquage de la membrane » et « le toit gondole » sont voisins, alors qu'ils ne partagent pas un seul mot. Voilà ce qui permet de retrouver l'idée, et non simplement le mot.

04La double indexation : parce que le sens ne suffit pas

Un index sémantique seul souffre d'un angle mort : les identifiants exacts. Qui cherche la soumission S00124 ne veut pas « quelque chose de sémantiquement apparenté » — il veut ce numéro-là. SourceIQ entretient donc 2 index parallèles : l'un vectoriel, pour le sens; l'autre lexical, pour les termes exacts.

Le tout se synchronise en continu avec vos systèmes : un document versé à l'ERP apparaît, un document supprimé s'efface. Personne n'a de bouton « réindexer » à surveiller.

Phase 2 — Chaque question

05L'analyse d'intention

Avant même de chercher, le système analyse la question. Qui la pose? Sur quels projets cette personne détient-elle des droits? S'agit-il d'un fait précis — « quel était le montant? » — ou d'une synthèse — « préparez-moi un bilan »? La stratégie de recherche s'ajuste en conséquence.

06La recherche hybride

Les 2 index sont interrogés en parallèle — le sens et la lettre — puis leurs résultats fusionnés. La pondération de cette fusion? Une des questions à 10 000 heures : chaque corpus a son point d'équilibre.

07Le reranking : le deuxième regard

La recherche ratisse large et ramène des dizaines de fragments candidats. Un second modèle, spécialisé dans ce seul travail, les réévalue alors un à un, à l'aune de la question, et n'en retient que l'essentiel. C'est l'étape que les systèmes improvisés escamotent, et cela s'entend directement dans la qualité de leurs réponses.

08La génération sous contrainte

Le modèle de langage rédige enfin la réponse — sous contrainte stricte : uniquement à partir des fragments retenus, chaque affirmation adossée à sa source. L'information manque-t-elle? Il le dit. Une IA d'entreprise qui invente n'est pas inutile : elle est dangereuse.

« On pourrait bâtir ça nous-mêmes »

Vous le pourriez, en effet. Les briques sont publiques — les modèles, les bases vectorielles, les tutoriels abondent. Un développeur motivé assemble un prototype RAG en une fin de semaine. Il impressionnera 10 minutes.

Deux années de travail. Non que la chose soit difficile à comprendre — vous venez de le faire en 5 minutes — mais parce qu'elle est longue à bien faire.

Et la confidentialité?

Le cloisonnement relève de l'architecture, non d'une politique. Chaque équipe ne voit que ses projets; un contremaître ne peut sortir de son chantier, même en le demandant, puisque la recherche elle-même est restreinte à ses documents avant de s'exécuter. Jamais les données RH ne croisent celles des chantiers.

La démonstration, elle, se fait en 30 minutes — sur vos propres documents.