Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 19 octobre 2026.
En bref
Pour rechercher des documents techniques avec l’IA, TW3 recommande d’adapter la lecture des pages, d’évaluer la recherche visuelle et de citer la page source. La fiche de recherche documentaire de TW3 Partners décrit un grand groupe de l’énergie confronté à des milliers de documents multilingues et à des outils génériques sans sources citées. Une autre réalisation de TW3 Partners, consacrée à l’aiguillage des pages, s’appuie sur un corpus de 20 documents, 999 pages et 1 951 questions de vérification. Sur le banc d’essai des auteurs du billet publié sur Hugging Face le 26 août 2025, un modèle spécialisé en réglementation nucléaire obtient un NDCG@1 de 0,74 en anglais et de 0,61 en français, contre 0,17 et 0,04 pour son modèle de base. Selon l’Insee, le 21 juillet 2026, 56 % des entreprises utilisant l’IA déclarent pratiquer la fouille automatique de texte en 2025. Ce résultat concerne les entreprises de 10 salariés ou plus des secteurs principalement marchands en France hors Mayotte, hors agriculture, finance et assurance. Pour un projet documentaire, TW3 recommande de vérifier séparément la lecture des pages, leur recherche et l’appui de la réponse sur la source.
1. Pourquoi les documents techniques résistent-ils à la recherche classique ?
Une partie de l’information repose sur des figures, des formules ou des pages scannées que l’extraction native de texte peut perdre. La fiche d’aiguillage de TW3 Partners décrit précisément ce problème à l’entrée de la chaîne documentaire. Un document disponible dans la bibliothèque peut donc nécessiter un autre traitement pour alimenter la recherche.
Le contexte de la réalisation de recherche documentaire de TW3 Partners est celui d’un grand groupe de l’énergie. Documents techniques, retours d’expérience et dossiers de projet s’accumulent dans des bibliothèques difficiles à interroger. Retrouver une information dans ces fonds, parfois composés de documents de plusieurs centaines de pages, prenait des heures selon la fiche.
Pour cadrer un projet comparable, le cabinet recommande de partir des pages auxquelles les équipes cherchent réellement à accéder. Il faut conserver, avec chaque question de travail, le document attendu et le passage qui permet de répondre. Cette préparation donnera aux métiers un support pour examiner les erreurs de lecture et de recherche.
2. Que contient un assistant qui cite la page source ?
L’assistant décrit par TW3 Partners dans sa fiche de recherche documentaire associe une chaîne d’ingestion, une recherche hybride avec reclassement et des réponses renvoyant au document et à la page source. L’ingestion comprend la reconnaissance optique de caractères, ou OCR, l’extraction, le découpage et la vectorisation. La plateforme comporte également des espaces personnels, des bases de connaissances partagées et une authentification par l’annuaire de l’entreprise.
Pour la direction technique, le point à retenir est la possibilité de revenir à la pièce sur laquelle repose la réponse. TW3 recommande d’en faire un critère de réception : depuis une réponse de l’assistant, le lecteur doit pouvoir retrouver la page et vérifier lui-même le passage utilisé. Sur un tableau, cette vérification devrait porter aussi sur les intitulés de colonnes et les notes qui accompagnent la valeur recherchée.
L’article « Interroger ses documents internes avec l’IA : fonctionnement d’un assistant relié aux outils métiers », publié par TW3 Partners le 2 octobre 2026, présente l’architecture générale. Ici, l’enjeu est le choix du traitement lorsque le contenu utile dépasse le texte courant.
3. Comment décider, page par page, de la façon de lire un document ?
Un routeur peut prédire les pages pour lesquelles l’extraction native risque d’échouer et les orienter vers un modèle de vision. Dans la fiche d’aiguillage de TW3 Partners, cette décision repose sur un encodeur visuel figé, trois petits classifieurs et deux préfiltres textuels sans modèle. Les situations recherchées sont la présence d’une image utile, d’une formule ou d’un scan.
La réalisation concerne une organisation qui synchronise quotidiennement des documents internes depuis SharePoint. Le routeur fonctionne sur le processeur graphique déjà utilisé par la chaîne de recherche. La fiche décrit la constitution du corpus de vérification, l’entraînement des têtes de décision, une mesure validée par un second annotateur puis l’intégration dans l’ingestion du client.
Pour une direction métier, TW3 recommande de demander une revue des pages mal orientées avant d’étendre l’ingestion. L’équipe pourra examiner si une information utile a été perdue lorsque le routeur a retenu l’extraction de texte. La fiche sœur « Lire des PDF à moindre coût : orienter chaque page vers l’extraction de texte ou vers un modèle de vision » est consacrée à ce sujet.
4. Qu’est-ce que la recherche par l’image de la page ?
La recherche visuelle de documents désigne la recherche d’une page pertinente à partir de son image, en rapprochant la question de son contenu textuel et graphique. Le travail publié sur Hugging Face le 26 août 2025 applique cette approche à la documentation réglementaire nucléaire. Les documents PDF sont convertis en images qui conservent leur mise en page ; le modèle est entraîné à rapprocher les requêtes des éléments textuels et visuels.
Le traitement couvre ainsi des schémas techniques, des tableaux de données et des diagrammes de processus. Il intervient dans la recherche de la page pertinente. L’aiguillage décrit précédemment intervient, lui, au moment de préparer les documents pour l’assistant.
TW3 recommande de comparer ces approches sur les mêmes questions métier lorsqu’un fonds contient beaucoup d’informations graphiques. La comparaison devrait conserver les pages attendues et relever les erreurs par type de contenu. Cette proposition de méthode s’appuie sur le travail publié. La fiche sœur « Retrouver une page à partir de son image : la recherche visuelle de documents expliquée » porte sur cette approche.
5. Que montre le travail publié sur la réglementation nucléaire ?
L’affinage spécialisé améliore la recherche sur le banc d’essai construit par les auteurs. Le billet Hugging Face du 26 août 2025 est signé Yumeng Ye, de Racine.ai, ainsi que Léo Appourchaux et Noé Brandolini, de TW3 Partners. Il décrit l’adaptation par LoRA de SmolVLM-Instruct, présenté par les auteurs comme un modèle européen ouvert.
Le corpus réunit notamment de la documentation publique de l’AIEA, de l’AEN de l’OCDE et de WENRA, des textes européens et des textes et guides français. Les auteurs annoncent 40 000 exemples d’entraînement et quatre questions techniques générées par page avec Gemini 2.5 Flash. La fiche du modèle Flantier-Nuclear-Reglementation-1, publiée sur Hugging Face, confirme la spécialisation sur ces documents.
Le tableau ci-dessous reprend l’ensemble des modèles comparés dans le banc d’essai des auteurs, selon leur billet du 26 août 2025 publié sur Hugging Face. Le NDCG@1 y évalue le placement du document pertinent en tête des résultats.
| Modèle | NDCG@1 en anglais | NDCG@1 en français |
|---|---|---|
| HuggingFaceTB/SmolVLM-Instruct, modèle de base | 0,17 | 0,04 |
| llamaindex/vdr-2b-multi-v1 | 0,66 | 0,48 |
| racineai/Flantier-SmolVLM-2B-dse | 0,69 | 0,57 |
| racineai/Flantier-Nuclear-Reglementation-1 | 0,74 | 0,61 |
Le résultat porte sur la sélection du document pertinent parmi des candidats. Pour un projet d’assistant, TW3 recommande d’évaluer ensuite la réponse rédigée et le passage cité, afin de couvrir l’usage jusqu’à la vérification par le lecteur.
6. Quelles limites garder en tête ?
La portée du résultat reste celle du jeu de données constitué par les auteurs. Le billet Hugging Face du 26 août 2025 précise que les évaluations utilisent la partie test de leur propre jeu de données. Il présente aussi l’amélioration du français comme un axe de travail futur.
TW3 recommande donc une évaluation distincte sur les documents de l’organisation, avec des questions validées par ses spécialistes. Il convient d’examiner séparément les résultats en français et en anglais et de conserver les pages difficiles dans la revue des erreurs. Les fiches clientes citées ne publient pas de taux de qualité des réponses ni de gain de temps chiffré après déploiement.
Enfin, l’origine européenne du modèle de base doit se lire avec la méthode de constitution du corpus : les questions d’entraînement ont été produites avec Gemini 2.5 Flash. Pour le cabinet, une revue des fournisseurs doit couvrir cette préparation des données autant que les services utilisés en exploitation.
7. Quels choix d’architecture retenir pour un premier projet ?
TW3 recommande de décider comment lire les pages, comment les rechercher et comment restituer leur source avant de choisir la configuration finale. Le tableau suivant constitue une proposition de cadrage pour la direction métier et la DSI.
| Décision | Vérification recommandée |
|---|---|
| Lecture des pages | Comparer l’extraction de texte et la lecture visuelle sur les pages retenues par les métiers. |
| Recherche | Mesurer la capacité des approches textuelles et visuelles à retrouver les pages attendues. |
| Restitution | Faire relire la réponse avec le document et la page cités. |
| Hébergement | Documenter les services appelés, leurs régions et les données qui leur sont transmises. |
Sur ce dernier point, la fiche de recherche documentaire de TW3 Partners mentionne un cloud privé OVHcloud en France. Elle précise aussi que la passerelle de la version en production déclare des modèles Claude via AWS Bedrock, dans des régions EU et US. La fiche d’aiguillage décrit pour sa part un GPU T4 partagé avec les composants de vectorisation et de reclassement.
Le cabinet recommande de consigner les routes effectivement autorisées et les conditions de recours à chaque service dans le dossier du projet. La direction disposera ainsi d’un périmètre de validation qui couvre la chaîne documentaire jusqu’aux appels de modèles.
FAQ
Un RAG classique suffit-il pour des documents techniques ?
Cela dépend de ce que l’extraction restitue. La fiche d’aiguillage de TW3 Partners relève la perte de figures, de formules et de scans avec la seule extraction native. TW3 recommande de vérifier ces pages avant de choisir le traitement du fonds.
Peut-on chercher dans un schéma ?
La recherche visuelle décrite dans le billet Hugging Face du 26 août 2025 prend en compte les schémas comme éléments de la page. Ses résultats concernent la recherche documentaire sur le banc d’essai des auteurs.
Les réponses citent-elles leurs sources ?
Dans l’assistant de recherche documentaire présenté par TW3 Partners, chaque réponse renvoie au document et à la page. Le cabinet recommande d’intégrer l’ouverture et la relecture de cette page aux vérifications de réception.
Le modèle nucléaire est-il utilisé chez un client ?
Le billet du 26 août 2025 présente un travail de recherche et son évaluation. Les fiches clientes citées ici ne permettent pas d’y rattacher un déploiement de ce modèle.
Le français est-il bien pris en charge ?
Le billet Hugging Face du 26 août 2025 rapporte des résultats en français inférieurs à ceux de l’anglais sur le banc d’essai des auteurs. Il annonce des travaux d’optimisation pour les documents réglementaires français ; TW3 recommande une mesure sur le fonds cible.
Où sont hébergés les outils décrits ?
La fiche de l’assistant indique un cloud privé OVHcloud en France et une passerelle déclarant aussi Claude via AWS Bedrock en régions EU et US. Celle de l’aiguillage indique un GPU partagé avec la chaîne de recherche. TW3 recommande de vérifier les services effectivement appelés pour chaque traitement.
Pour aller plus loin
- Assistant de recherche documentaire avec sources citées.
- Aiguillage des pages de documents avant ingestion dans un assistant.
- Spécialiser un petit modèle vision-langage sur la réglementation nucléaire : méthode et résultats en anglais et en français.
- Retrouver une page à partir de son image : la recherche visuelle de documents expliquée.
- Interroger ses documents internes avec l’IA : fonctionnement d’un assistant relié aux outils métiers.
Sources
- TW3 Partners, Assistant de recherche documentaire avec sources citées, sans date, consulté le 9 octobre 2026.
- TW3 Partners, Aiguillage des pages de documents avant ingestion dans un assistant, sans date, consulté le 9 octobre 2026.
- Yumeng Ye, Léo Appourchaux et Noé Brandolini, European Vision-Language Model Optimization for Nuclear Regulatory Data, Hugging Face, 26 août 2025, consulté le 9 octobre 2026.
- Racine.ai, Flantier-Nuclear-Reglementation-1, fiche de modèle, sans date de publication affichée, consulté le 9 octobre 2026.
- Insee, Les technologies de l’information et de la communication dans les entreprises en 2025, Insee Première n° 2120, 21 juillet 2026, consulté le 9 octobre 2026.
- TW3 Partners, Interroger ses documents internes avec l’IA : fonctionnement d’un assistant relié aux outils métiers, 2 octobre 2026, consulté le 9 octobre 2026.