L'essentiel sur la Méthode Agent IA RAG Souverain Nehos™
La Méthode Agent IA RAG Souverain Nehos™ décrit comment nous livrons un agent IA adossé à une base documentaire d'entreprise, du cadrage métier jusqu'à la production supervisée, sur infrastructure hébergée en Union européenne. Six phases, chacune avec des livrables nommés, une durée indicative et un jalon de décision explicite : à la fin de chaque phase, le projet continue, s'ajuste ou s'arrête — et cette décision se prend sur des éléments mesurés, pas sur une impression de démo.
Le premier jalon est le plus important, et c'est celui que la plupart des projets sautent : le chiffrage du ROI avant tout développement. Combien de temps est aujourd'hui consacré à la recherche d'information dans le périmètre visé, par combien de personnes, à quelle fréquence, et quelle part de ce temps un agent RAG peut raisonnablement récupérer. Si l'ordre de grandeur ne couvre pas le coût de mise en œuvre et d'exploitation, on le dit avant de signer.
Les phases 2 et 3 traitent ce qui fait vraiment échouer les projets RAG : la qualité du corpus et les droits d'accès. Un corpus mal qualifié — documents scannés illisibles, versions multiples non arbitrées, absence d'ACL exploitables — ne produira jamais un agent fiable, quelle que soit la qualité du modèle. La vectorisation et l'indexation Qdrant viennent après, avec un jeu d'évaluation de référence construit avec les experts métier pour établir la baseline de qualité.
Les phases 4 à 6 industrialisent : orchestration LangGraph ou CrewAI, retrieval filtré par les droits de l'utilisateur authentifié, garde-fous, interface Next.js, déploiement progressif par cohortes, observabilité de bout en bout, réindexation incrémentale et revue périodique. Stack de référence : Mistral Large 2 et Mixtral, Qdrant, PostgreSQL, sur OVHcloud avec offre qualifiée SecNumCloud pour les workloads sensibles. Le code et la documentation restent chez le client.
Méthode Agent IA RAG Souverain Nehos™ — Du cadrage à la production, sans POC qui meurt en démo
Six phases, des jalons de décision explicites, des livrables qui restent chez vous. La méthode que Nehos applique pour passer d'un besoin métier à un agent IA RAG en production sur Mistral, Qdrant et OVHcloud — avec un ROI chiffré avant la première ligne de code et mesuré après la mise en service.
Nos clients types
#Pourquoi une méthode plutôt qu'un POC de plus
Depuis la vague de POC de 2023-2024, le scénario d'échec est toujours le même. Une équipe branche un modèle sur un échantillon de documents, la démonstration impressionne un comité, un budget est débloqué — puis le projet s'enlise. Les causes tiennent rarement au modèle : le corpus réel est bien plus sale que l'échantillon, les droits d'accès bloquent la production, et personne n'a chiffré ce que le système doit rapporter.
Nous avons donc inversé l'ordre des travaux : le chiffrage avant le développement, la qualification du corpus et des droits avant la vectorisation, le jeu d'évaluation avant les premières mesures — pas après, quand il devient tentant de l'aligner sur les résultats. Six phases, six jalons : à chaque étape, le projet continue, s'ajuste ou s'arrête.
#Phase 1 — Cadrage métier et chiffrage du ROI
On commence par le calcul. Avec le sponsor métier, on quantifie la tâche de recherche d'information que l'agent doit absorber : personnes concernées, fréquence, temps unitaire actuel, coût horaire chargé, part récupérable — jamais la totalité. On fixe les critères d'acceptation : fidélité aux sources, latence acceptable, comportement exigé quand la réponse n'est pas dans le corpus. Et on identifie qui peut bloquer la production : DPO, RSSI, direction juridique.
Jalon 1 : décision go/no-go argumentée. Si le gain estimé ne couvre pas le coût de mise en œuvre et d'exploitation, on le dit là — pas six mois plus tard. Le cadre économique complet est dans la Méthode Nehos ROI-First IA™.
#Phase 2 — Qualification du corpus et des droits d'accès
Phase ingrate, et déterminante. On inventorie les sources concernées, on mesure leur volumétrie et surtout leur qualité : documents scannés à passer en reconnaissance de caractères, versions multiples non arbitrées, documents obsolètes jamais retirés. On échantillonne et on lit — il n'existe pas de raccourci.
En parallèle, on récupère les droits d'accès du système source et on vérifie qu'ils sont exploitables : un agent qui restitue des extraits auxquels l'utilisateur n'a pas accès crée un incident de confidentialité plus grave que l'absence d'agent. Le volet réglementaire est traité ici : base légale, analyse d'impact si requise. Jalon 2 : corpus déclaré indexable, ou plan de remise en état chiffré.
#Phase 3 — Vectorisation, indexation et POC mesuré
La phase technique de fond. Le découpage est adapté aux documents : structurel pour les textes hiérarchisés (contrats, procédures), sémantique pour la prose, taille fixe avec recouvrement en dernier recours. Les vecteurs sont calculés avec un modèle d'embedding performant sur le français, puis indexés dans Qdrant en mode hybride — dense pour la sémantique, lexical pour les références exactes — avec reclassement avant génération. Chaque fragment porte ses droits, sa source et sa version.
Non négociable : le jeu d'évaluation de référence est construit avec les experts métier et versionné dans le dépôt — cas nominaux, cas limites, questions hors périmètre. Jalon 3 : baseline mesurée sur ce jeu, comparée aux critères de la phase 1. Les fondamentaux du RAG et l'architecture livrée sont sur la page RAG Entreprise.
#Phase 4 — Industrialisation de l'agent
Le POC devient un composant du système d'information. L'orchestration est construite avec LangGraph ou CrewAI selon la complexité réelle du parcours : un agent qui interroge une seule base n'a pas besoin de la machinerie d'un agent qui enchaîne recherche, appel d'une application métier et rédaction structurée.
Le filtrage du retrieval par l'identité et les rôles de l'utilisateur authentifié est une exigence de sécurité, avec des tests qui échouent si un fragment interdit remonte. Les garde-fous tiennent en trois couches — entrée, format de génération, vérification des citations — selon le cadre de notre page sécurité LLM OWASP. L'interface Next.js est intégrée au portail via l'authentification unique. Jalon 4 : recettes fonctionnelle et sécurité prononcées.
#Phase 5 — Mise en production supervisée
On ne bascule pas une direction entière d'un coup. Le déploiement se fait par cohortes, à commencer par les utilisateurs qui ont construit le jeu d'évaluation et savent reconnaître une réponse discutable. Entre deux cohortes, on regarde les mesures.
L'observabilité LLM est en place avant la mise en service, pas après : chaque requête laisse une trace complète — question, fragments récupérés avec leurs scores, appels d'outils, réponse, jetons, latence, coût — ce qui permet de rejouer tout incident signalé. Des seuils d'alerte couvrent la fidélité, la latence et l'abstention ; une procédure de repli est écrite puis testée. La formation insiste sur la vérification des citations, plutôt que sur l'art de formuler ses questions. Jalon 5 : production prononcée cohorte par cohorte.
#Phase 6 — Exploitation, mesure et transfert
La méthode ne s'arrête pas à la mise en service : c'est là que la qualité commence à dériver, le corpus évolue, les questions se déplacent. D'où un rythme de revue : exécution périodique du jeu d'évaluation, enrichissement à partir des questions sans réponse, contrôle de la fraîcheur de l'index, suivi du coût par requête.
Le transfert de compétences est intégré ici, pas repoussé à la fin : faire évoluer les prompts, enrichir le jeu d'évaluation, ajouter une source, lire les tableaux de bord. Jalon 6 : autonomie constatée sur une évolution réelle — l'objectif assumé étant que le client exploite le système sans nous.
#Stack et périmètre souverain
Stack de référence : Mistral Large 2 et Mixtral, Qdrant, LangGraph ou CrewAI, PostgreSQL, Next.js, sur OVHcloud avec offre SecNumCloud pour les workloads sensibles. Le choix souverain n'est pas systématique — sur un corpus public, une interface managée peut suffire — mais il devient difficilement contournable dès que le corpus est contractuel ou personnel. Un modèle à version figée supprime en outre la variable des mises à jour fournisseur, sujet traité dans la Méthode Stack Souveraine Nehos™.
Le code et la documentation restent chez le client. Catalogue complet : agents IA et automatisation. Infrastructure : IA souveraine.
Questions fréquentes sur la Méthode Agent IA RAG Souverain Nehos™
Parce qu'un POC technique répond à la mauvaise question. Il démontre qu'un modèle peut produire une réponse plausible sur un échantillon de documents, ce dont plus personne ne doute depuis 2023. Ce qu'il ne dit pas, c'est si le système vaut son coût de mise en œuvre et surtout son coût d'exploitation récurrent. Un agent RAG en production, ce sont des dépenses d'inférence, du stockage vectoriel, de la réindexation, de la supervision et du temps d'équipe interne — des charges qui ne s'arrêtent pas à la recette. Le chiffrage de la phase 1 pose les hypothèses noir sur blanc : nombre de personnes concernées, fréquence des recherches, temps unitaire actuel, part récupérable de façon réaliste. Il arrive que ce calcul conclue à un intérêt insuffisant sur le périmètre envisagé — dans ce cas, soit on redimensionne le périmètre, soit on ne fait pas. C'est une conversation plus facile à avoir en semaine deux qu'en mois huit, et c'est le sens du positionnement : on chiffre le ROI avant de signer, on livre et on mesure.
En additionnant les durées indicatives des phases, l'ordre de grandeur va de quatre à six mois pour un premier cas d'usage, avec des écarts qui tiennent presque toujours à trois facteurs. Premier facteur, l'état du corpus : si la phase 2 révèle des travaux de remise en état documentaire — arbitrage de versions, retrait de documents obsolètes, reconnaissance de caractères à qualifier sur des scans anciens — le calendrier s'allonge d'autant, et ce travail relève souvent du client autant que de nous. Deuxième facteur, les droits d'accès : quand le système source n'expose pas de listes d'accès exploitables, il faut construire un référentiel de droits en parallèle, ce qui peut ajouter plusieurs semaines. Troisième facteur, la disponibilité des experts métier pour construire le jeu d'évaluation en phase 3 — c'est une contrainte calendaire, pas une charge technique. Les cas d'usage suivants dans la même organisation vont nettement plus vite, puisque l'infrastructure, les connecteurs et l'outillage d'évaluation sont déjà en place.
C'est exactement le rôle du jalon 3, et ce n'est pas un échec : c'est une information obtenue au bon moment. Trois causes couvrent la grande majorité des situations. Première cause, un problème de récupération : les bons fragments ne remontent pas. On travaille alors le découpage, l'équilibre entre recherche sémantique et recherche lexicale, et le reclassement des candidats — c'est le levier le plus fréquemment décisif. Deuxième cause, un problème de corpus : l'information nécessaire n'est tout simplement pas présente, ou elle existe en plusieurs versions contradictoires. Aucun réglage technique ne compense cela ; il faut revenir en phase 2 et compléter ou arbitrer le corpus. Troisième cause, un problème de cadrage : les questions du jeu d'évaluation ne relèvent pas d'une recherche documentaire mais d'un raisonnement ou d'un calcul sur des données transactionnelles, ce qui appelle une autre architecture. Dans tous les cas, on présente le diagnostic, le coût de la correction et l'option d'arrêt. Le jalon existe pour rendre cette décision possible.
En traitant le sujet comme une exigence de sécurité testée, et non comme une option de configuration. Concrètement, chaque fragment indexé porte dans ses métadonnées les droits du document d'origine, synchronisés depuis le système source à chaque cycle d'indexation. Toute requête est filtrée en amont de la recherche vectorielle par l'identité et les rôles de l'utilisateur authentifié via l'authentification unique de l'entreprise : la recherche ne s'exécute que sur le sous-ensemble autorisé. Ce mécanisme est couvert par des cas de test automatisés qui échouent si un fragment interdit remonte, exécutés à chaque livraison au même titre que les tests fonctionnels. Deux points de vigilance méritent d'être posés dès la phase 2. D'abord, la synchronisation des droits n'est pas instantanée : entre une modification d'accès dans le système source et sa prise en compte, il existe un délai à définir et à assumer explicitement. Ensuite, si le système source n'expose pas de droits exploitables, il faut les construire — c'est un travail à part entière, à chiffrer, pas un détail d'intégration.
Cela dépend de la nature du corpus, et la réponse honnête n'est pas toujours celle qu'on attend d'un acteur qui se revendique souverain. Sur des documents publics ou faiblement sensibles, une interface managée peut convenir et coûter moins cher à l'entrée. Trois situations rendent en revanche l'hébergement en Union européenne difficilement contournable. D'abord la nature des données : documents contractuels, dossiers de personnel, données de santé, éléments couverts par le secret des affaires. Ensuite le cadre applicable au secteur, qui peut imposer une qualification particulière du fournisseur d'hébergement. Enfin la stabilité : sur une interface managée, une mise à jour du modèle côté fournisseur peut modifier le comportement du système sans préavis, ce qui rend vos comparaisons entre versions difficilement interprétables et impose de rejouer le jeu d'évaluation à chaque annonce. Un modèle auto-hébergé à version figée supprime cette variable. Le sujet est traité plus largement dans la Méthode Stack Souveraine Nehos™ et sur la page IA souveraine.
La mise en place d'un RAG est un travail technique : ingestion, découpage, vectorisation, index, génération. C'est nécessaire, c'est documenté publiquement, et une bonne équipe sait le faire. La méthode traite ce qui entoure ce travail et qui détermine, dans les faits, si le système arrive en production et y reste. Elle impose un chiffrage économique avant le développement, une qualification du corpus et des droits avant la technique, un jeu d'évaluation construit avec le métier avant les premières mesures, des jalons de décision qui rendent l'arrêt possible à chaque étape, une mise en production progressive et supervisée plutôt qu'une bascule globale, et un transfert de compétences organisé. Autrement dit, la partie strictement technique représente une fraction du travail réel. Le détail de l'implémentation est décrit sur la page de service RAG Entreprise ; cette page décrit la façon dont nous conduisons le projet autour.
Quatre rôles sont indispensables, et leur indisponibilité est la première cause de dérive calendaire que nous observons. Un sponsor métier, qui porte le calcul de ROI de la phase 1 et arbitre les jalons — mobilisation ponctuelle mais décisionnelle. Des experts métier, qui construisent le jeu d'évaluation en phase 3 et vérifient les réponses lors des premières cohortes : c'est la mobilisation la plus lourde, quelques ateliers puis des revues régulières. Un référent système d'information, pour l'accès aux sources documentaires, aux droits et à l'authentification unique — critique en phases 2 et 4. Un référent conformité, DPO ou équivalent, en phase 2 puis lors des revues. Nous fournissons de notre côté l'architecture, le développement, l'outillage d'évaluation et l'exploitation initiale. Un projet où le métier délègue entièrement à la DSI produit un agent techniquement correct que personne n'utilise, parce que le jeu d'évaluation ne reflète alors pas les vraies questions.
Elle est documentée pour être appliquée, y compris sans nous. La phase 6 intègre explicitement le transfert de compétences : faire évoluer les prompts, enrichir le jeu d'évaluation, ajouter une source, lire les tableaux de bord et interpréter une dérive. Le code et la documentation restent chez le client, sans dépendance à un outillage propriétaire Nehos — la stack repose sur des composants open source ou standards, ce qui rend la reprise possible par une autre équipe. Une formation est par ailleurs disponible pour les organisations qui veulent internaliser la démarche avant de lancer plusieurs cas d'usage. Notre intérêt bien compris n'est pas de créer une dépendance : une organisation autonome sur son premier agent revient plus souvent pour les suivants, et sur des sujets plus intéressants. Pour évaluer si votre contexte s'y prête, le plus simple reste un échange de cadrage.