Service 06
Chatbot
Un chatbot qui comprend votre métier et vos clients.
Sorti de l'atelier
La preuve par nos projets.
Pas de promesses : des systèmes en production, et pourquoi ils comptent.
Vos agents, sur mesure.
Trois exemples concrets de ce que nos agents exécutent, étape par étape, dépliez chaque nœud. Le vôtre sera dessiné pour votre métier.
L'agent de réservation qui ne dort jamais
Demande client
WhatsApp, site ou téléphone
Le client écrit à 23 h ? L'agent répond en quelques secondes, dans sa langue.
Agent d'accueil
comprend la demande
Dates, nombre de personnes, budget, occasion : tout est extrait, reformulé et confirmé.
Disponibilités
calendrier en direct
Branché sur votre planning réel : jamais de double réservation.
Proposition + surclassement
vend, poliment
Suggère la chambre supérieure ou le petit-déjeuner quand c'est pertinent, jamais de forcing.
Paiement sécurisé
dans la conversation
Acompte encaissé par lien de paiement, reçu envoyé immédiatement.
Réservation confirmée
+ rappel automatique J-1
Confirmation, itinéraire, rappel la veille : plus de no-show surprise.
Au-delà du FAQ-bot scripté, nous concevons des chatbots véritablement utiles : ils s'appuient sur vos documents, comprennent l'intention, et savent ce qu'ils ne savent pas. Intégrables au site, à WhatsApp, à Slack ou Intercom, avec supervision et taux de résolution mesurés.
Expertise
Bénéfices
Désengorge le support sur 60-80 % des questions courantes.
Disponible 24/7, multilingue.
Apprend de vos contenus, pas du web ouvert.
Stack technique
Livrables
- Base de connaissance structurée (RAG)
- Persona, garde-fous, tonalité
- Intégration site / WhatsApp / Slack
- Tableau de bord & métriques
- Reprise humaine (handoff)
Notre approche
- 01
Cadrage
Cas d'usage, sources, périmètre.
- 02
Prototype
Évaluation sur questions réelles.
- 03
Production
Supervision et amélioration continue.
Engagements mesurables
Ce que nous nous engageons à délivrer
≥ 70 %
Taux de résolution autonome sans intervention humaine
≥ 4,2 / 5
Score de satisfaction post-conversation (CSAT)
< 3 s
Temps médian de première réponse utile
< 2 %
Taux d'hallucination mesuré sur jeu de tests qualité
≥ 95 %
Couverture des intentions métier prioritaires
Inclus dans la mission
- ✓Ingestion et indexation de la base documentaire (site, PDF, FAQ, base produit)
- ✓Configuration RAG, prompts système et politiques de réponse alignés sur la marque
- ✓Intégration multi-canal : widget web, WhatsApp Business, Slack, Messenger, Teams
- ✓Hébergement France ou UE, chiffrement, journalisation conforme RGPD et CNIL
- ✓Tableau de bord conversations, evals continus et alertes qualité paramétrées
Hors scope
- ×Création ou rédaction de la base de connaissances source à partir de zéro
- ×Connexion à des systèmes legacy sans API REST ou GraphQL documentée
- ×Modération humaine 24/7 des conversations escaladées en dehors des heures ouvrées
- ×Traduction professionnelle certifiée du contenu de référence vers d'autres langues
- ×Refonte graphique complète du site web hôte ou du tunnel de conversion associé
Cas d'usage
Support client
Première ligne, escalade humaine fluide.
Site & e-commerce
Aide à la décision et au panier.
Onboarding
Guide les nouveaux utilisateurs.
État de l'art, juin 2026
Notre vision technique
RAG, architectures de retrieval avancé
Le pipeline RAG canonique de 2023 (chunk fixe + embedding + similarité cosinus) est obsolète en production. Le chunking sémantique de LlamaIndex segmente le texte en suivant les ruptures d'embedding entre phrases, préservant la cohérence thématique. Le retrieval hybride combine BM25 (sparse, lexical) et dense (vecteurs), fusionnés via Reciprocal Rank Fusion : leurs modes d'échec sont complémentaires. Un reranker cross-encoder s'applique ensuite sur le top-k (Cohere Rerank v4.0 sorti décembre 2025, Voyage rerank-2.5 avec instruction-following et contexte 32K tokens). Le recursive retrieval de LlamaIndex remonte aux parents hiérarchiques, et RAPTOR (arXiv 2401.18059) construit un arbre récursif de résumés. Pour les questions globales multi-hop, GraphRAG (Microsoft Research, arXiv 2404.16130) extrait un graphe entités-relations et génère des résumés de communautés Leiden, multipliant la précision par 3,4 sur les questions transverses.
Frameworks agentiques, maturité 2026
LangGraph a dépassé CrewAI en stars GitHub début 2026 grâce à son modèle de graphe d'états explicite (checkpoints, rollbacks, audit trail) adapté à la production réglementée. CrewAI reste optimal pour les équipes d'agents par rôle (analyste, rédacteur, reviewer). AutoGen s'est scindé en v0.4 Microsoft et la fork communautaire AG2, fragilisant son écosystème. Pydantic AI s'impose comme le choix Python typé : entrées et sorties validées à chaque étape, ergonomie FastAPI, idéal pour API backend critiques. Côté SDK propriétaires, OpenAI Assistants v2 et Claude Tool Use (avec computer use depuis 2024) couvrent l'orchestration simple sans middleware. Heuristique de choix : LangGraph pour workflows stateful complexes, Pydantic AI pour services Python production, CrewAI pour prototypes multi-rôles, SDK natifs pour intégrations légères mono-vendor.
Évaluation, mesurer faithfulness et hallucination
RAGAS (Apache 2.0, environ 25k stars) reste la référence open source pour pipelines RAG, avec son quadruple metric : faithfulness (ancrage de la réponse dans le contexte), answer relevancy, context precision et recall. DeepEval étend la couverture avec G-Eval (critères en langage naturel transformés en juge LLM), hallucination, toxicité, biais ; sa plateforme Confident AI gère datasets et expériences. LangSmith de LangChain centralise tracing, datasets et évaluations online sur trafic production. Arize Phoenix est l'outil d'observabilité : visualisation chunk par chunk, debugging des chaînes RAG, intégration OpenTelemetry. Pour le benchmarking modèle, MT-Bench (LMSYS, arXiv 2306.05685) propose 80 questions multi-tours jugées par GPT-4 ; HELM (Stanford CRFM) couvre scénarios, métriques (équité, robustesse, toxicité) et reproductibilité ; MTEB reste la référence pour les embeddings sur 58 datasets en 112 langues.
Garde-fous et sécurité
L'OWASP Top 10 for LLM Applications 2025 maintient Prompt Injection en LLM01 (directe et indirecte via documents) et hisse Excessive Agency à LLM06, modèle de menace central pour le gating des tool calls. Llama Guard 3 de Meta filtre en input et output sur taxonomies configurables ; Prompt Guard détecte spécifiquement l'injection ; ShieldGemma (Google) et IBM Granite Guardian complètent l'offre open-weight. NVIDIA NeMo Guardrails reste le framework d'orchestration le plus complet : dialog rails, retrieval rails, mode sidecar server, langage Colang pour règles déclaratives. Constitutional AI d'Anthropic (arXiv 2212.08073) introduit le RLAIF : une « constitution » de principes guide la révision supervisée puis l'entraînement RL sur préférences générées par le modèle. En défense en profondeur : validation prompts, scan des documents récupérés, permissions minimales sur outils, sandboxing des sorties exécutables.
Stack et déploiement, routing, inference, vector DB
Le model routing cost/quality est la pratique standard : OpenRouter unifie l'accès multi-fournisseurs derrière une API, LiteLLM joue le rôle de gateway proxy avec fallback et budget. Pour l'inference managée à faible latence, Groq (LPU custom silicon) atteint 2,6x le débit de Together et Fireworks sur Llama 3.3 70B avec TTFT sous 300 ms. En self-hosted, vLLM (PagedAttention, continuous batching) sert les workloads à fort volume et devient économiquement rentable au-delà de 250 M tokens par mois ; Ollama couvre les déploiements locaux légers. Côté vector DB : Qdrant (Rust) leader QPS open source, Weaviate excellent en hybrid search natif et multi-tenant, Pinecone pour time-to-production managé, pgvector imbattable jusqu'à 10 M vecteurs si Postgres existe déjà. L'observabilité s'appuie sur Phoenix, LangSmith ou Helicone selon la stack.
Références
- [1]Edge et al., GraphRAG (arXiv 2404.16130). https://arxiv.org/abs/2404.16130
- [2]Microsoft GraphRAG (GitHub). https://github.com/microsoft/graphrag
- [3]Sarthi et al., RAPTOR (arXiv 2401.18059). https://arxiv.org/pdf/2401.18059
- [4]Semantic Chunker (LlamaIndex doc officielle). https://docs.llamaindex.ai/en/stable/examples/node_parsers/semantic_chunking/
- [5]Zheng et al., MT-Bench et Chatbot Arena (arXiv 2306.05685). https://arxiv.org/abs/2306.05685
- [6]Muennighoff et al., MTEB (arXiv 2210.07316). https://arxiv.org/pdf/2210.07316
- [7]MTEB Leaderboard (Hugging Face). https://huggingface.co/spaces/mteb/leaderboard
- [8]Bai et al., Constitutional AI (arXiv 2212.08073). https://arxiv.org/abs/2212.08073
- [9]OWASP Top 10 for LLM Applications. https://owasp.org/www-project-top-10-for-large-language-model-applications/
- [10]HELM, Stanford CRFM. https://crfm.stanford.edu/helm/
Glossaire
Le vocabulaire essentiel
- RAG
- Retrieval-Augmented Generation, architecture combinant un moteur de recherche vectoriel et un LLM, qui récupère les passages pertinents de votre documentation puis les utilise comme contexte pour générer une réponse sourcée.
- Vector store
- Base de données spécialisée stockant des embeddings (représentations numériques de texte) et permettant des recherches par similarité sémantique, fondation technique du RAG, exemples : Pinecone, Qdrant, Weaviate, pgvector.
- Embedding
- Vecteur numérique représentant le sens d'un texte, image ou document, calculé par un modèle dédié (text-embedding-3, BGE, Mistral Embed), qui permet de mesurer la proximité sémantique entre contenus.
- Hallucination
- Réponse inventée par le LLM, plausible mais factuellement fausse ou non sourcée, qu'on réduit par RAG strict, citations obligatoires, validation post-génération et tests automatisés sur jeu de questions de référence.
- Intent recognition
- Capacité du chatbot à classer la demande utilisateur dans une catégorie métier (support, vente, RH) pour router vers le bon flux, la bonne base de connaissances ou le bon agent humain en cas d'escalade.
- Fallback
- Réponse de repli déclenchée quand le chatbot n'a pas de réponse fiable : reformulation, proposition d'options, ouverture d'un ticket ou transfert vers un opérateur, sans laisser l'utilisateur sans suite.
- Chunking
- Découpage des documents sources en segments de taille contrôlée avant indexation, étape critique du RAG : un mauvais chunking dégrade la pertinence des résultats et la qualité finale des réponses générées.
- Re-ranking
- Étape post-récupération qui réordonne les passages candidats via un modèle dédié (Cohere Rerank, BGE Reranker), améliorant nettement la précision du contexte fourni au LLM avant génération de la réponse.
FAQ
Chatbot, vos questions
Oui : vos documents deviennent une base de connaissance interrogeable. Réponses sourcées, zéro invention, et vos référentiels dialoguent entre eux, en plus de 100 langues.
Dans le même domaine
