1
Module 1Qu'est-ce que l'IA conversationnelle ?
Les fondamentaux : Chatbots, RAG, Agents IA
15 min
L'IA conversationnelle désigne l'ensemble des technologies permettant à une machine de dialoguer avec un humain en langage naturel. Contrairement aux chatbots à règles des années 2010 qui suivaient des arbres de décision figés, les systèmes modernes comprennent le sens des phrases, pas seulement les mots-clés.
Cette évolution repose sur les grands modèles de langage (LLM) — des réseaux de neurones entraînés sur des milliards de textes. Ils ne « savent » pas les choses au sens humain, mais ils ont intégré suffisamment de structure linguistique pour produire des réponses cohérentes et contextuelles.
En résumé
Un chatbot classique reconnaît des mots-clés et déclenche des réponses pré-écrites
Un LLM comprend le sens des phrases mais peut halluciner sans base documentaire
Le RAG et les agents IA résolvent ce problème avec des approches complémentaires
Simulateur : comparez les 3 niveaux
Sélectionnez une question, puis basculez entre les trois types pour voir la différence.
Quels sont vos horaires d'ouverture ?
Nous sommes ouverts du lundi au vendredi, de 9h à 18h. Le samedi sur rendez-vous uniquement.
Mot-clé détecté : "horaires"
Correspondance trouvée : réponse pré-écrite #12
Excelle sur les questions FAQ simples.
Les trois niveaux de l'IA conversationnelle
Le chatbot classique
Le chatbot RAG (Retrieval-Augmented Generation)
L'agent IA
Un chatbot classique répond à des questions à partir de réponses pré-écrites ou de patterns de mots-clés. Il fonctionne bien pour le support client de premier niveau (FAQ, horaires, suivi de commande) mais échoue dès que la question sort du cadre prévu. Il n'a aucune capacité de compréhension réelle.
Le RAG combine un modèle de langage avec une base de connaissances externe. Au lieu d'inventer une réponse, le système recherche d'abord les documents pertinents (pages web, PDF, fiches produit), puis génère une réponse basée sur ces sources. C'est la différence entre un interlocuteur qui improvise et un interlocuteur qui consulte ses notes avant de répondre.
Concrètement, les documents sont découpés en segments, transformés en vecteurs numériques (embeddings), et stockés dans une base de données vectorielle. Quand un utilisateur pose une question, sa question est elle aussi transformée en vecteur, et les segments les plus proches sémantiquement sont récupérés pour nourrir la réponse.
Un agent IA va au-delà de la conversation. Il peut exécuter des actions : consulter un CRM, envoyer un email, planifier un rendez-vous, interroger une API. Il ne se contente pas de répondre — il agit. Le mécanisme technique s'appelle le « tool calling » : le modèle de langage décide quel outil utiliser en fonction de la demande, appelle cet outil, puis intègre le résultat dans sa réponse.
Concept clé
L'embedding transforme le sens d'un texte en une liste de nombres (vecteur). Deux phrases qui parlent du même sujet auront des vecteurs proches, même avec des mots complètement différents.
La distinction entre chatbot RAG et agent n'est pas binaire. Un agent peut utiliser le RAG comme l'un de ses outils parmi d'autres. L'agent est le niveau le plus autonome : il raisonne, planifie, et exécute.
En résumé
Les documents sont découpés en segments puis transformés en vecteurs (embeddings)
La recherche se fait par proximité sémantique, pas par mots-clés
Le modèle génère sa réponse uniquement à partir des segments pertinents retrouvés
Pipeline RAG en 5 étapes
Suivez le parcours d'une question à travers un système RAG.
Question
Le point de départ du pipeline
Comment fonctionne votre politique de retour pour les produits personnalisés ?
Cette question est envoyée au pipeline RAG. Elle va être transformée en vecteur pour pouvoir chercher dans la base de connaissances.
Ce que cela change pour les entreprises
L'IA conversationnelle transforme trois dimensions de l'entreprise. Premièrement, l'accessibilité de l'information : les collaborateurs et les clients accèdent aux connaissances de l'entreprise par une simple question, sans naviguer dans des arborescences de fichiers. Deuxièmement, la disponibilité : un assistant IA répond 24h/24, sans temps d'attente, dans la langue de l'interlocuteur. Troisièmement, la scalabilité : un agent peut gérer simultanément des centaines de conversations là où un humain n'en gère qu'une.
L'enjeu n'est pas de remplacer l'humain mais de lui éviter les tâches répétitives à faible valeur ajoutée — les mêmes questions posées chaque jour, les mêmes recherches dans les mêmes documents.
Question fréquente
Pourquoi ne pas mettre tous les documents dans le prompt ? Parce que c'est lent, coûteux, et le modèle se perd dans un contexte trop large. Le RAG ne fournit que les 2 à 5 segments pertinents.
En résumé
Le RAG est idéal pour le support client, la documentation, les FAQ
Il ne peut pas agir dans vos systèmes (CRM, email, calendrier)
Quand vous avez besoin d'actions, pas seulement d'information, il faut un agent IA
Quiz — Validez vos acquis
4/4 bonnes réponses requises pour valider ce module.
1. Quelle est la différence fondamentale entre un chatbot classique et un chatbot RAG ?
2. Qu'est-ce que le « tool calling » dans le contexte d'un agent IA ?
3. Comment les documents sont-ils rendus « cherchables » dans un système RAG ?
4. Quel est l'avantage principal de l'IA conversationnelle pour une entreprise ?