Un dossier partagé suffit-il pour obtenir de bonnes réponses IA ?

Un dossier partagé permet de mettre des documents à disposition. Pour juger une réponse IA construite à partir de ces documents, il faut aussi savoir lesquels ont été consultés, quelle version s’applique et quel passage soutient l’affirmation.

Je propose de tester ce parcours sur quelques questions dont vous connaissez déjà la réponse. Le rangement des fichiers se juge alors par ce qu’une personne peut retrouver et vérifier, au-delà de leur présence dans un répertoire.

Un dossier bien rangé peut contenir deux réponses différentes

Exemple fictif. Un dossier commercial contient une présentation générale, une proposition ancienne et un accord récent. La présentation annonce une livraison standard. La proposition prévoit une exception. L’accord modifie encore cette exception pour une commande précise.

À la question « quel délai annoncer ? », ces trois documents sont pertinents. Pourtant, les mélanger produit une réponse qui n’appartient à aucun dossier réel. Il faut préciser la commande concernée et la règle d’autorité entre les documents.

Le nom « version finale » n’est pas une preuve suffisante. Une date, un statut et un périmètre explicites rendent le choix vérifiable.

Séparer les trois contrôles

Une citation cliquable facilite la relecture. Elle ne prouve pas à elle seule que le passage cité concerne la bonne période ou le bon client.

Des outils pour ranger, relier et retrouver

Obsidian conserve les notes sous forme de fichiers Markdown locaux. Il peut servir à consulter et relier un dossier documentaire, sans que le contenu dépende d’un format propriétaire. Cela ne règle pas, à lui seul, les droits d’accès ni le choix entre deux versions contradictoires.

Dans sa proposition LLM Wiki, Andrej Karpathy distingue les sources d’origine d’un wiki de synthèse entretenu par un agent. Cette organisation donne une place aux rapprochements entre documents tout en conservant les références. C’est une piste de conception, pas une preuve que les synthèses produites seront exactes.

Pour la recherche, QMD combine recherche par mots, recherche vectorielle et reclassement des résultats, en local. Le test reste concret : retrouve-t-il le bon passage, dans la bonne version, avec une référence consultable ? Un moteur de recherche ne décide pas quelle procédure fait autorité.

Préparer un test documentaire court

Écrivez une question factuelle dont la réponse apparaît dans un seul document. Ajoutez une question qui exige de rapprocher deux sources, puis une question que le dossier ne permet pas de résoudre. Terminez avec deux documents contradictoires.

Pour chaque cas, notez la réponse acceptable et la référence attendue avant l’essai. Vous pourrez ainsi distinguer une réponse fausse, une source oubliée et une abstention correcte. Une information absente doit rester absente, même lorsqu’une réponse plausible paraît évidente.

Rejouez le test avec deux utilisateurs dont les droits diffèrent si le dossier est partagé entre plusieurs rôles. La question est autant celle des informations qu’ils doivent voir que de celles qui doivent rester hors de leur réponse.

Corriger au bon endroit

Si la source n’est jamais retrouvée, examinez son accès et sa préparation pour la recherche. Si elle est retrouvée mais mal interprétée, travaillez sur la question, les règles de lecture et la restitution. Si les documents se contredisent, une décision métier ou une correction documentaire est nécessaire.

Accumuler de nouvelles copies peut compliquer ce diagnostic. Gardez une référence pour l’état courant et distinguez les archives utiles.

Pour cadrer une recherche documentaire avec l’IA, un petit dossier partageable et ces questions de contrôle constituent un bon départ. Le travail vise une réponse vérifiable pour un périmètre défini ; il ne garantit pas qu’un moteur retrouvera toute information présente dans vos archives.