La génération augmentée par récupération (RAG) est une méthode dans laquelle un système d’IA recherche d’abord dans un ensemble de documents de confiance, puis rédige sa réponse en utilisant ce qu’il a trouvé. Pour les équipes marketing B2B, le RAG transforme les fiches produits, les études de cas, les présentations commerciales et les articles de support en une source sur laquelle un assistant peut s’appuyer, afin que les brouillons et les réponses restent fondés sur des faits de l’entreprise plutôt que sur les connaissances générales du modèle.
Comment fonctionne le RAG ?
Un système RAG comporte deux parties. La partie récupération divise les documents en morceaux, les convertit en représentations numériques appelées embeddings et les stocke dans une base de données vectorielle ou un index de recherche. Lorsqu’une question arrive, il trouve les morceaux les plus pertinents pour celle-ci. La partie génération transmet ces morceaux, ainsi que la question, à un modèle de langage, qui rédige une réponse basée sur eux.
De nombreux systèmes combinent la recherche vectorielle avec la recherche par mots-clés, car les codes ou noms de produits exacts sont trouvés de manière plus fiable par des mots-clés. Les bons systèmes renvoient également des citations, afin que les utilisateurs puissent vérifier de quel document provient une phrase.
Pourquoi le RAG est-il important pour le marketing B2B ?
Les produits B2B ont tendance à être complexes, spécifiques et fréquemment mis à jour. Un modèle général ne connaît pas la liste d’intégration de votre produit, vos niveaux de prix ou les détails de l’étude de cas du dernier trimestre. Sans fondement, il comble les lacunes avec des suppositions plausibles.
Le RAG réduit ce risque et rend l’IA utile pour les tâches qui dépendent des connaissances de l’entreprise. Il réduit également le temps que les spécialistes du marketing passent à chercher dans les lecteurs partagés la bonne diapositive ou la bonne fiche technique.
Quels cas d’utilisation du marketing B2B conviennent le mieux au RAG ?
Les meilleurs cas d’utilisation nécessitent des faits précis sur l’entreprise et sont souvent répétés. Une liste de départ :
- Rédaction des premières versions de pages produits et de documents d’une page à partir de spécifications approuvées
- Répondre aux questions de l’équipe commerciale sur les fonctionnalités, les intégrations et les concurrents
- Rédaction de réponses aux RFP et aux questionnaires de sécurité à partir de réponses approuvées précédemment
- Création de contenu de nurturing par e-mail qui fait référence aux bonnes études de cas
- Alimenter un assistant de site Web qui répond aux questions des acheteurs à partir de la documentation
- Résumé des entretiens avec les clients et extraction de citations par sujet
Les réponses aux RFP sont un premier projet courant. Les équipes répondent à des questions similaires à plusieurs reprises, les réponses passées existent déjà et la précision est importante, ce qui est exactement là où la récupération aide.
Un manuel de travail : comment configurer le RAG ?
La configuration a plus à voir avec le contenu qu’avec le code. La plupart des problèmes dans les projets RAG proviennent de sources désordonnées ou obsolètes.
Étape 1 : Choisir et nettoyer les sources
Commencez par un ensemble défini : documentation produit actuelle, messages approuvés, études de cas publiées et réponses RFP passées. Supprimez les versions obsolètes. Si trois présentations différentes décrivent les prix différemment, l’assistant le fera aussi.
Étape 2 : Choisir une plateforme
Les options vont du sans code au personnalisé. De nombreuses équipes commencent par des fonctionnalités intégrées : GPT personnalisés ou projets dans ChatGPT, Claude Projects, Google NotebookLM ou Microsoft Copilot connecté à SharePoint. Les grandes équipes construisent sur des frameworks comme LangChain ou LlamaIndex avec une base de données vectorielle comme Pinecone, Weaviate ou pgvector. Choisissez en fonction de la sensibilité des données, du volume et de qui assurera la maintenance.
Étape 3 : Rédiger les instructions
Dites au modèle de répondre uniquement à partir du contenu récupéré, de citer les sources et de dire quand il ne peut pas trouver de réponse. Ajoutez des règles de style pour le ton et la terminologie.
Étape 4 : Tester avec de vraies questions
Collectez 50 à 100 questions réelles provenant des ventes, du support et du marketing. Exécutez-les, vérifiez les réponses par rapport à la source et enregistrez les échecs. La plupart des échecs seront dus à des documents manquants ou contradictoires.
Quelle hygiène des données le RAG nécessite-t-il ?
La qualité du RAG dépend de la qualité des documents au fil du temps, pas seulement au lancement. Attribuez des propriétaires aux sources et fixez des dates de révision.
- Donnez à chaque document un propriétaire clair et une date de « dernière révision »
- Archivez les anciennes versions au lieu de les laisser dans le dossier indexé
- Utilisez des titres et des en-têtes clairs, car la récupération fonctionne mieux sur un texte bien structuré
- Gardez les documents confidentiels, tels que les conditions des contrats, hors des index largement partagés
- Réindexer après les versions majeures des produits
Le contrôle d’accès fait partie de l’hygiène. Un assistant RAG ne doit pas révéler de documents qu’un utilisateur n’est pas autorisé à voir. Les outils d’entreprise respectent généralement les autorisations existantes ; les builds personnalisés doivent implémenter cela explicitement.
Comment mesurer un système RAG ?
Mesurez à la fois la qualité des réponses et l’effet commercial. Pour la qualité, conservez un ensemble fixe de questions de test et notez les réponses mensuellement pour la précision, l’exhaustivité et les citations correctes. Suivez la part des questions auxquelles le système refuse de répondre, ce qui montre les lacunes dans le contenu.
Pour l’effet commercial, mesurez le temps gagné sur des tâches spécifiques, telles que les heures par RFP avant et après, et l’adoption par l’équipe prévue. Un système que personne n’utilise n’a aucune valeur, aussi précis soit-il.
Comment Alien Road applique le RAG pour les clients B2B
Dans un engagement typique, l’agence commence par un inventaire de contenu : où vivent les documents de produits, de messages et d’études de cas, quelles versions sont actuelles et qui les possède. Cela révèle souvent des documents contradictoires qui auraient confondu n’importe quel assistant.
La configuration commence généralement par un cas d’utilisation, tel que les réponses aux RFP ou les questions d’aide à la vente. L’équipe nettoie l’ensemble source, choisit une plateforme qui répond aux besoins de sécurité du client, rédige des instructions et construit un ensemble de tests à partir de questions réelles fournies par l’équipe commerciale. Les réponses doivent inclure des citations afin que les utilisateurs puissent les vérifier.
Les rapports sont effectués mensuellement : précision de l’ensemble de test, questions refusées, utilisation par équipe et temps gagné sur la tâche cible. Les questions refusées alimentent un backlog de contenu, de sorte que la base de connaissances s’améliore à mesure que le système est utilisé.
Quelles erreurs font échouer les projets RAG ?
Les échecs courants sont prévisibles. Les équipes indexent tout sur le lecteur partagé, y compris les brouillons et les anciens prix, et l’assistant commence à les citer. Ou ils construisent un système intelligent que personne n’ouvre parce qu’il vit en dehors des outils que les gens utilisent déjà.
- Indexer chaque fichier au lieu d’un ensemble organisé et détenu
- Diviser les documents en morceaux si petits que le contexte est perdu
- Sauter les citations, de sorte que les utilisateurs ne puissent pas vérifier les réponses
- Lancer sans ensemble de test, de sorte que la qualité ne soit jamais mesurée
- Placer l’assistant dans une application séparée au lieu de Slack, Teams ou le CRM
Corriger cela tôt coûte peu. Les corriger après que les utilisateurs ont perdu confiance coûte beaucoup plus cher.
Par où commencer cette semaine
Demandez à votre équipe commerciale les vingt questions qu’ils envoient le plus souvent au marketing ou au produit. Rassemblez les documents qui devraient y répondre et vérifiez si ces documents sont actuels et cohérents.
Chargez l’ensemble nettoyé dans un outil simple tel qu’un Claude Project, un GPT personnalisé ou NotebookLM, et posez les vingt questions. Notez quelles réponses sont fausses et pourquoi. Cette liste est votre premier plan de nettoyage de contenu et le point de départ d’une configuration RAG appropriée.
Continuer la lecture : Optimisation par IA · Optimisation par IA