Réponses génériques de l'IA : le contexte métier qui manque

Vous avez demandé à un outil IA de rédiger une réponse à un client qui réclame, et il vous a renvoyé une formule polie qu'on lirait dans n'importe quel manuel. L'absence de votre historique et de vos conventions la rend inutilisable telle quelle.

Le modèle ne vous connaît pas. Il ignore vos tarifs, vos clients, votre manière d'écrire, votre historique de chantier. Privé de ces informations, il vous renvoie la moyenne de tout ce qu'il a lu, une réponse passe-partout.

La connaissance de votre entreprise, donnée au modèle comme contexte, fait la différence. Comprendre ce que le modèle sait réellement permet aussi de voir pourquoi un modèle plus cher ou une formule de prompt plus élaborée y changent peu de chose.

Comment fonctionne un modèle de langage, et pourquoi cela explique tout

Un modèle de langage génère du texte en prédisant, mot après mot, la suite la plus probable à partir de ce qu'il a appris sur d'immenses corpus. Sans information sur votre situation, il produit donc ce que cette logique génère naturellement: la réponse moyenne.

Rien d'anormal là-dedans. C'est ainsi qu'un modèle fonctionne par défaut.

La réponse propre à votre cas se trouve dans vos documents, vos échanges et vos conventions internes. Le modèle généraliste n'y a pas accès par défaut.

Des données bien rangées suffisent-elles ?

Ranger ses fichiers constitue un préalable utile, un sujet à part entière. Leur utilité pour l'IA commence lorsque le modèle peut les consulter au moment où il répond.

Reprenons le client qui réclame. Vous demandez à un outil public de préparer la réponse. Le message qu'il produit est correct, poli, et complètement passe-partout.

Il ne sait pas que ce client a déjà eu deux reports cette année, qu'une facture reste en attente, et qu'on lui a promis un point téléphonique vendredi. Ces éléments existent, dans vos mails et votre suivi de chantier. L'outil ne les a pas devant lui.

Donnez-lui ce contexte, et la réponse change de nature. Elle tient compte de l'historique, du ton à adopter, de ce qui a déjà été dit. Le résultat devient exploitable, à relire avant d'être envoyé.

L'information était là. Elle n'était simplement pas sous les yeux du modèle au moment de la réponse.

Le contexte donne au prompt sa portée

La tendance des dernières années était de chercher la formule magique, le prompt parfait qui déclencherait la bonne réponse. Les praticiens appellent cela le prompt engineering.

Ce que les mêmes praticiens décrivent aujourd'hui sous le terme de context engineering, popularisé notamment par Andrej Karpathy en juin 2025, élargit l'enjeu à la qualité et à la structure de l'information donnée au modèle avant qu'il réponde. Le prompt pose la question et le contexte fournit la bibliothèque dans laquelle le modèle cherche sa réponse.

Un modèle sans bibliothèque invente.

Une base de connaissance fiable change ce que le modèle peut affirmer

Une étude publiée dans npj Digital Medicine en juillet 2025 a comparé un Llama 3.2 11B avec et sans recherche dans une base documentaire spécialisée. L'évaluation portait sur 100 scénarios synthétiques de consultation concernant les produits de contraste iodés en radiologie.

Sans cette recherche documentaire, 8 % des réponses contenaient des informations cliniques potentiellement dangereuses, notamment sur les contre-indications et les dosages. Dans la configuration avec recherche documentaire, aucune réponse de ce type n'a été relevée dans les 100 scénarios. Les auteurs précisent que ce résultat ne correspond pas à des réponses cliniques parfaites et que le jugement d'un radiologue reste nécessaire.

L'étude ne teste aucun usage du bâtiment. Elle fournit une méthode utile pour évaluer un système métier: constituer un jeu de cas représentatifs, relier l'outil à des sources contrôlées, puis mesurer les erreurs avant son utilisation réelle. Pour un bureau d'études ou une entreprise de construction, cette validation doit être refaite sur ses propres documents et ses propres décisions.

4 signes que l'outil manque de contexte

Avant de chercher un outil différent ou plus sophistiqué, voici les signaux à regarder:

• Les réponses restent générales et deviennent inexactes sur votre situation précise: tarifs, interlocuteurs, historique.
• Vous passez plus de temps à corriger qu'à utiliser ce que l'outil a produit.
• L'outil ne fait aucune différence entre un client de longue date et un inconnu, entre un chantier en cours et un nouveau dossier.
• La moindre question propre à votre métier génère une réponse qui aurait pu s'appliquer à n'importe quel bureau.

Si plusieurs de ces situations vous parlent, examinez le contexte fourni au modèle.

La connaissance de l'entreprise est un actif

C'est là que la question change de nature. Avant d'acheter un outil plus puissant ou de former les équipes aux prompts, la vraie question est plus simple: le savoir de votre entreprise existe-t-il quelque part, sous une forme qu'un système peut lire ?

Vos tarifs sont-ils dans un fichier ou dans la tête de deux personnes ? Vos modèles de documents sont-ils partagés ou propres à chacun ? Vos échanges clients laissent-ils une trace utilisable ?

La question est moins technique qu'organisationnelle. Et c'est souvent le travail qui précède tout le reste.

En développant Auroplan, un outil destiné aux entreprises du bâtiment, nous voyons de près quelles informations une équipe a besoin d'avoir sous les yeux au bon moment, et lesquelles restent hors de portée de l'outil censé s'en servir.

Questions fréquentes

Pourquoi l'IA ne connaît-elle pas mon secteur ?

Un modèle de langage est entraîné sur des corpus généraux. Sans information sur votre entreprise, il produit la réponse statistiquement la plus probable, c'est-à-dire la plus générique. Il ignore vos tarifs, vos documents et votre façon de travailler. La qualité de la réponse dépend du contexte qu'on lui fournit.

Suffit-il d'écrire un meilleur prompt pour obtenir des réponses utiles ?

Un bon prompt aide lorsqu'il s'appuie sur le contexte métier. Si le modèle ne dispose pas de vos documents, de vos prix ou de vos conventions internes, il comblera les vides avec des données génériques. Les praticiens parlent aujourd'hui de context engineering pour désigner le travail qui consiste à structurer et à fournir la bonne information au modèle.

Un modèle plus puissant résoudrait-il le problème ?

La qualité du contexte compte avec celle du modèle. Dans une étude de radiologie publiée en 2025, un Llama 3.2 11B relié à une base documentaire a fait passer de 8 % à 0 % les réponses contenant des informations cliniques dangereuses dans 100 scénarios synthétiques. Le zéro concerne cet échantillon et ne signifie pas que toutes les réponses étaient parfaites. L'étude ne porte pas sur le bâtiment.

Par où commencer pour donner du contexte à une IA ?

La première question est moins technique qu'on ne croit: quelle connaissance de votre entreprise est structurée, accessible et fiable ? Tarifs, modèles de documents, historique client, façon de répondre à une demande. Avant de choisir un outil, cet inventaire définit ce que vous pouvez réellement exploiter. Ce travail d'organisation est souvent plus décisif que le choix du modèle.

---

Quels documents comptent vraiment chez vous ? Ça dépend du bureau. L'état de cette connaissance décide de ce qu'une IA peut faire pour vous, bien avant le choix de l'outil. Faire cet inventaire avec un regard extérieur est souvent le moyen le plus rapide de voir par où commencer.