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

Imaginons que vous demandiez à une IA de répondre à une réclamation client. Elle propose une formule polie, mais passe à côté du problème. Il lui manque l'historique du dossier et vos engagements envers ce client.

Sans accès à vos tarifs, à vos échanges clients ou à votre historique de chantier, le modèle manque d'informations pour répondre à votre situation. Il peut alors proposer une réponse générale ou faire des suppositions incorrectes.

Fournir les documents pertinents aide le modèle à répondre à votre demande. Le choix du modèle et la consigne comptent aussi, mais ils ne lui donnent pas accès à des informations internes absentes. Nos repères sur le fonctionnement de l'IA expliquent cette distinction.

Comment le modèle construit sa réponse

Un modèle de langage produit du texte à partir de probabilités apprises pendant son entraînement et des informations présentes dans la conversation. Selon ses réglages, il peut choisir les fragments de texte les plus probables ou en échantillonner d'autres. Ce mécanisme ne lui apprend pas ce qui s'est passé hier dans votre entreprise.

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.

Avec ces éléments, l'outil peut préparer une réponse qui tient compte des reports, de la facture et du rendez-vous promis. Transmettez-les uniquement dans un outil autorisé pour ces données, puis relisez le brouillon avant l'envoi.

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 consigne précise la tâche, le ton et le format attendus. C'est le travail du prompt.

Le context engineering consiste à choisir et organiser les informations disponibles au moment de la réponse : documents, consignes, historique utile et résultats d'outils. Une bonne consigne gagne ainsi à être accompagnée des bonnes pièces.

Si une information manque, le modèle peut se tromper ou la compléter à tort. Il peut aussi signaler cette absence. Prévoyez ce comportement et testez-le.

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

Avant de choisir l'outil, faites l'inventaire des informations qu'il devra utiliser. Où se trouvent-elles, qui les tient à jour et qui peut y accéder ?

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 ?

Désignez une personne responsable de chaque source et vérifiez qu'elle est à jour.

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 peut connaître votre secteur sans connaître votre entreprise. Vos tarifs, vos documents et vos conventions internes doivent lui être fournis par un accès autorisé. Sans ces informations, il peut rester général ou faire des suppositions incorrectes.

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

Un bon prompt aide lorsqu'il s'appuie sur le contexte métier. Sans vos documents, vos prix ou vos conventions internes, le modèle risque de répondre de façon générale ou de faire des suppositions. 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 ?

Repérez les informations nécessaires à la tâche : tarifs, modèles de documents ou historique d'un dossier. Vérifiez leur exactitude, leur mise à jour et les droits d'accès. Cet inventaire permet de savoir quelles sources l'outil pourra utiliser.

---

Pour un premier essai, choisissez une demande fréquente et rassemblez les documents nécessaires pour y répondre. Vous verrez rapidement quelles informations manquent ou se contredisent.