Vous lancez un projet RAG interne pour exploiter vos données contractuelles avec l'IA générative. Avant d'ingérer vos contrats dans la base vectorielle, une étape conditionne tout le reste : la préparation des données. Des données sales produisent des hallucinations, des réponses contradictoires et, très vite, un outil que personne n'utilise. Nous détaillons ces mécanismes dans notre article sur les données achats clean pour un RAG.
Cet article se concentre sur le comment : quelles étapes suivre, comment construire un référentiel unique selon les principes du Master Data Management (MDM), quel format livrer à votre équipe data, et comment décider entre un nettoyage en interne et une externalisation.
Pourquoi préparer avant l'ingestion plutôt qu'après
Corriger des données une fois qu'elles sont dans la base vectorielle est beaucoup plus lourd que de les nettoyer en amont. Il faut repérer les réponses fausses, remonter aux documents sources, les corriger, ré-ingérer les données, régénérer les embeddings, puis revalider tout le système. Et ce cycle recommence à chaque nouvelle erreur signalée par un utilisateur.
Préparer les données avant l'ingestion, c'est traiter le problème une seule fois, avec une méthode, et lancer un RAG dont les réponses sont fiables dès le premier jour.
Étape 1 : inventorier et auditer le corpus
Avant de nettoyer, il faut savoir ce que l'on a. L'inventaire répond à des questions simples, souvent négligées :
- Combien de documents, de quels types (contrats cadres, contrats d'application, avenants, annexes tarifaires, bons de commande) ?
- Quelles versions sont signées, lesquelles sont des projets ou des doublons de fichiers ?
- Quels documents sont des scans de qualité médiocre, des fichiers protégés ou des PDF incomplets ?
- Quels avenants sont orphelins, c'est-à-dire non rattachés à leur contrat d'origine ?
L'audit mesure ensuite l'ampleur des problèmes de qualité : doublons de fournisseurs, formats incohérents, champs manquants, incohérences métier. Il permet de prioriser le travail et de chiffrer le projet.
C'est aussi le moment de partir de l'usage : quelles questions vos acheteurs poseront-ils au RAG ? La réponse détermine les champs à extraire et le niveau de détail nécessaire. Notre audit découverte et notre service d'analyse et de tri couvrent cette étape, jusqu'au rattachement des avenants à leur contrat parent.
Étape 2 : construire un référentiel unique selon les principes du MDM
Sans référentiel, vos données contractuelles sont fragmentées : le même fournisseur sous plusieurs noms, des références dupliquées, des catégories qui varient d'une entité à l'autre. Pour un RAG, cette fragmentation se traduit par un retrieval confus et des réponses qui mélangent les informations de plusieurs variantes.
Le Master Data Management repose sur quatre principes, qui s'appliquent directement à la préparation d'un RAG.
Unicité : une entité, un identifiant
Un fournisseur correspond à une seule entité normalisée, idéalement rattachée à un identifiant stable comme le SIREN. Un contrat a une référence unique, une clause un identifiant unique. Les variantes rencontrées dans les documents sont conservées dans une table de correspondance, pour garder la traçabilité.
Exemple : « Fournisseur Alpha », « FOURNISSEUR ALPHA SAS » et « Fourn. Alpha » deviennent une seule entité « Fournisseur Alpha SAS », et la table de correspondance indique dans quels documents chaque variante apparaît.
Cohérence : des formats standardisés
Toutes les dates suivent le même format, tous les montants la même convention, toutes les catégories la même taxonomie. Le RAG traite alors les données de manière uniforme, quelle que soit leur source.
Complétude : des champs obligatoires renseignés
Les champs dont dépendent les questions les plus fréquentes (fournisseur, dates, montant, durée, préavis) doivent être renseignés. Lorsqu'une information est absente du contrat, cela doit être dit explicitement plutôt que laissé vide.
Exactitude : des données validées
Les valeurs sont contrôlées : dates cohérentes, montants plausibles, références existantes, avenants rattachés au bon contrat.
Pour approfondir ces principes, consultez nos articles sur la standardisation du référentiel fournisseur et sur la fiabilisation des données achats par le MDM.
Étape 3 : nettoyer et normaliser
Une fois le référentiel défini, chaque donnée y est ramenée.
Dédoublonnage. Les variantes de fournisseurs, de contrats et de références sont fusionnées. Le rapprochement se fait à partir d'éléments vérifiables (SIREN, adresse, objet du contrat), pas sur une simple ressemblance de noms : deux filiales d'un même groupe ne sont pas le même fournisseur. Notre article sur le nettoyage de la base fournisseurs détaille ce point.
Standardisation des formats. Les dates sont converties au format ISO (AAAA-MM-JJ). Les montants sont stockés comme des nombres, avec la devise dans un champ distinct et la mention HT ou TTC explicite. Le texte est encodé proprement, sans caractères parasites.
Exemple : « 1 250,50 € HT », « 1250.50€ » et « 1.250,50 EUR » deviennent tous la valeur 1250.50, devise EUR, base HT.
Complétude. Les champs manquants sont recherchés dans le document et ses annexes. Lorsqu'une valeur doit être déduite, par exemple une date de fin calculée à partir de la date de début et de la durée, elle est signalée comme calculée et non lue. Lorsqu'elle est absente, elle est marquée « non mentionné ». Cette distinction évite que le RAG présente une déduction comme une clause du contrat.
Validation métier. Les incohérences sont corrigées ou signalées : date de fin antérieure à la date de début, montant négatif, référence inexistante, avenant qui modifie un contrat déjà résilié.
Étape 4 : enrichir et relier les documents
Un RAG répond mieux lorsque les données portent leur contexte. L'enrichissement ajoute des métadonnées qui servent au filtrage et à la pertinence du retrieval :
- catégorie d'achat selon votre taxonomie (par exemple « Services IT ») ;
- type de contrat : contrat cadre, contrat d'application, avenant, bon de commande ;
- statut : en vigueur, expiré, résilié, en cours de renouvellement ;
- relations : avenants et annexes rattachés à leur contrat parent ;
- niveau de risque, évalué selon une grille définie avec vous.
Le statut est souvent oublié, alors qu'il est décisif : sans lui, le RAG répond avec la même assurance à partir d'un contrat expiré depuis trois ans et d'un contrat signé le mois dernier.
Étape 5 : structurer dans un format exploitable par le RAG
Le format de livraison doit permettre au RAG d'exploiter à la fois la structure (montants, dates, clauses) et le sens (texte des clauses). Trois couches se complètent.
Les métadonnées structurées en JSON
Chaque contrat fait l'objet d'une fiche structurée. Exemple de fiche simplifiée :
- fournisseur_id : identifiant du référentiel, rattaché à « Fournisseur Alpha SAS » ;
- type : contrat cadre ;
- date_debut : 2024-01-01 ;
- date_fin : 2025-12-31 ;
- montant : 1250.50, devise EUR, base HT ;
- clauses : indexation, résiliation ;
- statut : en vigueur ;
- avenants : avenant 1, avenant 2.
Ces champs permettent au système de filtrer avant de chercher (par exemple, uniquement les contrats en vigueur) et de vérifier une réponse chiffrée contre une donnée fiable.
Le texte des clauses en Markdown
Le contenu des clauses est conservé en Markdown, une clause par section, avec son titre, sa référence d'article et sa page. Exemple : une section intitulée « Clause d'indexation », contenant le texte « Le prix sera révisé annuellement selon l'évolution de l'indice Syntec », avec la référence « Article 7, page 4 ».
Ce découpage clause par clause est préférable à un découpage au nombre de caractères, qui sépare une pénalité de son plafond ou une condition de son exception.
Les métadonnées de contexte
Catégories, niveaux de risque et relations entre documents accompagnent chaque passage indexé. Ils améliorent la pertinence du retrieval et permettent au RAG de citer précisément ses sources. Notre article sur la structuration de données contrats pour l'IA générative approfondit ce sujet.
Étape 6 : contrôler avant de livrer
Le contrôle qualité intervient avant l'ingestion, pas après :
- double vérification des champs critiques (montants, dates, préavis) par un second expert ;
- contrôles de cohérence systématiques sur l'ensemble de la base ;
- traçabilité : chaque valeur renvoie au document, à l'article et à la page dont elle provient ;
- documentation : dictionnaire de données, table de correspondance des fournisseurs, liste des points ambigus et des arbitrages retenus.
Une fois les données ingérées, votre équipe peut tester le RAG avec un jeu de questions de référence dont les réponses sont connues. C'est le principe du golden dataset, qui permet de mesurer objectivement la qualité des réponses.
Faire en interne ou externaliser ?
Ce que demande un nettoyage en interne
Préparer un corpus contractuel pour un RAG mobilise des compétences rarement réunies dans une même équipe : connaissance des contrats achats, méthodes MDM, rigueur de saisie et de contrôle. Les équipes qui en ont la compétence ont aussi d'autres missions. Le nettoyage passe alors au second plan, s'étale sur plusieurs mois et retarde le lancement du RAG.
La tentation est forte, pour aller plus vite, de confier l'extraction à un LLM. C'est introduire dans la base les erreurs que le projet cherche justement à éviter.
Ce qu'apporte l'externalisation
- Une expertise immédiate, sans temps de formation sur les spécificités de la préparation pour un RAG.
- Une capacité mobilisable sur un pic de charge : la préparation d'un RAG est un projet ponctuel, qui ne justifie pas de recruter.
- Un délai engagé, fixé après l'audit.
- Une qualité contrôlée et documentée, avec des livrables prêts à ingérer.
Les critères pour décider
- Le volume et l'hétérogénéité du corpus : quelques dizaines de contrats homogènes se traitent en interne ; plusieurs milliers de documents issus de filiales différentes, beaucoup plus difficilement.
- La récurrence : un stock initial à traiter une fois se prête bien à l'externalisation ; le flux des nouveaux contrats peut ensuite être géré en interne, selon le même schéma.
- La sensibilité des données : un prestataire doit offrir des garanties de confidentialité adaptées. Notre page sécurité et notre article sur la sécurité des données lors de l'externalisation décrivent ces garanties.
- La disponibilité de vos équipes et le calendrier du projet RAG.
Pour comparer les coûts, notre simulateur de coût estime le temps interne nécessaire, et notre article sur l'externalisation face à la saisie interne détaille le calcul du coût complet.
Un modèle mixte est souvent le plus efficace : externaliser le nettoyage du stock existant, puis garder en interne la maintenance du référentiel, avec des règles de saisie claires pour chaque nouveau contrat.
Maintenir la qualité après le lancement
Un référentiel propre se dégrade si rien n'est prévu pour le maintenir. Trois règles suffisent à limiter la dérive :
- tout nouveau contrat est saisi selon le schéma et le référentiel existants ;
- tout avenant est rattaché à son contrat parent au moment de sa signature ;
- un contrôle périodique vérifie les doublons, les champs manquants et les statuts.
Conclusion : une préparation méthodique, une fois pour toutes
Préparer ses données achats avant un RAG, c'est inventorier, construire un référentiel unique, nettoyer, enrichir, structurer et contrôler. Chaque étape supprime une source d'hallucination avant qu'elle n'atteigne vos utilisateurs.
Chez DATASSET, ce travail est réalisé à 100 % à la main par des experts achats, sans IA générative ni OCR automatique. Découvrez notre service de nettoyage de données ou contactez-nous pour préparer vos données avant l'ingestion.