IA AppliquéeLegalTech / ConseilConfidentiel · NDA signé

RAG Chatbot — Base documentaire

Case study orienté impact: objectif métier clair, exécution maîtrisée, preuve ROI et plan de delivery traçable.

Cabinet 30 pers.Livré en 5 semaines

Impact principal

−87% temps de recherche

Valeur mesurable sur le flux critique

ROI business

1 800 €/mois économisés

Référence client observée en production

Time-to-delivery

5 semaines

Cycle complet cadrage → go-live

Scope livré

6 livrables

Briques prêtes à exploiter par les équipes

Avant

20–40 min par recherche documentaire — souvent sans résultat

−87% temps de recherche

Progression vérifiée sur KPI prioritaire

1 800 €/mois économisés

Après

< 30 secondes, source citée avec page exacte

Aperçu produit

DocIntel — RAG Document Intelligence

487 docs indexés

⌕Recherche sémantique dans 487 documents…

↑ Importer

Indexation active

Bibliothèque

PDF

Contrat cadre 2024

24p

✓

PDF

Jurisprudence CE v2

156p

✓

DOC

Procédure RH v3

12p

✓

PDF

Note interne Q1

✓

PDF

Réglementation 2025

44p

✓

ZIP

Archive historique

—

⋯

Quelles sont les conditions de résiliation du contrat cadre 2024 ?

DocIntel · 0.3s2 sources · confiance 97%

Selon Contrat_cadre_2024.pdf · §12.3 (p.18), la résiliation peut intervenir avec un préavis de 3 mois par lettre recommandée AR, sauf faute grave justifiant une résiliation immédiate. Une indemnité de 15% du montant restant est due en cas de résiliation anticipée.

PDF

Contrat cadre 2024

p.18 · score 0.97

PDF

Note interne Q1

p.4 · score 0.82

Quel est le délai de paiement standard ?

Posez une question sur vos documents…

↑

Architecture système

📁

Documents

PDF · Word · 487 docs

✂️

Chunking

Sémantique + overlap

🧮

FAISS Index

Vecteurs 1536-dim

🔍

Recherche hybride

Dense + Sparse

💬

Réponse citée

Source + score

Code — extrait anonymisé

core/retrieval.pypython

1# Hybrid retrieval — dense + sparse for legal documents
2def hybrid_search(query: str, top_k: int = 5) -> list[Chunk]:
3    # Dense search (semantic similarity)
4    query_embedding = embedder.encode(query)
5    dense_results = faiss_index.search(
6        query_embedding.reshape(1, -1), k=top_k * 2
7    )
8
9    # Sparse search (BM25 — exact term matching)
10    sparse_results = bm25_index.get_top_n(
11        query.split(), documents, n=top_k * 2
12    )
13
14    # Reciprocal Rank Fusion
15    fused = rrf_merge(
16        dense_results, sparse_results,
17        weights=(0.7, 0.3),  # tuned on eval set
18    )
19
20    # Access control filter
21    return [c for c in fused[:top_k] if user.can_access(c.document_id)]

api/chat.pypython

1# FastAPI endpoint — streaming response with citations
2@router.post("/chat")
3async def chat(req: ChatRequest, user: User = Depends(auth)):
4    chunks = hybrid_search(req.query, top_k=5)
5
6    # Build context with page references
7    context = "\n\n".join(
8        f"[{c.doc_name} · p.{c.page}]\n{c.text}"
9        for c in chunks
10    )
11
12    async def generate():
13        stream = await openai.chat.completions.create(
14            model="gpt-4o",
15            messages=[
16                {"role": "system", "content": SYSTEM_PROMPT + context},
17                *req.history,
18                {"role": "user", "content": req.query},
19            ],
20            stream=True,
21        )
22        async for delta in stream:
23            if delta.choices[0].delta.content:
24                yield delta.choices[0].delta.content
25
26    return StreamingResponse(generate(), media_type="text/event-stream")

Delivery Roadmap

01Semaine 1

Discovery

Cadrage métier, collecte contraintes et architecture cible

02Semaines 2-3

Build

Implémentation coeur produit et intégrations prioritaires

03Semaines 4-4

Scale

Hardening: perf, fiabilité, monitoring et tests de charge

04Semaine 5

Launch

Go-live encadré, transfert, documentation et KPI de suivi

Phase 01 · Discovery

Pipeline d'indexation : upload PDF/Word → chunking sémantique → vectorisation FAISS (text-embedding-3-large)
Moteur de recherche hybride : dense (cosine similarity) + sparse (BM25) avec Reciprocal Rank Fusion

Phase 02 · Build

Interface chat Next.js : historique, streaming SSE, citation des sources avec page exacte et score

Phase 03 · Scale

Contrôle d'accès par document (ACL par équipe) — les dossiers confidentiels restent cloisonnés
Dashboard admin : état d'indexation, requêtes récentes, documents les plus consultés

Phase 04 · Launch

Export PDF d'une réponse avec les sources jointes — utilisable dans les dossiers clients

Démo interactive

/ testez la technologie

Le problème

Le cabinet avait accumulé 500+ documents internes : contrats cadres, jurisprudences annotées, procédures RH, notes de synthèse trimestrielles. Ces documents n'étaient accessibles qu'en cherchant manuellement dans un serveur de fichiers sans recherche sémantique. Trouver la clause exacte d'un contrat ou la jurisprudence pertinente prenait de 20 à 40 minutes — quand on la trouvait. Les nouveaux collaborateurs passaient leurs trois premières semaines à cartographier les archives plutôt qu'à produire. La connaissance institutionnelle était invisible.

La solution

Chatbot RAG déployé en interne : pipeline d'indexation PDF/Word via chunking sémantique avec overlap de 20% pour préserver le contexte inter-paragraphes, vectorisation OpenAI text-embedding-3-large (3072 dim) stockée dans FAISS, recherche hybride dense+sparse (BM25 + RRF). Les réponses citent la source exacte (nom du document, numéro de page, score de pertinence). Contrôle d'accès par document : les dossiers sensibles ne sont accessibles qu'aux équipes autorisées. Interface chat déployée en interne via Next.js, sans installation côté client.

Défis techniques

Chunking de documents juridiques longs (150+ pages) : les clauses contractuelles ont une cohérence inter-paragraphes critique. Solution : sliding window de 512 tokens avec 20% d'overlap + extraction des titres de section pour enrichir les métadonnées de chaque chunk
Fusion dense+sparse (RRF) : les poids 0.7/0.3 ont été calibrés sur un jeu d'évaluation de 50 questions réelles annotées par les juristes — gain de +18% de précision@5 vs dense seul
Sécurité des documents confidentiels : ACL par document_id implémentée au niveau de l'index FAISS et vérifiée avant chaque affichage de chunk — impossible de contourner via reformulation de la requête

Retour client

Un collaborateur qui arrive peut poser une question sur n'importe quel contrat et avoir la réponse sourcée en 30 secondes. Avant, il fallait trouver quelqu'un qui s'en souvenait. On a cessé de perdre de la connaissance quand des gens partent, et nos juniors sont opérationnels en 2 jours au lieu de 3 semaines.
C
C. Vidal
Associée · Cabinet LegalTech
Nom modifié pour respecter le NDA du client.

Impact clé

487 docs indexés
Réponse citée en < 30s
ACL par équipe et dossier

Stack technique

Next.js 14FastAPIFAISSOpenAI APIPythonPostgreSQL

Un projet similaire ?

Discutons de votre besoin. Je reviens sous 24h.

Me contacter

Projet précédent

Plateforme Email Automation IA

Projet suivant

LeadMachine — Pipeline de prospection IA

Chargement…

RAG Chatbot — Base documentaire

Case study orienté impact: objectif métier clair, exécution maîtrisée, preuve ROI et plan de delivery traçable.

Cabinet 30 pers.Livré en 5 semaines

Impact principal

−87% temps de recherche

Valeur mesurable sur le flux critique

ROI business

1 800 €/mois économisés

Référence client observée en production

Time-to-delivery

5 semaines

Cycle complet cadrage → go-live

Scope livré

6 livrables

Briques prêtes à exploiter par les équipes

Avant

20–40 min par recherche documentaire — souvent sans résultat

−87% temps de recherche

Progression vérifiée sur KPI prioritaire

1 800 €/mois économisés

Après

< 30 secondes, source citée avec page exacte

1# Hybrid retrieval — dense + sparse for legal documents

2def hybrid_search(query: str, top_k: int = 5) -> list[Chunk]:

3 # Dense search (semantic similarity)

4 query_embedding = embedder.encode(query)

5 dense_results = faiss_index.search(

6 query_embedding.reshape(1, -1), k=top_k * 2

7 )

9 # Sparse search (BM25 — exact term matching)

10 sparse_results = bm25_index.get_top_n(

11 query.split(), documents, n=top_k * 2

12 )

14 # Reciprocal Rank Fusion

15 fused = rrf_merge(

16 dense_results, sparse_results,

17 weights=(0.7, 0.3), # tuned on eval set

18 )

20 # Access control filter

21 return [c for c in fused[:top_k] if user.can_access(c.document_id)]

1# FastAPI endpoint — streaming response with citations

2@router.post("/chat")

3async def chat(req: ChatRequest, user: User = Depends(auth)):

4 chunks = hybrid_search(req.query, top_k=5)

6 # Build context with page references

7 context = "\n\n".join(

8 f"[{c.doc_name} · p.{c.page}]\n{c.text}"

9 for c in chunks

10 )

12 async def generate():

13 stream = await openai.chat.completions.create(

14 model="gpt-4o",

15 messages=[

16 {"role": "system", "content": SYSTEM_PROMPT + context},

17 *req.history,

18 {"role": "user", "content": req.query},

19 ],

20 stream=True,

21 )

22 async for delta in stream:

23 if delta.choices[0].delta.content:

24 yield delta.choices[0].delta.content

26 return StreamingResponse(generate(), media_type="text/event-stream")