Modèles et plateformes d’IA

Perplexity publie un guide sur le RAG géré pour l’IA d’entreprise

Aiden Cross
Ajouter Unite.AI à vos sources préférées sur Google
Points clésLe RAG géré transfère les bases de données vectorielles et les récupérateurs des…
Voir plus
  • Le RAG géré transfère les bases de données vectorielles et les récupérateurs des équipes d'entreprise vers des fournisseurs externes.
  • L'auto-hébergement convient à un usage limité, mais le matériel et la maintenance peuvent compenser les coûts de jetons évités.
  • L'externalisation n'a pas besoin d'être à l'échelle de l'entreprise, car chaque déploiement peut répartir différemment la responsabilité de la récupération.

Le 19 novembre 2026, Perplexity a publié un guide expliquant comment les entreprises peuvent externaliser la génération augmentée par la recherche d’information (RAG), un processus qui permet aux systèmes d’IA d’entreprise d’accéder à des informations absentes des données d’entraînement d’un modèle, au moyen d’un service géré.

Le guide appelle cette approche le RAG en tant que service, ou RaaS, et emploie ce terme pour désigner les dispositifs dans lesquels des fournisseurs externes prennent en charge la plupart, voire la totalité, des composants et processus RAG. La responsabilité des bases de données vectorielles, des modèles de vectorisation et des moteurs de recherche est transférée au fournisseur, qui peut également gérer l’ingestion, le stockage, la sécurité et l’optimisation continue. Selon l’offre choisie, le fournisseur fournit le modèle de langage et l’interface utilisateur, ou connecte son service de recherche au système d’IA déjà utilisé par le client.

Fonctionnement de la recherche gérée

Trois modèles de déploiement permettent de faire son choix. Le RAG local repose sur l’ingestion, la recherche et le stockage sur les propres serveurs de l’utilisateur, éventuellement avec des modèles de vectorisation et de langage exécutés localement. Un système cloud conçu en interne utilise des API pour accéder à des bases de données hébergées et à des modèles tiers, mais les administrateurs internes gèrent les connexions et l’orchestration. Avec le RaaS, le fournisseur gère tout ou presque le système, et l’entreprise lui donne accès à sa base de données ou à son stockage cloud.

Dans l’exemple de gestion des connaissances présenté dans le guide, le fournisseur accède à la base de connaissances par l’intermédiaire d’une API. Après avoir nettoyé le texte, il transforme les passages en représentations vectorielles et les stocke dans une base de données vectorielle hébergée sur ses propres serveurs. Il ajoute également les nouveaux documents disponibles et relie son API de recherche à l’orchestrateur du client, le logiciel qui coordonne les entrées des utilisateurs et envoie les requêtes enrichies au modèle de langage.

Lorsqu’un utilisateur interroge le chatbot de l’entreprise, l’orchestrateur transmet le texte de la requête au fournisseur, qui le vectorise et effectue une recherche dans la base de données. L’orchestrateur ajoute les informations obtenues au contexte d’entrée, puis les transmet au modèle de langage, dont la réponse est ensuite envoyée par l’intermédiaire du chatbot. Selon le guide, fournir des informations absentes des données d’entraînement améliore la précision et l’exhaustivité des résultats générés.

Applications en entreprise et compromis liés au déploiement

Les principales applications sont la gestion des connaissances internes, le service client, l’assistance aux ventes, l’accès aux données clients et les chatbots destinés aux clients. Les assistants internes peuvent rechercher des documents stockés dans des services tels que Google Drive, SharePoint et Confluence. Les systèmes de vente peuvent exploiter les tickets d’assistance, les recherches sur la concurrence et les enregistrements d’appels, tandis que les applications utilisant les données clients peuvent prendre en charge la gestion des abonnements, les retours et les modifications des renseignements personnels. Les chatbots de produits peuvent également se connecter aux bases de données dorsales pour répondre aux questions sur la découverte des produits et aux questions techniques.

Perplexity présente le déploiement plus rapide, la réduction de la maintenance, l’évolutivité, la synchronisation automatique du contenu et l’intégration aux plateformes d’entreprise comme des avantages du RAG géré, tout en précisant que des limites s’appliquent selon le service et le niveau de l’offre. Son cadre d’analyse entre création et achat s’articule autour du coût, de l’échelle et de la complexité. L’auto-hébergement peut convenir à des usages clairement délimités et permettre d’éviter les frais liés aux jetons et au stockage lorsque tous les composants fonctionnent sur des serveurs internes, même si le matériel et la maintenance peuvent réduire ces économies.

Les architectures avancées peuvent intégrer la recherche multimodale et hybride, ainsi que le reclassement des résultats. Le guide indique que les fournisseurs spécialisés offrent généralement le moyen le plus économique d’accéder à cette expertise. Comme la plupart des systèmes RAG utilisent déjà certains services de fournisseurs, la décision consiste à déterminer quelle part du système global un fournisseur construira et gérera.

Panorama des fournisseurs et Perplexity Enterprise

Le guide répartit les fournisseurs en deux catégories : les plateformes d’IA généralistes intégrant des fonctionnalités RAG et les fournisseurs d’infrastructures dorsales gérées. Il présente les premières comme des produits prêts à l’emploi avec des intégrations, et les seconds comme des solutions adaptées aux configurations personnalisées. Sa sélection éditoriale de sept fournisseurs comprend Perplexity, AWS, OpenAI, Microsoft Azure, Pinecone, LlamaIndex et Vectara.

Dans cette sélection, Perplexity Enterprise se présente comme une suite d’outils agentiques comprenant des bases de connaissances internes et propres aux projets, la recherche sur le Web, l’accès à plusieurs modèles génératifs, un modèle de vectorisation propriétaire, des intégrations de données externes, ainsi que des fonctions de sécurité et de gestion des autorisations des employés.

Sur sa page Enterprise, distincte du guide, Perplexity affirme que plus de 50 000 organisations font confiance à Perplexity Enterprise et indique que Computer s’appuie sur 20 modèles avancés. La plateforme, dans son ensemble, relie les fichiers et les outils de l’entreprise afin de faciliter la gestion des connaissances internes, la recherche et les projets complexes.

La même page indique que Perplexity n’entraîne pas ses grands modèles de langage à partir des données de ses clients professionnels. Parmi les mesures de contrôle citées figurent la certification SOC 2 Type II, la conservation configurable des fichiers, la gestion des utilisateurs, l’authentification unique (SSO) et SCIM, ainsi que des journaux d’audit permettant de suivre l’activité des utilisateurs.

Les entreprises peuvent aussi adopter une approche mixte : concevoir elles-mêmes les systèmes simples et faire appel à un fournisseur pour les applications avancées. En pratique, l’externalisation n’a donc pas besoin de concerner l’ensemble de l’entreprise : pour chaque déploiement, le fournisseur peut prendre en charge une part différente de la complexité, des coûts et de la maintenance liés à la recherche, tandis que l’entreprise reste responsable de ce qu’elle conserve en interne.

Aiden Cross est un agent de recherche généré par IA chez Unite.AI, couvrant la stratégie de produit IA, l'exécution et les défis pratiques pour transformer des modèles expérimentaux en produits prêts pour le marché et évolutifs. Son travail se concentre sur la façon dont les startups et les équipes d'entreprise passent des prototypes et des démos à des systèmes fiables utilisés par de vrais clients.
Avec une perspective pragmatique et axée sur les détails, Aiden analyse les feuilles de route de produit, les stratégies de lancement sur le marché, les décisions de plateforme et les compromis organisationnels qui déterminent si les initiatives IA réussissent ou stagnent. Il prête une attention particulière aux réalités de déploiement, à l'adoption des utilisateurs, aux contraintes d'infrastructure et à l'alignement entre la capacité technique et la valeur commerciale.
Les articles rédigés par Aiden Cross sont générés par IA et révisés par l'équipe éditoriale de Unite.AI pour garantir la clarté, l'exactitude et la couverture responsable de la façon dont les produits IA sont construits, mis à disposition et mis à l'échelle dans le monde réel.