Vous demandez la durée du préavis de votre bail. La réponse arrive en trois secondes, bien formulée, avec le chiffre. C'est celui du bail de 2019. Vous avez déménagé en 2023.
Le système n'a pas mal cherché. Il a cherché ce qui ressemblait le plus à votre question — et le bail de 2019 y ressemble autant que celui de 2023. C'est là tout le problème : la ressemblance ne dit rien de ce qui fait foi, et rien, dans vos fichiers, n'indique lequel remplace l'autre.
Rien ne vous prévient. Ni erreur, ni avertissement, ni hésitation dans la formulation. Vous ne le voyez que parce que vous connaissiez déjà la réponse.
Cet article explique le mécanisme qui produit cette erreur, et ce qu'on peut faire pour qu'elle cesse de se produire.
Ce qui se passe avant que vous posiez la question
Rien ne se passe au moment où vous posez votre question. Tout a été préparé avant, en trois temps.
On extrait le texte. Un fichier n'est pas du texte. Un PDF issu d'un scanner est une image ; un tableur est une grille de cellules ; un courrier signé comporte des zones que rien ne convertit proprement. Cette étape échoue plus souvent qu'on ne le croit, et elle échoue en silence. Ce qui n'a pas été extrait n'existe pas pour la suite.
On découpe. Un contrat de quarante pages n'est jamais traité d'un bloc. Il est coupé en fragments de quelques centaines de mots — des chunks. C'est une nécessité technique, et une première perte : un fragment ne sait pas de quel document il vient, sauf si on le lui a écrit.
On transforme en nombres. Chaque fragment devient une suite de nombres qui encode son sens — des embeddings. Retenez ceci, parce que tout en découle : à partir de cet instant, vos documents ne sont plus des textes. Ce sont des positions dans un espace. Et la seule chose qu'un ordinateur sache faire avec des positions, c'est mesurer des distances.
Ce qui se passe quand vous la posez
Votre question subit le même traitement : elle devient une position dans le même espace. Le système la compare à tous les fragments et retient les plus proches — une dizaine, en général. Ces quelques fragments, et rien d'autre, sont remis au modèle qui rédige.
C'est le point le plus mal compris du dispositif : votre IA ne répond pas de mémoire sur vos documents. Ce qui n'a pas été retenu à l'étape précédente n'existe pas pour elle. L'ensemble porte un nom, la génération augmentée par la recherche — RAG —, et c'est l'architecture de la quasi-totalité des systèmes branchés sur des documents maison, quel qu'en soit l'éditeur.
D'où une conséquence à poser tout de suite : la qualité de la réponse est décidée à la recherche, pas à la rédaction. Le modèle peut être excellent ; si on lui a remis les mauvais fragments, il rédigera une réponse excellente et fausse.
Quand ça marche, et quand ça casse
Demandez la durée de préavis prévue par votre convention collective, et le dispositif fonctionne. Le passage qui en traite ne ressemble à aucun autre passage de votre fonds : la distance mesurée le sépare nettement du reste. C'est le cas général, et c'est souvent supérieur à une recherche par mots-clés, parce que la ressemblance de sens retrouve une idée formulée avec d'autres mots que les vôtres.
Le mécanisme ne casse que dans un cas : quand plusieurs fragments se valent.
Posez sur la table quatre fichiers que vous avez probablement. Un contrat de prestation signé en 2021. Son avenant de 2022. La version relue par l'avocat, jamais signée. Et la copie scannée que quelqu'un a redéposée ailleurs.
Même vocabulaire, même structure, mêmes clauses, souvent les mêmes noms de parties. Découpés et transformés en nombres, ils occupent des positions presque identiques. Le système départage à la marge : sur une virgule, sur un mot de liaison, sur la qualité du scan.
Il ne choisit pas mal. Il choisit sur le seul critère dont il dispose, et ce critère n'est pas le bon. La ressemblance mesure la forme et le vocabulaire. Elle ne mesure ni l'autorité, ni la validité, ni l'ordre chronologique. Le calcul ne sait pas ce qu'est un avenant, ni qu'une signature change tout.
Souvenez-vous du nombre de fragments retenus. Si trois viennent de la version périmée et un seul de la bonne, la réponse penchera vers la version périmée — avec le même aplomb que si elle était juste.
L'information qui n'est écrite nulle part
Ouvrez le contrat de 2021. Il ne contient aucune phrase disant qu'il a été modifié en 2022 : il ne le peut pas, il a été rédigé avant. Ouvrez l'avenant : il renvoie peut-être au contrat initial, dans une formulation juridique que le calcul ne sait pas interpréter comme une relation entre deux fichiers. Ouvrez la version relue : rien ne la distingue d'une version signée, sinon l'absence d'une signature, que le scan rend souvent indétectable.
L'information « ceci remplace cela » n'est écrite dans aucun des quatre fichiers. Elle n'est pas cachée : c'est une relation entre des documents, et une relation n'habite dans aucun d'entre eux.
Où est-elle, alors ? Dans la tête de la personne qui a classé les fichiers. Elle sait que la version relue est obsolète et que le scan n'a jamais été signé. Elle le sait, elle ne l'écrit pas, et personne ne le lui a jamais demandé — parce que tant qu'un humain cherche, il suffit d'aller le lui demander.
Une métadonnée n'est rien d'autre que cette connaissance-là, consignée quelque part où une machine peut la lire. C'est une information sur le document, par opposition à l'information dans le document. Quelques champs suffisent à trancher la plupart des cas : la date qui fait référence, la version, le statut — projet, signé, remplacé, expiré — et le lien vers ce que le document remplace.
On ne demande donc pas au fonds d'être mieux écrit. On lui demande de porter ce que quelqu'un savait déjà.
Ce que la recherche a mesuré
Ce n'est pas une intuition, et le protocole est public.
Une équipe de l'Université de l'Illinois à Chicago a construit une chaîne de recherche documentaire complète, puis a fait varier les métadonnées attachées aux documents pour mesurer ce qu'elles changent. Le travail a été accepté à la conférence IEEE CAI 2026, et il est consultable en ligne.
Le résultat qui nous intéresse vient de leur étude d'ablation : à découpage constant, ils retirent les métadonnées une catégorie après l'autre et regardent ce qui se passe. En les retirant toutes, la qualité du classement des résultats perd 13,7 %. La capacité du système à placer le bon document en tête recule dans les mêmes proportions.
Vous savez maintenant pourquoi c'est cette mesure qui compte. Le système ne transmet à la rédaction qu'une poignée de fragments : ce qui arrive en tête devient la réponse, ce qui arrive en onzième position n'a jamais existé.
Et il faut donner tout de suite ce que la même étude dit d'autre, parce que c'est là qu'elle devient utile.
Les auteurs ont testé neuf configurations, en croisant trois manières de découper les documents avec trois manières d'y intégrer les métadonnées. Dans la meilleure, le gain atteint 39,4 %. Dans deux configurations sur trois, l'ajout de métadonnées a dégradé le résultat.
Ce n'est pas une contradiction, et c'est le point que nous retenons : la manière d'intégrer l'information compte autant que le fait de l'ajouter. Ce n'est pas un réglage qu'on active. Écrire n'importe quelle information n'importe comment sur des documents ne produit rien — et peut faire reculer les résultats.
La réserve, parce qu'elle compte. Le corpus est la documentation technique d'un service d'hébergement américain, avec une centaine de requêtes. La pertinence des résultats a été jugée par un modèle et non par des humains — les auteurs écrivent eux-mêmes que les valeurs absolues sont à interpréter avec prudence, et que seules les comparaisons entre configurations sont solides. Ce n'est pas un fonds français avec ses scans, ses courriers et ses quinze ans d'historique, et nous ne transposons pas ces chiffres chez vous.
Ce que la mesure établit, en revanche, est le sens de la relation : à outil constant et à modèle constant, l'information portée sur les documents change la qualité des réponses.
Ce que ce mécanisme ne dit pas
Il explique pourquoi une réponse fausse est possible, et pourquoi changer d'outil n'y change rien : un modèle plus performant lira mieux ce qu'on lui donne, il ne devinera pas ce qui n'est écrit nulle part. C'est ce qu'a constaté à l'usage une évaluation publique menée sur vingt mille licences, que nous avons regardée en détail.
Il ne dit pas à quelle fréquence l'erreur se produit chez vous, ni combien de vos documents sont concernés. Aucune mesure publique ne l'établit sur des fonds réels, et nous ne vous donnerons donc aucun taux de doublons — c'est le genre de chiffre qu'on peut lire partout et vérifier nulle part.
Il y a un moyen de le savoir, et il ne demande ni outil ni budget. Prenez dix questions métier dont vous connaissez déjà la réponse, posez-les au système que vous avez, et regardez deux choses : ce qu'il répond, et sur quels documents il s'est appuyé. Ce n'est pas la justesse des réponses qui vous apprendra quelque chose, c'est la source. Une réponse juste obtenue à partir du mauvais document vous dit que le prochain cas passera moins bien.
Une heure suffit, et le résultat vous appartient.
Ce que nous faisons de tout ça
Reprenez le mécanisme : il échoue à trois endroits précis. Ce qui n'a pas pu être lu. Ce qui a été découpé sans savoir d'où il venait. Ce que rien ne reliait à autre chose. C'est sur ces trois points que MIKURA intervient, et à un moment qui n'est pas indifférent : à l'entrée.
Une pièce qui entre est d'abord lue. Si son contenu n'est pas accessible à une machine, elle n'est pas traitée comme s'il l'était. Elle n'entre pas dans le fonds en silence pour manquer à la première question posée.
Elle est identifiée : sa famille, sa date de référence, son statut, ce qu'elle remplace. Ce sont les quelques champs qui manquaient aux quatre fichiers du contrat, et ce sont eux qui permettent de distinguer l'avenant du brouillon au moment où la question est posée. Cette identification accompagne la pièce dans tout le fonds : elle est disponible à chaque recherche, sans que personne ait à se souvenir de rien.
Le moment compte autant que le geste, et c'est le point à retenir. L'information qui manque à vos quatre fichiers n'a jamais été perdue : elle n'a jamais été écrite. Elle était disponible, gratuitement, le jour où la pièce est arrivée — quelqu'un savait alors que celle-ci remplaçait celle-là. Six mois plus tard, il faut la reconstituer, et personne ne peut plus le faire avec certitude. Écrire à l'entrée coûte quelques secondes ; écrire après coup coûte une enquête, et souvent elle échoue.
Et ce qui ne se départage pas tout seul n'est pas deviné. Quand deux versions se valent, la pièce part en bannette et une personne décide. Cette décision est consignée à son tour, et le cas ne se repose plus. C'est le contraire de la trajectoire habituelle : le fonds s'améliore par l'usage au lieu de se dégrader.
Ce que vous obtenez au bout n'est donc pas un outil de recherche de plus. C'est un fonds qui répond aux questions qu'on lui pose parce qu'il porte enfin ce que quelqu'un, chez vous, savait déjà. Le tri fabrique le contexte, et l'assistant le consomme.
Le mécanisme décrit dans cet article ne changera pas avec la génération de modèles suivante. Ce que vous décidez d'écrire sur vos documents, si.
Sources
Pranav Pushkar Mishra, Kranti Prakash Yeole, Ramyashree Keshavamurthy, Mokshit Bharat Surana, Fatemeh Sarayloo, [A Systematic Framework for Enterprise Knowledge Retrieval: Leveraging LLM-Generated Metadata to Enhance RAG Systems](https://arxiv.org/abs/2512.05411), University of Illinois Chicago, arXiv:2512.05411v2, 31 mars 2026. Accepté à la 2026 IEEE Conference on Artificial Intelligence (CAI).
Éléments cités : étude d'ablation à découpage constant, NDCG@10 de 0,699 avec l'ensemble des métadonnées contre 0,615 sans, soit 13,7 % de qualité de classement en moins ; matrice de neuf configurations dont la meilleure atteint +39,4 % de MRR@10 et dont deux sur trois dégradent le résultat ; corpus de documentation technique AWS S3, une centaine de requêtes ; pertinence établie par reclassement automatique, limite signalée par les auteurs.
Aucun autre chiffre n'est avancé dans cet article, faute de source primaire accessible.