Résumé de l'article
- Un chatbot d’entreprise utile est un moteur de recherche conversationnel qui puise dans vos contenus.
- Sans ancrage documentaire, un modèle invente un prix, un délai ou une garantie que vous n’avez jamais promis.
- Le RAG réduit le risque d’hallucination sans le supprimer : garde-fous et escalade humaine restent obligatoires.
- Depuis le 2 août 2026, l’article 50 de l’AI Act impose d’informer le visiteur qu’il parle à une IA.
- Le vrai coût récurrent est la maintenance de la base documentaire, pas l’abonnement.
Un chatbot entreprise digne de 2026 n’est plus un arbre de décision : c’est un moteur de recherche conversationnel qui puise dans vos contenus. Cette différence décide de tout : la qualité des réponses, le risque juridique et le vrai poste de dépense, la maintenance de votre base documentaire.
À quoi sert vraiment un chatbot sur un site B2B ?
Sur un site B2B, un chatbot sert à trois choses. Il répond aux questions récurrentes d’avant-vente, puis oriente le visiteur vers la bonne page ou le bon interlocuteur. Il qualifie enfin la demande avant qu’elle n’arrive dans une boîte mail. Il n’automatise pas la vente. Il absorbe le niveau 1, celui qui mobilise vos équipes sans faire avancer un dossier.
Un petit nombre de questions récurrentes concentre l’essentiel des sollicitations entrantes. Un chatbot site web bien alimenté y répond en continu, puis transfère le reste à un humain sans délai.
Les 3 cas où un chatbot entreprise ne sert à rien
- Un catalogue trop restreint : avec trois offres et une page de contact lisible, le chatbot ajoute une étape au lieu d’en retirer une.
- Un trafic trop faible : quelques dizaines de sessions par mois ne produisent pas assez de conversations pour repérer les sujets non couverts.
- Des contenus inexistants ou périmés : un chatbot ne fabrique pas la connaissance que votre site n’a pas. Il en expose l’absence.
Le troisième cas est celui que nous rencontrons le plus souvent au cadrage. Avant d’ouvrir un projet, vérifiez que vos pages produits et vos fiches techniques sont à jour : ce corpus plafonne la qualité des réponses.
Chatbot scénarisé, LLM brut, chatbot RAG : quelles différences ?
Trois générations de chatbots coexistent sur les sites d’entreprise. Le chatbot scénarisé suit un arbre de décision écrit à la main. Le LLM brut branche un modèle de langage sans lui donner vos documents. Le chatbot RAG cherche d’abord dans vos contenus, puis rédige à partir des passages retrouvés.
| Génération | Principe | Ce qu’il sait répondre | Risque principal | Cas d’usage |
|---|---|---|---|---|
| Chatbot scénarisé | Arbre de décision et boutons prédéfinis | Uniquement les questions prévues à l’avance | Impasse dès la première question hors scénario, puis abandon | Prise de rendez-vous, routage vers un service |
| LLM brut | Modèle de langage branché sans accès à vos documents | Tout, y compris ce qu’il ignore | Hallucination sur vos prix, vos délais et vos engagements | Aucun sur un site d’entreprise |
| Chatbot RAG | Recherche dans votre base documentaire, puis génération avec citation | Ce que vos contenus disent réellement | Réponse fausse si la source est périmée ou mal découpée | Avant-vente technique, support de niveau 1, documentation |
La troisième génération est la seule qui tienne sur un site d’entreprise. Un chatbot IA entreprise n’a pas vocation à être créatif : il doit retrouver la bonne information et la restituer sans la déformer. La conception porte donc sur la base documentaire, pas sur le modèle.
Pourquoi un LLM sans RAG est dangereux sur un site d’entreprise
Un modèle de langage branché sans ancrage documentaire produit des réponses plausibles, pas des réponses vraies. Il peut annoncer un délai, une garantie ou un tarif que vous n’avez jamais publiés. Cette réponse s’affiche sous votre marque, et le visiteur la lit comme un engagement.
Le risque se mesure. Le classement Vectara des taux d’hallucination (HHEM-2.3, mis à jour le 11 mai 2026) évalue les modèles sur plus de 7 700 documents. La consigne est pourtant restrictive : résumer en n’utilisant que le passage fourni. Le meilleur modèle testé hallucine encore 1,8 % du temps. Aucun n’atteint zéro.
Le RAG réduit ce risque, il ne l’annule pas. Une étude du RegLab de Stanford, publiée en 2025 au Journal of Empirical Legal Studies, mesure 17 % à 33 % de réponses hallucinées. Les outils testés étaient pourtant fondés sur le RAG, et leurs éditeurs annonçaient l’élimination des hallucinations.
La conséquence est concrète. Trois informations ne devraient jamais être générées : les prix, les délais et les engagements contractuels. Servez-les depuis une source unique, ou renvoyez vers un commercial. Pour le reste, exigez la citation de la source sous la réponse et un refus explicite quand la base ne dit rien.
Comment se construit un chatbot RAG nourri par vos contenus
Un chatbot RAG est un agent conversationnel qui cherche d’abord la réponse dans une base documentaire d’entreprise. Il demande ensuite à un modèle de langage de la reformuler en citant ses sources. RAG signifie retrieval-augmented generation : la génération reste contrainte par les documents retrouvés, jamais par la mémoire du modèle.
- Sélection des sources : pages, fiches produits, documentation, PDF, questions déjà traitées par le support. Chaque source reçoit un propriétaire et une date de revue.
- Découpage et vectorisation : les documents sont découpés en passages (chunking), puis convertis en vecteurs (embeddings) stockés dans une base vectorielle.
- Recherche sémantique et reranking : la question est comparée aux passages, et les meilleurs candidats sont réordonnés avant d’être transmis au modèle.
- Prompt d’ancrage et citation : le modèle ne répond qu’à partir des passages fournis, et affiche ses sources.
- Escalade et journalisation : toute question sans réponse fiable bascule vers un humain, et chaque échange alimente la revue mensuelle.
Le détail de ce pipeline mérite son propre article : voir comment fonctionne un pipeline RAG. Retenez ici l’essentiel pour arbitrer : le chatbot n’est que l’interface, le projet réel est un moteur de recherche sur vos contenus, comme dans nos projets d’intelligence artificielle.
Cette exigence n’est pas nouvelle. Sur Med’Vet, la plateforme du SIMV, la recherche par catégorie et la mise à jour quotidienne par les laboratoires portent 50 000 visiteurs mensuels. Le principe reste le même : une source à jour, une recherche fiable, puis l’interface.
Chatbot et RGPD : information, conservation et données sensibles
Un chatbot traite des données personnelles dès qu’un visiteur y saisit son nom ou sa demande. Trois obligations dominent : informer les personnes, fixer une durée de conservation par finalité, et garantir une intervention humaine sur les décisions importantes. La CNIL consacre une fiche dédiée aux chatbots à ces trois points.
Sur la conservation, la CNIL demande de raisonner par finalité. Un chatbot d’aide à l’achat doit voir ses données supprimées à la fin de la conversation. Un chatbot de service client peut légitimement les conserver, avec une durée écrite et justifiée.
Deux points sont régulièrement oubliés. La CNIL recommande d’afficher une mise en garde invitant les visiteurs à ne pas communiquer de données sensibles. Elle demande aussi une purge immédiate ou régulière lorsque cette collecte est imprévisible. Elle rappelle enfin qu’une conversation ne peut à elle seule fonder une décision aux effets significatifs : refus de crédit, modification de prix, rejet de candidature.
Chatbot et AI Act : ce qui change depuis le 2 août 2026
Depuis le 2 août 2026, l’article 50 du règlement UE 2024/1689 impose d’informer explicitement toute personne qui interagit avec un système d’IA. Le même article prévoit que l’information soit donnée au plus tard lors de la première interaction, de manière claire, distinguable et conforme aux exigences d’accessibilité. La Commission européenne en détaille la mise en œuvre dans ses lignes directrices sur les obligations de transparence.
L’exception reste étroite : elle vaut lorsque le caractère artificiel est évident pour une personne raisonnablement avertie. Un widget baptisé d’un prénom humain, photo de profil à l’appui, n’en relève pas.
- Une mention visible dans l’en-tête du widget, du type « assistant IA ».
- Un premier message indiquant la nature du dispositif et le moyen de joindre un humain.
- Un paragraphe dédié dans la politique de confidentialité.
Comment mesurer un chatbot : réponse utile, déviation, sujets non couverts
Quatre indicateurs suffisent à piloter un chatbot d’entreprise. Ils se lisent ensemble : un taux de déviation faible n’est un bon signal que si le taux de réponse utile est élevé. Un chatbot qui ne transfère jamais n’est pas performant, il est muet sur ce qu’il ignore.
- Taux de réponse utile : part des conversations closes sur une réponse jugée satisfaisante, mesurée par un vote du visiteur.
- Taux de déviation vers un humain : part des conversations transférées, à croiser avec le motif du transfert.
- Sujets non couverts : questions posées sans source disponible dans la base. C’est votre plan éditorial du trimestre.
- Demandes qualifiées transmises : conversations qui aboutissent à un contact identifié et à un besoin exprimé.
La revue mensuelle des conversations est le vrai travail. Elle transforme les sujets non couverts en pages à écrire, qui nourrissent à leur tour le chatbot et votre génération de leads qualifiés. Sans cette boucle, la performance se dégrade en quelques mois.
Comment intégrer un chatbot à un site WordPress
Intégrer un chatbot sur WordPress tient en trois chantiers : indexer les contenus, maintenir cet index à jour, et charger le widget sans dégrader les performances. Le plugin n’est que la partie visible. WordPress représente 59,2 % des sites dont le CMS est identifié, selon W3Techs en juillet 2026.
- Périmètre d’indexation : pages, articles, types de contenu personnalisés, champs ACF et PDF téléchargeables, pas seulement le contenu principal.
- Fraîcheur de l’index : réindexation déclenchée à la publication et à la mise à jour, jamais une synchronisation mensuelle.
- Exclusions : brouillons, pages de remerciement, archives obsolètes et documents internes restent hors de la base.
- Performance : widget chargé après une interaction du visiteur, pour ne pas peser sur le rendu initial.
Sur un site WordPress sur mesure, ces quatre points relèvent du développement, pas du paramétrage. Un multisite ajoute une contrainte : chaque site interroge son propre périmètre. C’est la logique de l’usine à sites déployée chez Chryso sur 20+ filiales internationales.
Combien coûte un chatbot entreprise, et où se situe le vrai coût ?
Un chatbot d’entreprise qui puise dans vos contenus se chiffre comme un projet digital, pas comme un abonnement mensuel. Son budget dépend d’abord du volume et de l’état de votre base documentaire, ensuite du niveau de garde-fous attendu et des intégrations à prévoir. Nous le chiffrons au cadrage, poste par poste, une fois le périmètre arrêté.
| Poste | Nature | Ce qui le fait varier |
|---|---|---|
| Cadrage et périmètre | Mise en place | Nombre de cas d’usage, langues, publics distincts |
| Préparation du corpus | Mise en place | Volume de documents, état des contenus, formats à convertir |
| Pipeline RAG et garde-fous | Mise en place | Qualité de recherche attendue, citation des sources, escalade |
| Intégration au site et au CRM | Mise en place | CMS, multisite, transfert des demandes qualifiées |
| Hébergement et appels au modèle | Récurrent | Volume de conversations, longueur des documents |
| Maintenance applicative | Récurrent | Niveau de service attendu, délais de correction |
| Maintenance de la base documentaire | Récurrent | Fréquence de mise à jour, nombre de propriétaires de contenus |
La dernière ligne est celle que les devis oublient. Mettre à jour les sources, réindexer et écrire les réponses manquantes coûte un temps interne récurrent. Un projet de plateforme sur mesure se juge sur cette charge autant que sur son prix d’entrée. Sans propriétaire désigné pour la base documentaire, le chatbot vieillit plus vite que votre catalogue.
Questions fréquentes
Quelle différence entre un chatbot et un agent conversationnel ?
Les deux termes désignent la même interface, mais pas le même niveau de capacité. Un agent conversationnel comprend une formulation libre, alors que le mot chatbot couvre aussi les scénarios à boutons. Un agent IA va plus loin : il exécute des actions, comme créer un ticket, au lieu de se limiter à répondre.
Un chatbot IA peut-il inventer des réponses sur mes prix ou mes délais ?
Oui, si aucun ancrage documentaire ne l’en empêche. Un modèle produit la suite de mots la plus probable, pas la plus exacte. Le RAG réduit fortement le risque sans le supprimer. L’étude 2025 du RegLab de Stanford mesure encore 17 % à 33 % d’hallucinations sur des outils juridiques fondés sur le RAG.
Faut-il prévenir les visiteurs qu’ils parlent à une IA ?
Oui. Depuis le 2 août 2026, l’article 50 du règlement UE 2024/1689 impose une information explicite, au plus tard lors de la première interaction. Une mention dans l’en-tête du widget et un premier message clair répondent à cette obligation.
Combien de temps conserver les conversations d’un chatbot ?
La durée dépend de la finalité, selon la CNIL. Pour un chatbot d’aide à l’achat, les données doivent être supprimées à la fin de la conversation. Pour un service client, le responsable de traitement peut légitimement les conserver, avec une durée écrite et justifiée.
Faut-il un bandeau cookies pour un chatbot ?
Pas systématiquement. La CNIL considère que les cookies déposés uniquement lorsque l’internaute active le chatbot, en cliquant pour ouvrir la fenêtre, sont strictement nécessaires au service demandé et exemptés de consentement. Un widget qui dépose des traceurs dès le chargement de la page sort de cette exemption.
Combien coûte un chatbot pour un site d’entreprise ?
Comptez le budget d’un projet digital, pas celui d’un abonnement. Le montant dépend du volume et de l’état de votre base documentaire, du niveau de garde-fous attendu et des intégrations à prévoir : nous le chiffrons au cadrage. Ajoutez le temps interne de mise à jour du corpus, un poste récurrent régulièrement sous-estimé, et une maintenance applicative dont le tarif suit le niveau de service retenu.
