Aller au contenu
Cabinet d'expertise en transformation technologique · ARDIANE Group Innover, sécuriser, réussir

Intelligence artificielle

Une architecture de RAG souverain se juge à l'endroit où s'exécute chaque brique

L'essentiel

Une architecture de RAG souverain est un dispositif de génération augmentée par récupération dont chaque brique (modèles, index vectoriel, corpus, journaux) s'exécute dans un environnement vérifié sur le lieu du traitement, le droit applicable au prestataire et la maîtrise de l'exploitation. Management Square indique où placer chaque brique, selon quels critères, et quand cette contrainte ne se justifie pas.

Sommaire de la page

Une architecture de RAG souverain est un dispositif de génération augmentée par récupération dont chaque brique s’exécute dans un environnement que l’organisation a vérifié : où le traitement a lieu, de quel droit relève le prestataire, qui exploite le service et détient les clés. « Souverain » n’y désigne aucun label. Le mot résume ces vérifications, que développe notre page cloud souverain.

La décision se prend brique après brique, parce qu’un RAG en compte au moins cinq et que chacune reçoit des données en clair : la chaîne de préparation du corpus, le modèle de plongement, l’index vectoriel, le modèle de génération et les journaux. Placer l’index dans un environnement protégé ne protège pas les passages retrouvés, qui partent à chaque question vers le modèle de génération. Le niveau d’exigence est celui de la classe des données du corpus ; un corpus sans donnée sensible n’appelle pas ces précautions.

Les briques d’un RAG et les données qui les traversent

Brique Données reçues en clair Point à vérifier
Chaîne de préparation (extraction, découpage) Chaque document du corpus, en entier Les services d’extraction de texte ou de reconnaissance de caractères appelés, et leur lieu d’exécution
Modèle de plongement Chaque passage à l’indexation, chaque question à l’usage Le service appelé, distinct du modèle de génération, et son prestataire
Index vectoriel Les vecteurs, le texte des passages, les métadonnées et les droits d’accès Service géré ou base exploitée par vos équipes, sauvegardes et copies comprises
Modèle de génération La consigne, la question et les passages retrouvés Lieu de l’inférence, conservation des requêtes, réemploi pour l’entraînement
Journaux et traces Questions, passages, réponses, identité des utilisateurs Outil de traçage et d’évaluation, durée de conservation, accès du support

Un modèle de reclassement, s’il est employé, reçoit la question et les passages candidats : il se traite comme le modèle de génération.

Le modèle de génération reçoit les passages que la recherche a choisis

À chaque question, cette brique reçoit un extrait ciblé du corpus, accompagné de la demande de l’utilisateur. Trois modes d’exécution se distinguent.

Dans le premier, l’application appelle l’interface d’un fournisseur de modèles. Le contrat et la documentation du service disent quelle entité est engagée, où l’inférence a lieu, combien de temps les requêtes sont conservées, y compris pour la détection d’abus, et si elles servent à l’entraînement.

Dans le deuxième, un fournisseur de cloud sert le modèle dans l’une de ses régions. La vérification porte sur le service d’inférence lui-même : une infrastructure qui répond à la grille d’exigences ne dit rien des services gérés du même fournisseur.

Dans le troisième, vos équipes hébergent un modèle à poids ouverts, sur une infrastructure interne ou sur un service d’infrastructure conforme à la grille. Les conditions d’un fournisseur de modèles ne s’appliquent plus aux requêtes ; la licence du modèle reste à lire. La capacité de calcul, l’exploitation et les changements de version vous reviennent.

La qualité des réponses se mesure sur votre jeu de questions de référence, selon la démarche décrite dans notre page IA générative en entreprise, et l’écart constaté entre deux modes entre dans la décision au même titre que la contrainte.

Le corpus entier transite par le modèle de plongement et par l’index

Le modèle de plongement appelle le même examen que le modèle de génération. À l’indexation, il reçoit chaque passage du corpus ; à l’usage, chaque question. S’il est appelé comme un service extérieur au périmètre, le corpus entier en est sorti une fois, même si la génération se fait ensuite en interne.

Ce choix engage aussi la réversibilité. Les vecteurs produits par deux modèles de plongement différents ne se comparent pas : changer de modèle oblige à vectoriser de nouveau tout le corpus. Le corpus source et sa chaîne de préparation restent donc sous votre contrôle, afin que l’index puisse être reconstruit ailleurs.

L’index, lui, se place là où les documents d’origine auraient le droit de se trouver. Il peut s’agir d’une base vectorielle dédiée, d’un moteur de recherche tel qu’OpenSearch ou d’une extension d’une base relationnelle, comme pgvector pour PostgreSQL. Lorsque le corpus et l’index s’appuient sur la plateforme de données de l’organisation, ses règles d’accès et de conservation s’y appliquent ; la conception de ce socle relève de notre offre plateforme data.

Les journaux recopient ce que le reste de l’architecture protège

Pour le diagnostic et l’évaluation, une application de RAG conserve les questions, les passages transmis et les réponses. Ces traces contiennent donc ce que les autres briques manipulent, réuni en un seul endroit.

Plusieurs destinations sont à situer : l’outil de traçage, s’il est employé en mode service ; le modèle auquel un dispositif d’évaluation automatique soumet des échantillons de réponses ; le cache de réponses ; les journaux tenus par le fournisseur du modèle lui-même.

Une question rattachée à un utilisateur identifié est une donnée personnelle, et elle renseigne sur le dossier qu’il traite. Le RGPD, règlement (UE) 2016/679, s’applique à ces journaux, dont la durée de conservation se fixe à la conception. Son chapitre V encadre les transferts de données personnelles vers des pays tiers.

Les critères de localisation et de qualification d’une architecture de RAG souverain

Pour chaque ligne du tableau, les vérifications se mènent dans cet ordre.

  1. La classe des données qui traversent la brique, d’après le classement de l’organisation. La brique hérite de la classe la plus exigeante qu’elle reçoit.
  2. La localisation, étendue aux sauvegardes, aux copies et aux données de support.
  3. Le prestataire qui exploite le service, le droit dont il relève et sa chaîne de sous-traitance. Pour les données personnelles, l’article 28, paragraphe 2, du RGPD interdit au sous-traitant de recruter un autre sous-traitant sans l’autorisation écrite préalable, spécifique ou générale, du responsable du traitement.
  4. La qualification, si votre grille l’exige. SecNumCloud est le référentiel de qualification de l’ANSSI pour les prestataires de services cloud, et la qualification porte sur un service précis. Elle se vérifie pour chaque service géré employé, sur la liste que publie l’ANSSI.
  5. Les obligations propres au corpus. Des données de santé à caractère personnel font entrer en jeu la certification Hébergeur de données de santé (article L. 1111-8 du code de la santé publique), distincte de la qualification SecNumCloud.

Quand la contrainte de souveraineté ne se justifie pas

La contrainte a un prix : un choix de modèles plus étroit, une capacité de calcul à réserver, une exploitation à assurer. Si la qualité mesurée en pâtit, les utilisateurs peuvent se tourner vers des outils grand public, et le risque que l’architecture devait contenir se déplace hors de votre vue.

Elle ne se justifie pas pour un corpus déjà public, comme une documentation produit ou des textes réglementaires. Seules les questions des utilisateurs peuvent alors rester sensibles, ce qui ramène l’examen aux journaux. Elle ne se justifie pas davantage pour des données que votre classement admet sur un service standard assorti d’engagements contractuels, ni pour un pilote mené sur des documents publics ou fictifs, qui éprouve la chaîne avant tout investissement dans l’hébergement.

Entre ces situations, un corpus peut être scindé selon la sensibilité de ses documents. Seule la partie sensible supporte la contrainte, et l’organisation exploite deux chaînes au lieu d’une.

Pour un projet déjà lancé, le travail commence par le relevé du service réellement appelé par chaque brique et de la classe des données qu’il reçoit. Un écart avec la grille de l’organisation se règle en déplaçant la brique, ou en retirant du corpus les documents qui imposent la contrainte.

Insights

À lire sur le sujet

Tous les insights
Quels cas d'usage des agents IA en entreprise un comité peut-il autoriser ?

Les cas d'usage des agents IA en entreprise peuvent se ranger selon ce que l'agent a le droit de faire : préparer un dossier, trier des demandes, proposer une action ou l'exécuter dans des limites fixées. Management Square présente les questions qu'un comité pose avant d'autoriser un agent : la tâche, les actions, les permissions, la supervision humaine et la mesure.

Lire l'analyse
Les obligations de l'AI Act pour les entreprises, lues avec leur calendrier d'application

Les obligations de l'AI Act pour les entreprises dépendent du rôle tenu pour chaque système d'IA, fournisseur ou déployeur, et du niveau de risque de ce système ; leur calendrier se lit à l'article 113 du règlement (UE) 2024/1689, modifié par le règlement (UE) 2026/1744. Management Square lit ici ces dispositions dans la version consolidée du 27 juillet 2026 et en tire les conséquences pour un projet.

Lire l'analyse
Faut-il essayer la méthode BMAD pour organiser le développement assisté par IA ?

La méthode BMAD est un projet ouvert tiers, publié sur GitHub sous licence MIT, qui organise le développement assisté par IA autour d'agents spécialisés par rôle produisant des documents que les suivants reprennent. Management Square en présente le contenu, ce qu'elle suppose, les cas où l'essayer et une manière de juger un essai, d'après le dépôt et la documentation du projet.

Lire l'analyse

FAQ

Questions fréquentes

Une autre question ? Posez-la-nous

Un RAG souverain impose-t-il d'héberger soi-même le modèle de langage ?

Pas nécessairement. L'exigence porte sur l'environnement où le modèle s'exécute et sur le prestataire qui l'exploite, quel que soit le propriétaire des serveurs. Un modèle servi par un prestataire peut convenir si le service d'inférence répond lui-même à la grille fixée pour la classe de données concernée. L'hébergement d'un modèle à poids ouverts par vos équipes lève la dépendance aux conditions d'un fournisseur de modèles, au prix de la capacité de calcul et de l'exploitation.

Les vecteurs d'un index sont-ils des données sensibles ?

Par prudence, ils se classent comme les passages dont ils sont tirés. Un vecteur est calculé à partir du texte. Dans un RAG, l'index conserve en outre le texte des passages, ou une référence vers lui, avec leurs métadonnées, puisque ce texte doit être transmis au modèle. Les sauvegardes et les copies de l'index suivent la même règle.

Que couvre une qualification SecNumCloud dans un projet de RAG ?

SecNumCloud est le référentiel de qualification de l'ANSSI pour les prestataires de services cloud. La qualification vise un service précis, dans un périmètre défini. Dans un projet de RAG, chaque service géré employé (inférence, base vectorielle, stockage, traçage) se vérifie donc séparément sur la liste publiée par l'ANSSI, à la date de la décision. La sécurité de l'application construite sur ces services reste à la charge de l'organisation.

Un projet à faire aboutir ?

Un premier échange suffit pour situer votre enjeu, identifier les bons interlocuteurs et vous dire franchement ce que nous pouvons apporter.