Base de connaissances IA pour les entreprises.
Système RAG depuis l'Allemagne, accessible sur chaque canal.
Le savoir est partout : dans des PDF, des wikis, des documents Word, des listes de FAQ, de vieux e-mails. Les collaborateurs et la clientèle doivent le chercher manuellement. Les outils classiques de gestion des connaissances sont des outils de recherche, ils affichent des résultats mais ne répondent pas. Une IA générative comme ChatGPT sait répondre, mais ne connaît pas le savoir de votre entreprise. Ce qui manque : un système RAG qui relie les deux, et accessible sur chaque canal (téléphone, chat, e-mail).
CommencerEn bref
Le RAG (Retrieval Augmented Generation) est l'architecture standard des bases de connaissances IA d'entreprise : les documents sont traduits en embeddings vectoriels et stockés dans une base de données vectorielle. Lors d'une demande, le système recherche les passages les plus pertinents, les transmet comme contexte à un LLM qui génère une réponse. Avantage par rapport aux outils de recherche classiques : une réponse en langage naturel plutôt qu'une liste de liens. Avantage par rapport à une IA générique : un savoir d'entreprise spécifique plutôt qu'un savoir général. Mais construire soi-même des systèmes RAG relève de l'ingénierie entreprise sur mesure : licencier une base de données vectorielle (service cloud américain ou auto-hébergé), configurer l'intégration LLM, bâtir le pipeline d'embeddings, choisir une stratégie de chunking, mettre en place un modèle de re-ranking, construire une couche de conformité pour le RGPD/l'AI Act. Effort en temps : 2 à 6 mois d'implémentation sur mesure. Tarification : mise en place à 5 chiffres + coûts cloud mensuels à 4 chiffres. L'architecture de rinqo résout cela : la gestion des connaissances est incluse d'emblée dans le produit, base de données vectorielle auto-hébergée sur Hetzner en Allemagne, modèles d'IA avec traitement des données contractuellement garanti dans l'UE, information AI Act conforme. Activation via un assistant.
Avec rinqo, vous obtenez une base de connaissances IA avec sortie multicanal. Une base de connaissances centrale fondée sur le RAG par organisation, alimentée par des PDF, l'exploration du site, des listes de FAQ, des articles de helpdesk; les systèmes dotés d'une API REST comme Confluence ou Notion, vous les connectez comme une liaison, l'agent y consulte en conversation. Accessible sur chaque canal : téléphone (un appel fournit la réponse issue de la base de connaissances), chat (widget avec function calling), e-mail (l'agent présente les réponses aux demandes standard pour validation) et l'agent personnel (recherche interne en questions-réponses pour toute l'équipe), le marketing et les canaux à venir puisent dans la même base. Hébergement Hetzner Allemagne.
Sommaire
Pourquoi rinqo ?
RAG prêt à l'emploi plutôt qu'ingénierie sur mesure
Implémentation RAG classique : 2 à 6 mois d'ingénierie sur mesure avec licence de base de données vectorielle, mise en place LLM, pipeline d'embeddings, chunking, re-ranking, conformité. rinqo : configuration par assistant, base de données vectorielle auto-hébergée, service d'IA avec traitement dans l'UE, information AI Act intégrée par défaut.
Sortie multicanal sans intégration séparée
Les outils de base de connaissances classiques sont des interfaces web. rinqo rend la même base de connaissances accessible par téléphone, widget de chat, tri e-mail et via l'agent personnel, sans intégrations de canal séparées. Une base de connaissances, chaque canal.
Hetzner Allemagne plutôt qu'une base vectorielle en cloud américain
Les services de base de données vectorielle répandus hébergent dans des régions américaines. rinqo exploite lui-même la base de données vectorielle sur Hetzner Falkenstein/Nuremberg, votre base de connaissances ne se trouve pas chez un service vectoriel en cloud américain, mais dans l'UE. Contrat de sous-traitance automatique à la signature.
Résolution des lacunes de connaissances, apprentissage continu
Quand l'IA ne peut pas répondre à une demande, la lacune est signalée dans le tableau de bord. Vous ajoutez la réponse en une minute, et la fois suivante l'IA sait répondre. La base de connaissances grandit à partir de vraies demandes clients, pas d'un entretien théorique de FAQ.
Information AI Act art. 50 par défaut
Pour chaque réponse générée par l'IA : une mention d'information (annonce vocale, badge de chat, pied de page e-mail). Obligatoire à partir du 02/08/2026, par défaut chez rinqo. Les implémentations RAG sur mesure classiques doivent intégrer l'information manuellement.
Function calling pour des réponses structurées
Au lieu de simples réponses textuelles, l'IA peut appeler des fonctions : réserver un rendez-vous dans votre agenda, créer un lead dans le CRM, déclencher un webhook, ré-escalader vers un humain. La base de connaissances devient ainsi active (elle agit) plutôt que passive (elle informe seulement).
Avant. Après.
Options classiques pour la gestion des connaissances d'entreprise : (1) outils de wiki et de documents, interface web pour la recherche, aucune réponse IA, aucune disponibilité multicanal. (2) implémentation RAG sur mesure, 2 à 6 mois d'ingénierie, coûts de mise en place à 5 chiffres, base vectorielle en cloud américain, conformité RGPD manuelle. (3) chats IA génériques, ne connaissent pas le savoir de votre entreprise, donnent des réponses inventées (hallucinations).
rinqo (Allemagne, Hetzner) : système RAG prêt à l'emploi avec base de données vectorielle auto-hébergée en Allemagne, modèles d'IA avec traitement dans l'UE, standard AI Act. Sortie multicanal : téléphone + chat + e-mail + agent personnel. Résolution des lacunes de connaissances pour un apprentissage continu. Mise en place via un assistant.
Qu'est-ce qu'une base de connaissances IA ? Le RAG pour les entreprises expliqué
Le RAG (Retrieval Augmented Generation) est l'architecture de référence des bases de connaissances IA. Trois étapes : premièrement, les documents sont traduits en embeddings vectoriels sémantiques (via un modèle d'embedding) et stockés dans une base de données vectorielle. rinqo exploite lui-même la base de données vectorielle sur Hetzner en Allemagne. Deuxièmement, lors d'une demande, le système calcule l'embedding vectoriel de la question et recherche les passages de documents les plus proches dans la base, typiquement les 5 meilleurs résultats. Troisièmement, les passages trouvés sont transmis comme contexte à un LLM (chez rinqo avec un traitement des données contractuellement garanti dans l'UE) qui génère une réponse en langage naturel. Avantage : un savoir d'entreprise spécifique plutôt qu'un savoir général, une réponse en langage naturel plutôt qu'une liste de liens. Compromis : nécessite des contenus de base de connaissances de bonne qualité et un chunking propre. rinqo a calibré par défaut le chunking et le re-ranking pour les bases de connaissances de PME DACH (articles de helpdesk de 100 à 500 mots, mélangés à des listes de FAQ et des documents PDF).
Comment la base de connaissances de rinqo se construit, quatre sources d'entrée avec validation
La base de connaissances accepte plusieurs types d'entrée. Premièrement, l'exploration du site. Vous indiquez l'URL de votre domaine principal, rinqo explore automatiquement toutes les pages indexables, extrait le texte, l'intègre dans la base de données vectorielle auto-hébergée. Deuxièmement, le téléversement de fichiers. Documents PDF, documents Word, fichiers Markdown, tableaux Excel sont téléversés. Le texte est extrait et intégré automatiquement. Fonctionne pour des collections d'articles de helpdesk, des manuels collaborateurs, de la documentation produit, des politiques de conformité. Troisièmement, les sources tierces. Les systèmes dotés d'une API REST comme Confluence ou Notion, vous les connectez comme une liaison, l'agent y consulte en conversation; sur demande, nous nous en chargeons. Quatrièmement, à partir du quotidien de travail lui-même. Si quelqu'un demande à l'agent personnel une information qui n'est pas encore enregistrée, ou si un humain répond à une demande escaladée, rinqo propose le nouveau bloc de connaissances. Important : une proposition ne devient pas active automatiquement. Une personne gestionnaire la valide et décide si elle rejoint le savoir commun de l'entreprise ou le savoir personnel de la personne concernée. Ainsi la base de connaissances grandit de façon contrôlée à partir du travail quotidien, sans entretien fastidieux, et rien n'atterrit dans les réponses sans vérification.
Sortie multicanal, une base de connaissances pour chaque canal
Les outils classiques de gestion des connaissances sont des interfaces web, les collaborateurs et la clientèle doivent ouvrir l'application, chercher, lire. Lors d'appels, de demandes de chat ou d'e-mails, le savoir doit être consulté manuellement par quelqu'un de l'équipe. rinqo inverse la logique : la même base de connaissances est diffusée sur chaque canal. Canal téléphone : l'agent téléphonique IA prend l'appel, cherche dans la base de connaissances, répond vocalement (synthèse vocale d'un fournisseur allemand, hébergée dans l'UE). Canal chat : widget web avec la même base de connaissances. Canal e-mail : un agent de tri autonome se connecte via IMAP à la boîte, répond aux demandes qui figurent dans la base de connaissances, escalade les mails complexes. Agent personnel : recherche directe en questions-réponses pour toute l'équipe (p. ex. sur la documentation du processus de déclaration d'arrêt maladie), avec citation de la source à chaque réponse. Une base de connaissances, chaque canal, aucun silo de savoir.
Répartir le savoir, chaque agent ne voit que ce qu'il doit voir
Une base de connaissances ne signifie pas que chacun voit tout. Dans rinqo, vous attribuez à chaque agent, de façon ciblée, le savoir à partir duquel il peut répondre. L'agent de chat sur le site reçoit les horaires d'ouverture, les prestations et les tarifs ; l'agent e-mail en plus les procédures de réclamation ; les dossiers du personnel internes, les conditions d'achat ou les contrats restent totalement à l'écart. Ainsi un agent côté clients ne répond qu'à ce qui est destiné à la clientèle et n'accède jamais aux documents internes ; la séparation est structurelle, pas une affaire de formulation dans le prompt. L'agent personnel de l'équipe peut à l'inverse accéder au savoir interne, chaque personne en plus à son propre savoir personnel, invisible pour tous les autres. Vous fixez la répartition dans le tableau de bord et la modifiez à tout moment ; un changement agit immédiatement sur tous les canaux, sans que vous ayez à entretenir les documents en double.
Résolution des lacunes de connaissances, la base apprend de vraies demandes
Les systèmes RAG classiques ont un problème typique : la base de connaissances est initialement incomplète. Les collaborateurs et la clientèle posent des questions non couvertes par la base. Les systèmes classiques répondent alors par un message d'erreur ou, pire, hallucinent. rinqo a une boucle d'apprentissage continu. Étape 1 : pour une demande sans réponse possible, l'IA escalade honnêtement vers un humain ET consigne la lacune de façon structurée dans le tableau de bord. Étape 2 : vous voyez toutes les lacunes de connaissances ouvertes, triées par fréquence. Étape 3 : vous ajoutez la réponse en 30 secondes (sous forme d'entrée de FAQ, de passage de documentation complété ou de nouveau fichier de connaissances). Étape 4 : la demande identique ou similaire suivante reçoit une réponse automatique. La base de connaissances grandit à partir de vraies demandes clients, pas d'un entretien théorique de FAQ.
rinqo vs. outils classiques de gestion des connaissances, le comparatif
Trois options sont comparées par les PME DACH en 2026 pour la gestion des connaissances. Premièrement, les outils de wiki et de base de connaissances classiques. Force : des interfaces éditoriales matures, versionnage, permissions, collaboration d'équipe. Faiblesse : interface web uniquement, aucune réponse IA, aucune disponibilité multicanal. Tarification typique de 8 à 15 €/personne/mois, mais sans couche IA incluse. Deuxièmement, l'implémentation RAG sur mesure. Force : flexibilité maximale en architecture et intégrations. Faiblesse : 2 à 6 mois d'ingénierie, coûts de mise en place à 5 chiffres, licences de base de données cloud, conformité RGPD/AI Act manuelle, avec l'effort correspondant. Troisièmement, les chats IA génériques. Force : des réponses LLM matures. Faiblesse : ne connaissent pas le savoir de l'entreprise (sauf à copier manuellement le contexte), hallucinent sur les demandes spécifiques, souvent un hébergement en cloud américain. rinqo réunit les trois avantages : une base de connaissances entretenue avec des fonctions éditoriales de base, plus des réponses RAG, plus RGPD/hébergement UE (made in Germany).
Questions fréquentes
Sources
- Règlement européen 2024/1689 (AI Act), art. 50
- RGPD art. 28, sous-traitance
- CJUE C-311/18 (Schrems II), transfert de données vers un pays tiers
Dernière mise à jour : 2026-09-05
Fondateur, rinqo
Fondateur de rinqo. Construit une mémoire d'entreprise où le savoir d'une organisation converge et reste disponible, ainsi que les agents IA qui en vivent : au téléphone, dans la boîte de réception, dans le chat, en marketing et dans d'autres rôles. Écrit ici sur l'introduction de l'IA en entreprise, sur la protection des données et sur ce qui tient dans la pratique. Conçu en Allemagne, traité dans l'UE, sans fournisseur américain.
Dernière mise à jour:
Essayer en direct
Voir l'agent