OpenKM + IA (RAG) : transformer des centaines de manuels en base de connaissances dans le secteur financier

OpenKM + IA (RAG) : transformer des centaines de manuels en base de connaissances dans le secteur financier

 Écrit par Ana Canteli le 5 décembre 2025

Dans de nombreuses organisations du secteur financier, le service de conformité gère des centaines de manuels, de politiques et de procédures internes. Le savoir existe, mais il est dispersé dans des documents PDF, Word et des présentations difficiles à consulter au quotidien.

Dans le même temps, la direction se pose une question très concrète :

«Pouvons-nous disposer d’une IA d’entreprise, basée sur la génération augmentée par récupération (RAG, Retrieval-Augmented Generation), qui fonctionne dans un environnement local ou privé, sans exposer les informations à des services externes, et intégrée à notre système de gestion documentaire ?»

C’est précisément le scénario dans lequel OpenKM + IA (RAG) trouve tout son sens : transformer un référentiel documentaire de conformité en base de connaissances d’entreprise, appuyée sur un système RAG qui offre des réponses en langage naturel à partir de la documentation réelle de l’entité, en travaillant en permanence avec des informations à jour au sein d’un environnement contrôlé.

Qu’est-ce que RAG et pourquoi est-ce clé dans le secteur financier ?

RAG (Retrieval-Augmented Generation), ou génération augmentée par récupération, est une architecture de modèles d’intelligence artificielle qui combine deux étapes :

1. Récupération RAG (récupération d’information)

Le système localise les fragments les plus pertinents au sein d’une source de données ; dans ce cas, les manuels de conformité et la documentation interne stockés dans OpenKM. Il s’agit d’une architecture RAG avec recherche sémantique, qui utilise une base de données vectorielle pour trouver des informations pertinentes, même lorsque la requête de l’utilisateur est formulée avec des mots différents de ceux du texte d’origine.

2. Génération augmentée

Un modèle génératif de la famille des modèles de langage (LLM) prend ces fragments et génère une réponse en langage naturel. De cette manière, l’intelligence artificielle produit des réponses cohérentes, fondées sur le connaissance interne de l’organisation.

En termes pratiques, un système RAG d’entreprise permet aux utilisateurs de ne plus ouvrir les manuels un par un, mais de formuler des requêtes complexes du type :

• « En matière de conformité, que dois-je faire si un client refuse de fournir la documentation KYC ? »
• « Quel est le protocole pour signaler une opération suspecte dans mon pays ? »

La récupération RAG localise les fragments pertinents (non seulement par mots-clés, mais par sens), et la génération augmentée par récupération construit une réponse claire, plus précise et alignée sur les procédures internes. C’est ce que l’on appelle RAG (Retrieval-Augmented Generation) appliquée à la gestion des connaissances et aux bases de connaissances dans le secteur financier.

OpenKM comme plateforme de gestion documentaire et base de connaissances de conformité

Avant que l’IA ne change la manière de poser des questions, il faut mettre de l’ordre dans les documents. C’est là qu’OpenKM se comporte comme un véritable système de gestion documentaire et de gestion des connaissances :

• Plan de classement et gestion des archives pour les manuels de conformité réglementaire.
• Métadonnées de version, périmètre, réglementation, date d’expiration, etc.
• Sécurité granulaire par utilisateur, rôle, groupe et document, utile pour la gouvernance d’entreprise et l’application de la politique de confidentialité et de la déclaration de confidentialité.
• Services d’abonnement et notifications lorsque qu’un manuel est mis à jour ou lorsqu’une nouvelle politique interne est publiée.

Toutes ces informations sont stockées dans des bases de données d’entreprise et se transforment en un vaste ensemble de données de conformité. OpenKM ne se contente pas de conserver des documents : il construit une base de connaissances structurée, prête à être utilisée par un système RAG comme source de connaissance et source de données.

Comment fonctionne l’architecture RAG avec OpenKM en environnement local ou privé

Sur ce noyau de gestion documentaire, OpenKM peut implémenter RAG en suivant une architecture très claire, conçue pour fonctionner dans un environnement local ou un cloud privé, sans accès par défaut à des informations externes :

Indexation et base de données vectorielle

Les centaines de manuels de conformité, guides de gouvernance d’entreprise, politiques de risques, documents de service client et autres contenus sont traités au moyen de traitement du langage naturel.

Pour chaque document, des représentations vectorielles sont extraites et stockées dans une base de données vectorielle. Ainsi, le système peut effectuer une récupération d’information par sens, et pas seulement par mots exacts.

Récupération RAG sur OpenKM

Lorsqu’une requête utilisateur arrive – où la conformité réglementaire est souvent complexe (par exemple en combinant produit, canal et pays) – le moteur de récupération RAG recherche dans la base de connaissances les fragments les plus pertinents.

Les modèles RAG peuvent récupérer du contenu provenant du connaissance interne (manuels, politiques, instructions) et, si l’entité le décide de manière contrôlée, incorporer certains éléments de connaissance externe (par exemple, des résumés de la réglementation publique).

Tout cela se fait à l’intérieur de l’environnement local ou privé défini par l’entité, sans qu’il soit nécessaire d’envoyer les manuels de conformité ni d’autres documents sensibles vers des services externes. L’organisation décide si elle souhaite ou non se connecter à des données externes ; par défaut, le système RAG travaille exclusivement avec sa propre source de données interne.

Modèles de langage et génération augmentée par récupération

Les fragments récupérés sont transmis aux modèles de langage (les modèles de base d’IA générative) qui, en combinant les données pertinentes avec leurs données d’entraînement, produisent des résultats sous forme de réponses plus précises et cohérentes, déjà contextualisées pour l’environnement du secteur bancaire / secteur financier de l’entité.

La génération augmentée par récupération (RAG) garantit que l’IA ne « s’invente » pas les informations : elle s’appuie toujours sur une documentation réelle et des données à jour dans OpenKM, en utilisant la base de connaissances propre à l’organisation.

Automatisation des réponses et assistants virtuels

Par-dessus tout cela, il est possible de publier un assistant virtuel interne : l’utilisateur pose sa question, le système RAG réalise la phase de récupération sur les manuels de conformité stockés dans OpenKM et, à partir de ces informations, l’IA génère une réponse en langage naturel.

Cette automatisation des réponses améliore l’efficacité opérationnelle, réduit le temps de recherche et améliore l’expérience des équipes qui travaillent sur les processus internes ainsi que dans les interactions avec les clients.

Cas d’usage en conformité réglementaire : requêtes complexes, réponses générées

Pour une entité du secteur financier disposant de centaines de manuels de conformité, un système RAG intégré à OpenKM permet :

• À un analyste conformité de formuler des requêtes complexes sur une opération donnée et de recevoir une réponse claire basée sur la politique de conformité et la politique de confidentialité en vigueur.
• À un responsable du service client d’accéder à des informations spécifiques sur les procédures de réclamation, l’information précontractuelle ou la protection des données, sans devoir lire des dizaines de pages à chaque fois.
• À la direction de la gouvernance d’entreprise de consulter rapidement les obligations applicables à un nouveau produit financier, en combinant des données internes et, éventuellement, certaines données externes contrôlées.

Dans tous ces cas, la récupération RAG agit sur les manuels et la documentation interne stockés dans OpenKM, et la génération augmentée par récupération se charge de faire en sorte que l’intelligence artificielle produise une réponse compréhensible, qui fournit des réponses alignées sur la réglementation et sur les ensembles de données internes.

Avantages concurrentiels de l’approche RAG dans OpenKM

Avantages concurrentiels clairs

• Passer de « chercher des documents » à fournir des réponses plus précises en matière de conformité réglementaire, en réduisant les erreurs humaines et les temps de recherche.
• Les modèles RAG et les modèles d’IA générative peuvent récupérer du contenu dispersé dans de multiples manuels et combiner des modèles afin que le système de gestion documentaire génère une réponse utile et vérifiable.

Meilleur contrôle sur la connaissance interne

• Le contenu d’OpenKM se transforme en une base de connaissances vivante et à jour.
• L’entité financière décide quelles sources de connaissance entrent dans le système RAG et comment sont gérés la sécurité, la confidentialité et la gouvernance des données, en respectant ses propres politiques internes et la réglementation externe.

Meilleure expérience et efficacité opérationnelle

• Les utilisateurs obtiennent des réponses générées en langage naturel, au lieu de devoir interpréter eux-mêmes de longs textes réglementaires.
• Cela se traduit par une efficacité opérationnelle accrue, moins de demandes répétitives adressées au service de conformité et un support plus agile pour les équipes métiers et de service client.

Flexibilité technologique et déploiement en environnement local ou privé

• OpenKM peut être déployé sur des serveurs Linux standard, y compris des distributions d’entreprise comme Red Hat, dans des clouds privés ou dans des environnements hybrides.
• Il est possible d’implémenter RAG avec différents modèles de langage et modèles de base (de divers fournisseurs d’intelligence artificielle) sans perdre le contrôle sur la source de données ni sur les manuels de conformité, en maintenant le traitement dans un environnement local privé sans accès par défaut à des informations externes.

Conclusion : OpenKM comme plateforme de gestion documentaire + RAG pour le secteur financier

En résumé, OpenKM permet aux entités du secteur financier de transformer leurs manuels de conformité réglementaire en une véritable base de connaissances gouvernée, sur laquelle il est possible de construire un système RAG d’entreprise :

• avec une génération augmentée par récupération appliquée à leur connaissance interne,
• où la récupération RAG et la génération augmentée travaillent ensemble pour fournir des réponses et des réponses plus précises basées sur la documentation réelle de l’organisation,
• et où les modèles de langage intégrés à l’architecture RAG fonctionnent toujours dans un environnement local ou privé, avec des informations à jour et sous les propres règles de sécurité, de gouvernance d’entreprise et de confidentialité (y compris la politique de confidentialité) de l’entité.

La combinaison de la gestion des connaissances, des bases de connaissances et de RAG (génération augmentée par récupération) fait d’OpenKM bien plus qu’un simple gestionnaire documentaire : c’est la plateforme sur laquelle l’intelligence artificielle révolutionne la manière dont les professionnels du secteur financier accèdent aux informations critiques et les appliquent dans leur travail quotidien, avec un accent clair sur le contrôle, la sécurité et la conformité.