IA : comment améliorer les catalogues de bibliothèque sans numériser les livres ?
Alors que l’IA et le RAG s’imposent comme des pistes pour renouveler la recherche documentaire en bibliothèque universitaire, leur déploiement se heurte à une réalité matérielle et juridique : accès aux textes, numérisation des fonds, droits d’usage et coûts de traitement. Derrière la promesse de catalogues plus intelligents, la question demeure celle de l’autonomie des bibliothèques face aux grandes plateformes. Par Cédric Limousin.
Le 23/06/2026 à 16:16 par Auteur invité
1 Réactions | 314 Partages
Publié le :
23/06/2026 à 16:16
1
Commentaires
314
Partages
Non, le RAG ne sauvera pas les catalogues des bibliothèques
Depuis quelques mois, une petite musique commence à se faire entendre dans les milieux de la recherche documentaire en bibliothèque universitaire : adapter les catalogues aux usages modernes passerait par l’IA, et notamment par le RAG.
Si la première partie se défend, la seconde est nettement plus sujette à caution.
Commençons par les bases et un peu d’historique. La majorité des usages actuels de l’IA en bibliothèque passent par de grands modèles de langage (LLM), qui sont, en gros, d’énormes fonctions statistiques servant à prédire des mots.
Lorsqu’on donne un début de phrase à cette fonction, elle produit une distribution de probabilités sur l’ensemble des mots qu’elle connaît, classés du plus au moins probable [NdR : Les modèles ne gèrent évidemment pas des mots, mais des tokens ; le principe reste cependant le même.] . Par exemple, si on lui donne comme élément de départ « La capitale de la France est », la distribution produite mettra « Paris » en n° 1, suivi de milliers de mots de moins en moins probables.
Le service de chat va alors piocher dans cette distribution pour choisir le mot affiché, puis recommencer ad libitum jusqu’à tomber sur le « mot » point final : « . ».
C’est un procédé très pratique, qui donne de très bons résultats, mais qui implique que le modèle produira parfois des phrases probables, mais non vraies. On dit alors que le modèle « hallucine », même si le processus est strictement identique : seule notre perception du résultat diffère. C’est pour prévenir ces hallucinations que le RAG existe.
RAG, d'accord, mais c'est quoi ?
Le RAG signifie Retrieval-Augmented Generation, généralement traduit par génération augmentée par récupération.
Le principe : avant de formuler une réponse, une IA va chercher des informations dans un corpus de documents, puis s’appuyer sur les extraits retrouvés pour répondre. L’objectif est de réduire les erreurs ou « hallucinations » en ancrant la réponse dans des sources identifiées.
Créé aux environs de 2020 par une équipe de Meta, son principe est assez simple : il consiste à trouver, dans un corpus de documents, celui qui est le plus pertinent pour répondre à une question posée à un LLM et à le lui « donner » afin d’orienter sa réponse.
Les méthodes permettant de trouver ledit document sont maintenant assez nombreuses, mais elles impliquent souvent de réaliser un « embed » — ou vectorisation : on utilise un modèle spécialisé qui va attribuer à des groupes de mots, généralement quelques centaines, un ensemble de coordonnées représentant le sujet de différentes parties d’un document.
Lorsqu’une question est posée, on utilise le même modèle pour lui attribuer des coordonnées, puis on prend le morceau de document le plus voisin, on le joint à la question et on espère qu’il sera pertinent pour y répondre.
Ici, deux points devraient vous interpeller : on ne prend pas un document entier, mais on « découpe » les fichiers les plus volumineux et, surtout, le document est mis à la disposition du LLM.
Or, aucune de ces deux étapes n’est possible en bibliothèque. La première suppose l’accès à une copie numérique du document et la seconde suppose d’avoir les droits pour l’utiliser de cette façon.
Pour la copie numérique, admettons : on peut envisager de lier chaque document à son équivalent en Markdown, de l’acheter en plus de la copie physique et de prévoir de numériser et traiter les collections existantes. Après tout, c’est juste une question de moyens et, comme chacun sait, les bibliothèques n’en manquent pas.
En ce qui concerne les droits, la situation est plus complexe. Il faudrait laisser les juristes en débattre, mais on peut raisonnablement supposer que tous les auteurs et autrices ne seront pas ravis d’avoir leur travail mis à la disposition d’un bot interrogeable des millions de fois, sans limite de temps. Sans même parler du fait que ledit bot pourrait être exploité pour extraire directement le contenu d’ouvrages entiers par des utilisateurs pas forcément bienveillants.
On peut cependant faire du RAG en vectorisant non plus le document, mais la notice. C’est une bonne solution sur le papier, que l’on peut coupler à la recherche classique par mots-clés, voire compléter par des notices enrichies avec des LLM, si l’on veut parfaire la chose — et si l’on en a les moyens. Son adoption demeure toutefois assez peu probable.
Cette architecture crée des bots qui, n’ayant pas accès au contenu des documents, vont produire des réponses ressemblant peu ou prou à : « La réponse à la question que vous posez se trouve vraisemblablement dans tels et tels ouvrages. »
Un résultat utile en soi, mais qui ne résistera pas à la concurrence des systèmes agentiques des grands fournisseurs — Anthropic, OpenAI, Google, Moonshot, etc. — qui ne se priveront pas d’aller fouiller le web et ses bases de données afin d’indiquer : « La réponse à votre question est XXX, et voilà les sources sur lesquelles se baser. »
Le principal problème, vous l’aurez compris, est que la somme d’ouvrages physiques que les bibliothèques possèdent est fondamentalement inadaptée aux IA, et que le coût de traitement nécessaire pour mettre à disposition les connaissances qu’ils renferment est malheureusement hors de portée de leurs budgets.
Il ne faut pas espérer, à l’échelle d’une institution, pouvoir rattraper les performances des services proposés par des entités privées. Il serait vraisemblablement plus efficace de créer un service partagé par toutes les bibliothèques, universitaires ou non, et donnant accès aux mêmes résultats.
On pourrait envisager, par exemple, un modèle mixte capable de se connecter à des bases de données d’articles afin d’ancrer ses réponses, tout en recommandant ensuite les ouvrages abordant le même sujet.
Une solution de pis-aller consisterait à créer un serveur permettant aux bots commerciaux de fouiller le catalogue. C’est pratique et très peu coûteux, mais le rôle des institutions publiques ne devrait-il pas être de permettre au public de s’extraire des modèles commerciaux ?
Cédric Limousin est titulaire d’une formation universitaire en sciences humaines : après un passage par l’Éducation nationale, le monde des livres et la médiation numérique, il a complété son expertise avec une formation spécialisée en machine learning.
Depuis 2023, il accompagne entreprises, associations, collectivités et structures éducatives ou culturelles dans la compréhension des atouts et enjeux du machine learning et l’intégration des d’outils qui en sont issus dans leurs processus de travail : création de bots, déploiement d’agents, génération de bases de connaissance et manipulation de gros volume de données avec ou sans code informatique.
À travers ses interventions, il promeut l’esprit critique et l’Open Source.
Crédits illustration : Cédric Limousin
Par Auteur invité
Contact : contact@actualitte.com
Plus d'articles sur le même thème
Autres articles de la rubrique À la loupe
1 Commentaire
bs
25/06/2026 à 02:47
"Non, le RAG ne sauvera pas les catalogues des bibliothèques...'
Entre la vectorisation du contenu integral et celle des notices unimarc, il y a une voie intermédiaire, celle expérimentée par Bibliosurf : vectoriser un catalogue au contenu enrichie. Avec quelques euros et peu de compétences techniques, le résultat est plutôt bluffant.
Pour tester, il convient de rester dans le périmètre de la veille du site, soit les romans publiés depuis 2015. Le moteur ne sait pas répondre à toutes les questions, mais il connait ses limites et sait même proposer des réponses littéraires à des questions du type
"Pourquoi Trump est-il incompétent ?"