Interroger ses documents internes avec l'IA sans les envoyer aux États-Unis

Ce qu’est un RAG documentaire, sans jargon

Un assistant qui répond à partir de vos documents repose presque toujours sur la même mécanique, appelée RAG (retrieval-augmented generation, génération augmentée par la recherche). Elle se déroule en deux temps. D’abord l’indexation : vos procédures, contrats, notes techniques ou fiches produits sont découpés en passages de quelques paragraphes, puis chaque passage est converti en une suite de nombres qui représente son sens, appelée embedding. Ces vecteurs sont rangés dans une base dédiée. Ensuite la question : quand un collaborateur demande « quel est le délai de préavis dans le contrat du fournisseur X ? », la question est elle aussi convertie en vecteur, la base retrouve les passages les plus proches, et ces passages sont transmis au modèle de langage avec la consigne de répondre uniquement à partir d’eux, en citant ses sources.

Le modèle n’est pas entraîné sur vos documents : il les lit au moment de la question. En contrepartie, des extraits de vos documents circulent à chaque question. Savoir où ils circulent est la vraie question de souveraineté.

Où transitent réellement vos données

Quatre étapes, et chacune peut se dérouler à un endroit différent.

L’indexation. Les documents sont lus, découpés et stockés quelque part : sur votre serveur, chez un hébergeur, ou dans un service de base vectorielle en ligne. Une copie de travail de vos documents s’y trouve.

Le calcul des embeddings. Pour transformer chaque passage en vecteur, il faut un modèle. S’il est appelé par API chez un fournisseur, le texte intégral de chaque passage lui est envoyé, une fois à l’indexation puis à chaque mise à jour. On l’oublie souvent : même si le modèle qui rédige les réponses est hébergé chez vous, un modèle d’embeddings externe fait sortir l’ensemble du corpus. Les vecteurs eux-mêmes sont dérivés du texte ; traitez-les avec la même prudence que les documents d’origine.

La requête au modèle. À chaque question, le fournisseur reçoit la question du collaborateur et les passages retrouvés. Le volume est plus faible qu’à l’indexation, mais continu.

Les journaux. Côté fournisseur, les requêtes peuvent être conservées pour la surveillance des abus. Côté application, l’historique des conversations, les journaux techniques et les outils de supervision gardent aussi des copies. Chez OpenAI, la documentation indique que les journaux de surveillance des abus sont conservés jusqu’à 30 jours par défaut ; chez Mistral AI, les entrées et sorties de l’API sont conservées tant que la non-conservation n’est pas accordée, sur demande motivée et selon l’offre. Ces durées dépendent de l’offre souscrite et évoluent : vérifiez-les au moment du projet.

Trois options d’hébergement, trois niveaux de garantie

Le modèle exécuté sur votre serveur

Un modèle ouvert tourne sur une machine que vous contrôlez, dans vos locaux ou chez un hébergeur de votre choix, avec le modèle d’embeddings et la base vectorielle au même endroit. Ce que cela garantit : aucune donnée ne quitte votre périmètre, aucun fournisseur de modèle n’intervient, aucune question de transfert ne se pose pour cette partie du traitement. Ce que cela ne garantit pas : la sécurité de la machine elle-même, qui devient votre responsabilité. Si le serveur est chez un hébergeur, les questions de juridiction se reportent sur cet hébergeur.

Un fournisseur européen hébergé dans l’Union

Un éditeur établi dans l’Union européenne, qui exécute ses modèles sur des serveurs situés dans l’Union. Mistral AI, par exemple, indique dans sa documentation que les données sont hébergées dans l’Union européenne par défaut, sauf si vous utilisez explicitement son point d’accès américain. La même page précise que des données peuvent être temporairement transférées hors de l’Union vers certains sous-traitants listés, sous les garanties de l’article 46 du RGPD. Autre point à contrôler : selon l’offre, les données de l’API peuvent servir à l’entraînement tant que vous ne vous y êtes pas opposé (documentation Mistral). Ce que cela garantit : un cocontractant soumis au droit européen et un hébergement européen par défaut. Ce que cela ne garantit pas : l’absence de tout sous-traitant extra-européen, ni les réglages d’entraînement, qui dépendent de l’offre et doivent être vérifiés.

Un fournisseur américain avec une région européenne

OpenAI propose une résidence des données en Europe pour les projets API éligibles : les requêtes sont traitées dans la région, via un point d’accès dédié. Sa documentation précise que ce traitement régional suppose d’avoir obtenu la non-conservation des données ou un régime de surveillance modifié, que la région se choisit à la création d’un projet et ne s’applique pas aux projets existants, et que certaines fonctions restent limitées. Elle indique aussi que les données envoyées à l’API ne servent pas à l’entraînement, sauf accord explicite.

Ce que cela garantit : une localisation du stockage et du traitement en Europe, inscrite dans la configuration et le contrat. Ce que cela ne garantit pas : l’absence d’exposition au droit américain. Le CLOUD Act, adopté en 2018, permet aux autorités américaines d’exiger d’un fournisseur soumis à leur juridiction la communication de données qu’il contrôle, qu’elles soient stockées aux États-Unis ou ailleurs. L’article 48 du RGPD prévoit de son côté qu’une décision d’une autorité d’un pays tiers exigeant un transfert n’est reconnue ou exécutoire que si elle s’appuie sur un accord international, sans préjudice des autres motifs de transfert. Les deux textes peuvent donc entrer en conflit, et c’est le fournisseur qui se trouve au milieu. Le risque existe ; son ampleur dépend de la nature de vos données.

Et le Data Privacy Framework ?

Les transferts vers les entreprises américaines certifiées reposent aujourd’hui sur la décision d’adéquation (UE) 2023/1795 du 10 juillet 2023. Le Tribunal de l’Union européenne a rejeté le recours en annulation le 3 septembre 2025 (affaire T-553/23), mais un pourvoi déposé le 31 octobre 2025 est pendant devant la Cour de justice (affaire C-703/25 P). Les deux cadres précédents, Safe Harbor puis Privacy Shield, ont été invalidés par la Cour : ne faites pas reposer votre conformité uniquement sur celui-ci.

Pour les données les plus sensibles, l’ANSSI a créé la qualification SecNumCloud, qui vise notamment à protéger les données contre l’application de lois extraterritoriales. Vérifiez la liste des prestataires qualifiés plutôt que les mentions commerciales.

Le contrat, dans tous les cas

Quelle que soit l’option retenue pour un service externe, le fournisseur agit comme sous-traitant au sens de l’article 28 du RGPD. Le contrat doit notamment encadrer les instructions, la sécurité, le recours à d’autres sous-traitants et le sort des données en fin de contrat. Demandez la liste des sous-traitants ultérieurs et leur localisation. Si un transfert hors de l’Union reste possible, la CNIL détaille la démarche dans sa fiche comment identifier et traiter des transferts de données hors UE et dans son guide d’analyse d’impact des transferts.

Comment choisir

Le bon choix dépend des documents, pas d’une position de principe. Posez-vous quatre questions dans cet ordre.

1. Que contiennent les documents indexés ? Documentation produit publique, procédures internes, données personnelles de clients, dossiers soumis au secret professionnel ou données de santé n’appellent pas le même hébergement.
2. Qui pourrait légitimement exiger l’exécution sur site ? Un client grand compte, un donneur d’ordre, une obligation déontologique : ces exigences figurent souvent dans des contrats déjà signés.
3. Quel volume attendez-vous ? Quelques dizaines de questions par jour ne posent pas les contraintes de centaines d’utilisateurs simultanés.
4. Qui assurera la maintenance ? Un modèle sur site sans personne pour le mettre à jour devient vite un risque de sécurité.

Une architecture mixte est souvent la plus raisonnable : embeddings et base vectorielle chez vous, modèle de rédaction européen pour les corpus courants, modèle local pour le périmètre le plus sensible. Concevoir l’intégration pour que le modèle soit remplaçable permet de changer d’option sans tout réécrire.

Les limites à connaître avant de décider

La qualité. Les modèles ouverts exécutables sur un serveur raisonnable ont beaucoup progressé, mais restent en général en retrait des plus grands modèles commerciaux sur les raisonnements longs ou les documents mal structurés. Dans un RAG, l’écart se réduit, car la qualité dépend d’abord de la recherche. Testez sur vos propres questions avant de conclure.

Le coût matériel. Exécuter un modèle localement demande une carte graphique dimensionnée pour sa taille, ou un serveur loué équipé. L’investissement est fixe et se paie même les mois où personne ne pose de question, là où une API ne se paie qu’à l’usage. À l’échelle d’une PME, l’écart joue très largement en faveur de l’API : le modèle local se choisit pour ce qui ne doit pas sortir, pas pour économiser.

La maintenance. Mises à jour, surveillance, sauvegarde de la base vectorielle, réindexation : un assistant sur site est un service à exploiter, pas un logiciel installé une fois.

Les documents eux-mêmes. Aucun hébergement ne corrige un corpus où coexistent trois versions d’une même procédure. Le tri des sources qui font foi reste la première étape, quelle que soit l’option.

À retenir

• Dans un RAG, vos documents sortent à deux moments : au calcul des embeddings et à chaque question. Vérifiez les deux.
• Une région européenne chez un fournisseur américain localise les données, mais ne les soustrait pas au CLOUD Act.
• Le Data Privacy Framework est valide aujourd’hui, avec un pourvoi pendant : ne faites pas reposer votre conformité sur lui seul.
• Le contrat de sous-traitance, la liste des sous-traitants ultérieurs et les réglages de conservation comptent autant que le lieu d’hébergement.
• L’exécution sur site offre le plus de maîtrise, au prix du matériel et de la maintenance.

Pour la méthode que nous appliquons au cadrage de chaque projet, voir notre page IA souveraine et conforme au RGPD.