Pourquoi l'IA récupère-t-elle certaines sources et en ignore-t-elle d'autres ? — La couche d'autorité de récupération

Question

Pourquoi un système de recherche par IA choisit-il une source tout en ignorant une autre source qui semble traiter exactement du même sujet ?

La pertinence sémantique ne constitue qu'une partie de la réponse. Deux documents peuvent être également similaires à une requête tout en différant radicalement en termes d'autorité, de fraîcheur, de provenance, de portée, d'autorisations et d'applicabilité.

Cet article utilise le terme Couche d'Autorité de Récupération pour désigner la frontière de sélection des sources qui se situe entre la recherche d'informations potentiellement pertinentes et le traitement de ces informations comme des preuves appropriées.

Une Couche d'Autorité de Récupération est l'ensemble des règles de sélection des sources et des propriétés des sources qui déterminent quelles informations récupérables méritent de devenir des preuves pour une question particulière.— Définition de travail — un concept systémique utilisé dans cet article, et non un terme de recherche standardisé.

Ce que cela signifie vraiment

Un moteur de récupération répond à une question relativement étroite : Quels éléments semblent pertinents pour cette requête ?

Un système d'IA en production doit généralement répondre à une question plus difficile : Lesquels de ces éléments pertinents devraient être autorisés à influencer la réponse ?

Cette seconde question introduit l'identité de la source, la version, l'autorité, la période de validité, la provenance et la portée. Une ancienne politique pertinente, un article de blog copié ou un résumé non officiel peut obtenir un très bon classement tout en restant la mauvaise preuve pour la décision.

Question
   ↓
Retrieval Trigger
   ↓
Candidate Sources
   ↓
RETRIEVAL AUTHORITY LAYER
   ↓
Qualified Evidence
   ↓
Context / Reasoning
   ↓
Answer Validity Boundary
   ↓
Answer

Exemple le plus simple

Imaginez qu'un employé demande à un assistant d'entreprise : Combien de jours de vacances les employés reçoivent-ils ?

Les deux passages peuvent contenir une formulation presque identique. Un score de similarité peut donc les placer très proches l'un de l'autre.

Semantic relevance
        ≠
Source authority
        ≠
Applicability

La politique RH actuelle approuvée devrait normalement dominer car elle constitue la source de référence pour l'affirmation. L'ancien guide reste un texte pertinent, mais il ne devrait pas avoir le même poids probatoire.

Là où l'exemple cesse de fonctionner

L'autorité n'est pas toujours une hiérarchie universelle dans laquelle une source l'emporte à chaque fois.

Une base de données transactionnelle peut faire autorité pour le statut actuel d'une commande. Un manuel de produit peut faire autorité pour le fonctionnement prévu. Un contrat signé peut régir une obligation commerciale. Un article scientifique primaire peut être la meilleure source pour son expérience, tandis qu'une revue systématique ultérieure peut être plus solide pour une conclusion plus large.

L'autorité est donc relative à l'affirmation. La classe de source correcte dépend de ce qui est demandé.

Réponse directe

Une source devrait devenir une preuve de récupération préférée lorsqu'elle n'est pas seulement pertinente, mais aussi suffisamment faisant autorité, actuelle, applicable, traçable et accessible pour l'affirmation spécifique à laquelle elle répond.

Useful retrieval evidence
=
relevance
+ authority
+ provenance
+ freshness
+ applicability
+ accessibility

Ces propriétés ne garantissent pas la vérité. Elles créent une base plus solide pour décider quelle information récupérée mérite d'entrer dans le processus de raisonnement.

Pourquoi la similarité seule ne suffit pas

La récupération vectorielle est extrêmement utile car elle peut trouver des informations sémantiquement liées même lorsque la formulation diffère. Mais la similarité sémantique ne sait pas par elle-même si un document est obsolète, remplacé, non officiel, non autorisé ou valide pour une autre juridiction.

L'architecture RAG originale a montré comment une mémoire externe non paramétrique peut augmenter les connaissances du modèle. Les systèmes de production doivent ajouter des contrôles spécifiques à l'application autour de ce processus de récupération.

Les six signaux d'autorité

1. Identité de la source

Le système doit savoir ce qu'est réellement la source : politique, contrat, API, enregistrement de base de données, article de recherche, page de documentation, fichier utilisateur ou commentaire tiers.

2. Provenance

Les preuves doivent préserver leur origine, la manière dont elles sont entrées dans le système et quel objet ou document original peut être inspecté si l'affirmation est contestée.

3. Fraîcheur

La fraîcheur importe lorsque le fait sous-jacent change. Une réponse API actuelle et un article vieux de cinq ans peuvent être également pertinents pour les mots d'une requête, mais pas pour son exigence temporelle.

4. Applicabilité

Un fait peut être correct mais applicable à la mauvaise version de produit, pays, locataire, groupe de clients, contrat, version logicielle ou période.

5. Spécificité des preuves

Une preuve primaire qui soutient directement l'affirmation est généralement plus forte qu'une chaîne de résumés qui ne font que la répéter.

6. Légitimité de l'accès

Un document techniquement récupérable n'est pas nécessairement un contexte autorisé. L'autorité de récupération doit opérer dans les limites du locataire, des permissions, de la confidentialité et de la minimisation des données.

Un modèle d'autorité minimal

Un système pratique peut représenter ces propriétés explicitement plutôt que d'espérer que le classement par similarité les capture.

{
  "source": "hr-policy-6.2",
  "sourceType": "approved_policy",
  "effectiveFrom": "2026-01-01",
  "supersedes": "hr-policy-5.9",
  "jurisdiction": "DE",
  "authority": "primary",
  "accessScope": "employee",
  "provenance": "hr-policy-system"
}

Le récupérateur peut toujours utiliser la pertinence sémantique ou lexicale. La couche d'autorité ajoute des contraintes et des signaux de reclassement que la pertinence seule ne peut fournir.

Connexion à l'information prête pour les agents

Cela devient particulièrement important lorsque le consommateur n'est pas un humain lisant des documents mais un agent IA prenant des décisions.

Un objet d'information prêt pour les agents devrait préserver l'identité, la provenance, les conflits, les inconnues et les conditions de validité avant l'étape de récupération. Sinon, le système tente de reconstruire l'autorité après que l'information a déjà été aplatie en texte anonyme.

Méthode de diagnostic / décision

Pour chaque affirmation récupérée de grande valeur, posez six questions :

1. Quelle source exacte a produit cette preuve ?
2. Cette source fait-elle autorité pour ce type d'affirmation ?
3. L'information est-elle toujours d'actualité ?
4. S'applique-t-elle à cet utilisateur, cette version, cette juridiction et cette période ?
5. L'affirmation peut-elle être retracée jusqu'à la preuve originale ?
6. L'utilisateur ou l'agent était-il autorisé à la récupérer ?

Si le système ne peut pas répondre à ces questions, le problème n'est plus seulement la qualité de la récupération. C'est un problème de gouvernance des preuves.

Modes de défaillance courants

Le score de similarité le plus élevé l'emporte. Cela confond la proximité sémantique avec l'autorité probante.

La source la plus récente l'emporte toujours. Un commentaire plus récent peut être moins faisant autorité qu'un contrat ou une norme plus ancienne qui fait foi.

Officiel signifie universellement applicable. Une source officielle peut toujours appartenir à une autre juridiction, version ou portée.

Public signifie sûr à récupérer. Une information peut être publique mais inappropriée pour la tâche, tandis qu'une information privée peut être légitime uniquement dans un contexte autorisé.

Cas limite : sources faisant autorité en conflit

Le cas difficile n'est pas une source faisant autorité contre une source manifestement faible. C'est deux sources apparemment faisant autorité qui sont en désaccord.

À ce stade, la couche d'autorité devrait préserver le conflit au lieu de l'effondrer silencieusement en une seule réponse.

Retrieve
   ↓
Qualify source authority
   ↓
Detect conflict
   ↓
Preserve disagreement
   ↓
Reason about scope / version / provenance
   ↓
Answer only inside the supported boundary

Limites

La couche d'autorité de récupération est une architecture conceptuelle, pas un algorithme de classement universel.

Différents domaines nécessitent différents modèles d'autorité. Les données juridiques, scientifiques, commerciales, opérationnelles et personnelles ne peuvent pas toutes utiliser la même hiérarchie de sources.

Elle ne peut pas non plus garantir qu'un moteur de recherche externe ou un système d'IA classera la page d'un éditeur. Les systèmes de classement externes restent hors du contrôle de l'éditeur.

Qu'est-ce qui changerait cette réponse ?

Les systèmes de récupération peuvent de plus en plus apprendre automatiquement la fiabilité des sources, combiner la provenance structurée avec le classement neuronal et négocier l'accès via des protocoles d'agents.

Cela peut changer la façon dont les signaux d'autorité sont mis en œuvre. Cela ne supprime pas la distinction entre trouver une information pertinente et décider si cette information mérite un poids probant.

Conclusion

Le Déclencheur de Récupération répond : Ai-je besoin de preuves externes ?

La Couche d'Autorité de Récupération répond à la question suivante : Quelle source externe mérite de devenir une preuve ?

Model Knowledge
   ↓
Retrieval Trigger
   ↓
Candidate Sources
   ↓
Retrieval Authority Layer
   ↓
Qualified Evidence
   ↓
Reasoning
   ↓
Answer

Cette distinction fait passer le RAG de la récupération de documents vers la récupération contrôlée de preuves.

Sources Primaires

Patrick Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (2020).

Akari Asai et al., Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection (2023).

Soyeong Jeong et al., Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity (2024).