Agents IA et données non structurées : le vrai défi

Un agent IA ne vaut que ce qu'il lit. Or l'essentiel du savoir d'une entreprise ne vit pas dans une base de données bien rangée : il dort dans des emails, des PDF, des transcripts d'appels, des notes éparses. Ces données non structurées sont le carburant réel d'un agent, et leur état conditionne directement la qualité de ses décisions. C'est le chantier que la plupart des équipes sous-estiment.

Pourquoi les données non structurées sont le vrai goulot d'étranglement

Quand un projet d'agent IA déçoit, le réflexe est d'accuser le modèle. Dans la grande majorité des cas, le problème est ailleurs : l'agent reçoit des informations bruitées, incomplètes ou contradictoires, et fait de son mieux avec ce qu'on lui donne.

Une donnée structurée tient dans des colonnes : un identifiant client, un montant, une date. Elle est facile à requêter et à vérifier. Une donnée non structurée, elle, mélange contexte, ton, intention et contenu sans champ prédéfini. Un email de relance contient une demande, une émotion, une date implicite et parfois trois sujets à la fois. C'est riche, mais illisible pour une machine qui n'a pas été préparée à le décoder.

Le piège, c'est que ce type de données représente souvent la part la plus utile du savoir interne : ce qui s'est dit en réunion, les engagements pris par email, les objections récurrentes dans les appels de vente. Tant que ce gisement reste brut, l'agent reste aveugle à ce qui compte vraiment.

Les grands types de données non structurées à ingérer

Chaque format a ses pièges propres. Les traiter de la même façon est la première erreur.

• Les emails. Riches en contexte relationnel, mais pollués par les signatures, les citations imbriquées, les fils à rallonge. Un même échange peut contenir dix répétitions du même message. Sans nettoyage, l'agent voit du volume là où il y a une seule information.
• Les PDF. Le format le plus trompeur. Un PDF "propre" à l'œil peut être un scan illisible par la machine, une mise en page sur deux colonnes qui mélange les phrases, ou un tableau d'image dont aucun chiffre n'est récupérable. La structure visuelle n'est pas la structure lue.
• Les transcripts d'appels et de réunions. Précieux pour capter la voix du client, mais truffés d'erreurs de transcription, de chevauchements de locuteurs et d'oralité ("euh", reprises, phrases inachevées). L'agent doit apprendre à séparer le signal du bavardage.
• Les notes et documents collaboratifs. Notion, docs partagés, wikis internes. Souvent à jour à un endroit et périmés à un autre. La même procédure peut exister en trois versions, et rien n'indique laquelle fait foi.
• Les messages de chat. Slack, Teams, support. Très courts, très contextuels, dépendants d'un fil. Une réponse isolée du fil ne veut rien dire.

Le point commun : aucune de ces sources n'est exploitable telle quelle. Chacune demande un traitement adapté à sa nature avant d'arriver dans l'agent.

Les défis concrets d'ingestion

Au-delà du format, trois problèmes de fond reviennent systématiquement.

1. Le bruit. Signatures, mentions légales, en-têtes répétés, contenu hors sujet. Tout ce qui n'apporte rien dilue le signal et augmente le risque que l'agent s'accroche à une information parasite.
2. La duplication et la contradiction. Le même fait apparaît dans plusieurs documents, parfois avec des valeurs différentes. Sans règle de priorité claire, l'agent peut piocher la version périmée aussi facilement que la bonne.
3. La fraîcheur. Une donnée non structurée vieillit mal. Un tarif noté dans un PDF de l'an dernier, une politique RH modifiée depuis : si rien ne signale que le document est obsolète, l'agent le traite comme vrai.

Ces trois problèmes ont un effet commun et insidieux : ils ne font pas planter l'agent, ils le rendent confiant dans une mauvaise réponse. C'est bien plus dangereux qu'une erreur visible.

Le découpage et l'extraction : là où tout se joue

Une fois la donnée nettoyée, il faut la rendre interrogeable. C'est l'étape la plus technique et la plus déterminante.

La plupart des architectures d'agent reposent sur la récupération de passages pertinents au moment de répondre, une approche que nous détaillons dans notre guide du RAG appliqué aux agents. Pour que cette récupération fonctionne, les documents doivent être découpés en morceaux cohérents : ni trop gros, sinon l'agent reçoit une bouillie de sujets mélangés, ni trop petits, sinon le passage perd son contexte et devient inutilisable.

Le bon découpage respecte la logique du document : un paragraphe, une section, un échange complet. Couper une clause de contrat en plein milieu, ou séparer une question de sa réponse dans un transcript, suffit à rendre le passage trompeur. C'est un travail d'orfèvre, propre à chaque type de source.

L'extraction structurée complète l'approche : repérer dans un texte libre les éléments réellement actionnables (un montant, une échéance, un nom de client, une décision) et les transformer en champs exploitables. Un agent qui sait extraire "engagement de livraison le 15" d'un email vaut bien plus qu'un agent qui ne fait que retrouver l'email entier.

Certaines sources demandent en plus une lecture multimodale : un PDF avec des schémas, une capture d'écran, un tableau en image. C'est un sujet à part entière, que nous abordons dans notre article sur les agents IA multimodaux.

Comment savoir si vos données sont prêtes

Inutile de viser la perfection avant de tester. La bonne méthode est inverse : confrontez vite l'agent à la réalité.

• Préparez dix questions dont vous connaissez déjà la réponse exacte, couvrant vos cas les plus fréquents.
• Posez-les à l'agent et observez non seulement la réponse, mais la source citée.
• Notez chaque écart : réponse fausse, source confondue, document périmé pris pour vrai, invention pure.

Si l'agent cite la bonne source neuf fois sur dix, votre corpus tient. S'il hésite ou hallucine, le problème est presque toujours dans l'ingestion : un document mal découpé, une source obsolète non écartée, un bruit non nettoyé. Le réflexe de monter en gamme de modèle est rarement la solution ; corriger les données l'est presque toujours.

Cette discipline rejoint un principe plus large que nous développons dans notre article sur la préparation des données pour un agent IA : un périmètre restreint, à jour et propre bat toujours un volume large et brut.

La prochaine étape concrète

Ne lancez pas un grand projet d'ingestion à l'aveugle. Commencez par cartographier vos sources : listez les cinq types de documents que votre agent devra réellement consulter pour les tâches que vous voulez automatiser, et rien de plus. Pour chacun, identifiez son principal défaut (bruit, scans illisibles, versions multiples) et la règle de fraîcheur qui dit lequel fait foi.

Une fois cette carte en main, traitez une seule source de bout en bout, branchez l'agent dessus, et faites tourner le test des dix questions. Vous apprendrez plus en une journée sur un périmètre serré qu'en un mois à tout ingérer en gros. La qualité d'un agent se construit source par source, pas en un seul versement.

Questions fréquentes

Qu'est-ce qu'une donnée non structurée pour un agent IA ?

Une donnée non structurée est une information qui ne tient pas dans des colonnes propres : un email, un PDF, un transcript d'appel, une note Notion, un message Slack. À l'inverse d'une ligne de base de données, elle mélange le contexte, le ton et le contenu sans champ prédéfini. C'est précisément là que vit la majorité du savoir d'une entreprise, et c'est ce qu'un agent doit apprendre à lire pour agir.

Pourquoi les données non structurées posent-elles problème aux agents ?

Parce qu'elles sont bruitées, incohérentes et souvent dupliquées. Un même fait peut apparaître dans trois formats contradictoires, un PDF scanné peut être illisible, un transcript peut être truffé d'erreurs de transcription. L'agent ne distingue pas seul le vrai du périmé, donc la qualité de l'ingestion conditionne directement la fiabilité de ce qu'il produit.

Faut-il tout ingérer pour qu'un agent soit performant ?

Non, c'est même contre-productif. Plus le volume injecté est large, plus le bruit augmente et plus l'agent se trompe de source. Mieux vaut un corpus restreint, à jour et pertinent qu'une décharge de fichiers. Sélectionnez d'abord les documents qui répondent réellement aux questions que vous voulez automatiser.

Comment savoir si mes données non structurées sont prêtes ?

Posez à l'agent dix questions dont vous connaissez déjà la réponse. S'il cite la bonne source, sans inventer ni confondre deux documents, votre corpus tient la route. S'il hésite ou hallucine, le problème vient presque toujours de l'ingestion, pas du modèle. Cette évaluation simple révèle l'état réel de vos données avant tout déploiement.