Chatbot facture électronique pour experts-comptables : un assistant IA sur les textes officiels

Architecture technique

Le chatbot repose sur une architecture RAG (Retrieval-Augmented Generation) classique mais rigoureuse. Quand un utilisateur pose une question, le système recherche d'abord les passages les plus pertinents dans la base de connaissances via une recherche vectorielle (embeddings). Ces passages sont ensuite injectés dans le prompt du LLM, qui génère une réponse synthétique et sourcée. Le LLM ne répond jamais « de tête », uniquement à partir des documents officiels.

Stack technique

Choix techniques et justifications

Pourquoi du RAG plutôt que du fine-tuning ? Parce que la réglementation évolue. Un modèle fine-tuné est figé au moment de son entraînement, et il faut le ré-entraîner à chaque mise à jour. Avec le RAG, il suffit de mettre à jour les documents dans la base vectorielle. La réponse reflète immédiatement la dernière version du texte. C'est aussi plus transparent : chaque réponse peut citer le passage exact dont elle est issue, ce qui est essentiel pour un usage professionnel en expertise comptable.

Pourquoi Claude Haiku ? Sur un corpus réglementaire français, Claude excelle en compréhension fine et en synthèse fidèle au texte source. Haiku, le modèle le plus rapide et le moins coûteux de la gamme Anthropic, offre une précision suffisante pour ce cas d'usage tout en maintenant des coûts d'API compatibles avec un usage à fort volume. L'architecture multi-fournisseurs permet de tester d'autres modèles (Mistral, GPT) sans modifier le code applicatif.

Neutralité et indépendance

Le chatbot est indépendant de tout éditeur de logiciel comptable. Il ne recommande aucune PDP, aucun outil, aucune solution commerciale. Il répond à partir des textes officiels, point. Cette neutralité est un choix délibéré : un expert-comptable doit pouvoir faire confiance à l'outil sans se demander s'il est orienté vers un produit particulier. C'est ce qui distingue ce chatbot des assistants IA proposés par les éditeurs de logiciels, qui mélangent inévitablement information réglementaire et promotion de leur solution.

Méthode et durée du projet

Le projet a demandé une vingtaine d'heures de travail sur deux semaines, de la phase de développement jusqu'à la mise en production. La majeure partie du temps n'a pas été consacrée au code, mais à la recherche et au fact-checking des sources : identifier les textes officiels de référence, vérifier leur version en vigueur, structurer le corpus pour que le RAG fonctionne avec précision. C'est une réalité souvent sous-estimée dans les projets de chatbot IA sur mesure : la qualité des réponses dépend d'abord de la qualité des sources, pas de la puissance du modèle.

La qualité du corpus fait 80 % du résultat

Le réflexe naturel est de se concentrer sur le choix du LLM ou le tuning des prompts. En réalité, la majorité du travail (et de la valeur) se situe en amont : trouver les bonnes sources, les structurer correctement, les découper en chunks pertinents pour le RAG. Un corpus bien préparé avec un modèle moyen donne de meilleurs résultats qu'un corpus approximatif avec le meilleur modèle du marché.

Les sources officielles sont dispersées et pas toujours cohérentes

La réglementation sur la facture électronique est répartie entre plusieurs sites (DGFiP, BOFiP, impots.gouv.fr, AIFE), avec des versions qui se chevauchent et des mises à jour non signalées. Identifier la version en vigueur d'un texte demande un travail de vérification méthodique. C'est exactement le type de problème que le RAG résout ensuite pour l'utilisateur final, mais il faut d'abord le résoudre soi-même en amont.

Claude Haiku est sous-estimé pour le RAG

Sur ce cas d'usage (synthèse de passages réglementaires injectés en contexte), Haiku produit des réponses d'une qualité comparable aux modèles plus lourds, à une fraction du coût. La clé : des prompts bien structurés et des chunks de bonne qualité. Le modèle n'a pas besoin d'être « intelligent » : il doit être fidèle au texte source. Haiku excelle dans ce rôle.