Assistant juridique RAG pour cabinet d'avocats

Les collaborateurs passaient en moyenne 15 minutes par recherche documentaire, plusieurs fois par jour, sur une base de 200 000 documents (jurisprudence, contrats, notes internes, doctrine).

Le cabinet est soumis au secret professionnel : aucune fuite possible, données hébergées en France, traçabilité complète des requêtes.

Les premières tentatives avec ChatGPT avaient montré des hallucinations inacceptables (jurisprudence inventée) — un RAG sérieux était indispensable.

La qualité de la récupération devait dépasser 90 % sur les requêtes métier — le cabinet refusait toute réponse non sourcée.

RAG multi-étages : chunking sémantique, embeddings (Cohere multilingual v3), vector store pgvector, hybrid search (BM25 + dense), reranker cross-encoder, citation obligatoire.

Modèle : Mistral Large auto-hébergé sur VCE Scaleway (confidentialité totale, zero data retention). Fallback vers plus petit modèle pour les requêtes simples (économie de coût).

Pipeline d'évaluation continu : 500 questions de référence, métriques (recall@5, citation accuracy, hallucination rate, latence p95). Dashboard Langfuse pour analyser chaque requête.

Interface Next.js avec thread de conversation, citations cliquables, mode brouillon (sans envoi au modèle) pour les documents ultra-sensibles.

Audit RGPD complet : AIPD, base légale, minimisation, droit d'effacement, journalisation anonymisée des requêtes.

Temps de recherche moyen : 15 min → 1 min 45 (-88 %). Adoption 100 % des collaborateurs en 3 semaines.

Taux d'hallucination mesuré : 1,7 % (vs ~30 % pour ChatGPT non-RAG sur le même corpus).

Citation accuracy : 96,3 % — toute réponse est sourcée, vérifiable, et le collègue peut cliquer vers le document original.

Coût marginal : 0,12 € en moyenne par requête (vs 12 € de temps collaborateur économisé). ROI sous 5 mois.