Votre chatbot hallucine, votre RAG répond à côté de la plaque, votre agent ne termine jamais ses tâches avec succès.
Vous vous dites qu’il vous faut un modèle plus performant, que vos prompts sont mal rédigés, mais il n’y a rien à faire. Les résultats ne sont toujours pas à la hauteur. Alors vous commencez à perdre confiance en l’IA… sauf que le problème est ailleurs.
Vous n’avez pas un problème d’intelligence artificielle, vous avez un problème d’architecture de l’information qui refait surface pile poil au moment où vous avez décidé de passer à l’intelligence artificielle. Un modèle, aussi performant soit-il, pioche ses réponses dans le tas de contenus que votre organisation a empilés depuis des années et que, malheureusement, personne n’a jamais accepté d’organiser.
L’intelligence artificielle et l’architecture de l’information sont complémentaires
L’architecture de l’information
Le titre de cet article joue sur l’ambiguïté suivante : en français, IA désigne l’intelligence artificielle ; en anglais, IA désigne l’architecture de l’information (« information architecture »). L’architecture de l’information organise, structure, nomme et relie les contenus pour que l’information soit trouvable et compréhensible. Par des humains jusqu’ici, par des humains et des machines demain.
L’ouvrage de référence du domaine, signé Louis Rosenfeld, Peter Morville et Jorge Arango, décompose l’architecture de l’information en trois systèmes :
les schémas d’organisation (comment on regroupe) ;
les systèmes d’étiquetage (comment on nomme) ;
les systèmes de navigation et de recherche (comment on retrouve).
Le concept pivot est la « findability » (la « retrouvabilité »), la capacité d’une information à être retrouvée par quiconque la cherche.
La 4e édition (2015) du « livre à l’ours polaire », ouvrage de référence de l’architecture de l’information. Source : O’Reilly Media.
Pour la définition complète du métier et de son quotidien, nous vous invitons également à poursuivre votre lecture sur le métier d’architecte de l’information.
Mais revenons à notre sujet. Chaque échec de l’implémentation de l’IA viendrait donc d’un manque d’architecture de l’information.
En tout cas, c’est le point de vue de Patrick Neeman, designer UX et AI builder chez Workday, auteur de l’ouvrage uxGPT, dans son article publié en juillet 2026 sur UX Collective. Les hallucinations, les mauvaises réponses, les agents qui déconnent (avec un certain aplomb parfois) remontent tous aux projets de structuration que l’organisation n’a jamais financés. C’est juste que, désormais, les projets IA rendent ces manquements visibles.
Une mauvaise architecture de l’information se payait autrefois avec des utilisateurs qui devaient fournir un effort plus important pour apprendre à se servir d’un outil ou d’une plateforme numérique. Ce sont des frictions diffuses dont l’impact était difficilement quantifiable. Elle se paie désormais en tokens gaspillés, en projets abandonnés et en perte de compétitivité.
Pourquoi vos systèmes d’IA héritent de votre désordre documentaire
Le RAG (Retrieval Augmented Generation) est le reflet de votre GED (gestion électronique documentaire)
Le RAG a été formalisé par Patrick Lewis (University College London et Facebook AI Research) et ses coauteurs en 2020. Le principe : au lieu de répondre depuis sa mémoire d’entraînement, le modèle va chercher des extraits dans une base documentaire et fonde sa réponse à partir de ces documents. L’architecture a été conçue précisément pour deux besoins, mettre à jour les connaissances sans réentraîner, et permettre à l’utilisateur de vérifier les sources d’une réponse fournie par un LLM. Nous en avons détaillé le fonctionnement dans notre article sur le RAG appliqué à l’UX research.
Le système hérite de chaque défaut des dossiers et du formatage des documents dans lesquels il pioche. Face à des documents non typés et contradictoires, le moteur de récupération ne remonte pas le passage le plus juste ni le plus récent, il remonte le plus proche de la question au sens statistique. Un brouillon abandonné qui reprend le vocabulaire exact de l’utilisateur battra une note officielle mieux écrite mais formulée autrement.
Structurer le contenu réduit les échecs de moitié
Le résultat le plus parlant vient d’Anthropic, qui a publié en septembre 2024 une méthode baptisée « contextual retrieval ». Elle consiste à ajouter cinquante à cent tokens de contexte explicite à chaque fragment avant de l’indexer, une phrase qui rappelle de quel document il provient et de quoi il traite. Le gain est net : 35 % d’échecs de récupération en moins. Combinée à une recherche lexicale enrichie, la baisse atteint 49 %, puis 67 % en ajoutant une étape de reclassement des résultats.
Le prétraitement contextual retrieval : pour chaque fragment, Claude rédige 50 à 100 tokens qui le situent dans son document, puis ce contexte est ajouté au fragment avant l’indexation vectorielle et lexicale. Source : Anthropic, « Introducing Contextual Retrieval » (septembre 2024).
Taux moyen d’échecs de récupération (top 20) : de 5,7 % en recherche vectorielle classique à 1,9 % avec contexte ajouté, recherche lexicale BM25 et reclassement. Source : Anthropic, « Introducing Contextual Retrieval » (septembre 2024).
Le modèle n’a pas changé, la base vectorielle non plus. Seul le contenu a été travaillé, en y ajoutant une surcouche de contexte. Contextualiser un fragment, nommer ce qu’il est et d’où il vient, c’est de l’architecture de l’information appliquée à un corpus.
Le lexique de l’architecture de l’information : taxonomie, ontologie, knowledge graph, semantic layer
| Terme | Ce que c’est | Exemple |
|---|---|---|
| Taxonomie et vocabulaire contrôlé | Le squelette hiérarchique et la liste des termes autorisés | Ramener « annulé », « clôturé » et « résilié » à un seul terme officiel |
| Ontologie | Les types d’objets et les relations autorisées entre eux | « Tout contrat est rattaché à un client, qui possède une adresse » |
| Knowledge graph | L’instanciation requêtable de cette ontologie sur vos données réelles | Le graphe qui sait que le contrat 4412 appartient au client Dupont |
| Semantic layer | La traduction des schémas techniques en concepts métier au moment de la requête | Faire correspondre la table cust_rev_q à la notion de « chiffre d’affaires client » |
« Information Architecture: 3 Key Models » : le NNg distingue la navigation, la taxonomie et la structure complète d’architecture de l’information (mars 2023). Source : Nielsen Norman Group, YouTube.
Les échecs d’une mauvaise architecture de l’information
Moffatt contre Air Canada : le chatbot condamné au tribunal
En novembre 2022, un client endeuillé interroge le chatbot d’Air Canada sur le tarif deuil. Le chatbot lui répond qu’il peut réserver au plein tarif et demander le remboursement partiel dans les quatre-vingt-dix jours. La page officielle de la compagnie, que le chatbot liait lui-même, disait exactement l’inverse : la demande doit être faite avant le voyage. Refus de remboursement, litige, et le 14 février 2024 le Civil Resolution Tribunal de Colombie-Britannique condamne Air Canada à 650,88 dollars canadiens pour déclaration inexacte par négligence. L’argument de la compagnie, selon lequel le chatbot serait une entité distincte responsable de ses propos, est rejeté sans ménagement.
La lecture architecture de l’information est plus intéressante que la lecture juridique. Deux contenus du même site disaient le contraire l’un de l’autre, et rien dans le système ne désignait la source faisant autorité.
Le Chevrolet Tahoe à un dollar : l’agent sans garde-fous
Décembre 2023. Un internaute s’amuse avec le chatbot d’un concessionnaire Chevrolet, basé sur ChatGPT, et lui fait accepter en quelques messages la vente d’un Tahoe de 76 000 dollars pour un dollar, avec la mention « offre juridiquement contraignante ». L’échange n’avait aucune valeur contractuelle, mais le service a été désactivé en urgence et la capture d’écran a fait le tour du monde.
La colle sur la pizza : quand rien ne distingue une source d’une blague
Mai 2024, lancement des AI Overviews de Google. Le moteur recommande d’ajouter un huitième de tasse de colle non toxique à la sauce tomate pour faire tenir le fromage sur la pizza. L’origine a été tracée : un commentaire ironique publié onze ans plus tôt sur Reddit, ingéré sans aucun signal de fiabilité, d’intention ou de fraîcheur. Google a reconnu publiquement la défaillance dans les jours qui ont suivi.
La morale de ces histoires, c’est que le typage du contenu :
officiel ou anecdotique
à jour ou périmé
sérieux ou satirique
permet aux IA d’être plus pertinentes dans leurs réponses.
La revanche d’une discipline que personne ne finançait
De Wurman au livre à l’ours polaire
Richard Saul Wurman forge le terme en 1976, bien avant de fonder TED : l’architecte de l’information organise les motifs inhérents aux données pour rendre clair ce qui est complexe. Les sciences de l’information codifient la pratique dans les années 1990, et en 1998 Rosenfeld et Morville publient l’ouvrage que la profession surnomme le livre à l’ours polaire, complété par Jorge Arango en 2015. La discipline avait donc ses fondations théoriques vingt ans avant que quiconque parle de RAG.
Les années 2010 : absorbée par l’UX design
Le déclin est documenté par les praticiens eux-mêmes, notamment Vicky Teinaki. Les postes d’architecte de l’information disparaissent des organigrammes, absorbés par l’intitulé UX designer. Les méthodes agiles privilégient ce qui se livre en deux semaines sur un travail de structuration lent, transversal et politique. L’Information Architecture Institute ferme en 2019.
La cause est économique avant d’être intellectuelle. Un travail invisible dont les échecs ne se mesurent pas ne gagne jamais un arbitrage budgétaire. Vingt ans de dette structurelle se sont accumulés exactement de cette façon, un ticket non priorisé à la fois.
Le retour, financé par l’IA
Le paradoxe qui structure ce sujet est là : c’est l’intelligence artificielle qui remet l’architecture de l’information au budget. Jorge Arango plaide pour un retour aux premiers principes face aux modèles de langage, Neeman documente le même constat côté produit, et les conférences du domaine ont retrouvé une audience qu’elles avaient perdue.
Ce qui a changé n’est pas l’argument, c’est son unité de mesure. Une taxonomie déficiente ne coûte plus un clic manqué, elle coûte un projet stratégique qui échoue et un budget d’inférence dépensé pour rien. L’argument moral, selon lequel la findability serait une bonne chose, a perdu pendant vingt ans. L’argument comptable est en train de gagner.
Les méthodes UX qui deviennent de l’infrastructure IA
Tri de cartes et tree testing : organiser un corpus, pas seulement un menu
Le geste est rigoureusement le même que pour un menu de site : faire émerger les catégories mentales des utilisateurs par la recherche utilisateur, stabiliser les conventions de nommage, valider une arborescence auprès de vrais gens. Appliqué à une base de connaissances destinée à un système de récupération, le tri de cartes définit la taxonomie de métadonnées avant toute vectorisation, c’est-à-dire au seul moment où c’est encore économique.
Ce savoir-faire d’atelier, longtemps considéré comme un raffinement de conception, devient un prérequis d’ingénierie. Les équipes qui l’ont pratiqué savent déjà faire ce que leurs collègues data découvrent sous le nom de gouvernance sémantique, et c’est le sens de notre formation aux workflows IA appliqués à l’UX research.
OOUX : des objets métier aux ontologies
L’Object-Oriented UX formalisée par Sophia Prater et son processus ORCA, pour objets, relations, capacités et attributs, poursuit exactement le même objectif qu’une ontologie : expliciter les objets d’un domaine, leurs propriétés et les relations autorisées entre eux. Un designer qui a mené un atelier OOUX a produit une pré-ontologie, même s’il ne l’a jamais appelée ainsi.
Le rapprochement n’est pas théorique. Des équipes produit s’appuient sur une modélisation OOUX des objets métier avant de concevoir une plateforme d’orchestration de modèles, pour donner au système une définition stable de ce dont il parle. Les gains revendiqués dans ces retours d’expérience sont à prendre avec précaution, car ils sont auto-publiés et non contrôlés ; la démarche, elle, est solide, et nous la documentons dans notre article sur la méthode OOUX.
Typage de contenu et content ops : la gouvernance éditoriale comme prérequis
Michael Andrews, qui suit le sujet du côté de la stratégie de contenu, résume l’équilibre à tenir. Sans modèle de contenu ni typage strict, un système d’IA échoue de façon systémique, puisqu’il ne sait pas ce qu’il manipule. Sur-structuré à l’inverse, le contenu devient rigide et bride la génération. Le point d’équilibre est un arbitrage éditorial, pas un réglage technique, et il relève des mêmes compétences que l’UX writing.
Une remarque au passage, qui intéressera les équipes marketing : les moteurs génératifs citent d’autant mieux un contenu que ses entités sont explicites et ses blocs de réponse autonomes. Structurer pour son RAG interne et structurer pour être cité par ChatGPT relèvent du même geste.
Quand le modèle est vraiment le problème
Diagnostiquer avant d’acheter
Parfois le modèle est bien le maillon faible : raisonnement insuffisant sur une tâche complexe, consigne système mal écrite, format de sortie mal contraint. On ne le sait qu’en traçant ce que le système a réellement récupéré avant de répondre.
Les cadres d’évaluation comme Ragas séparent d’ailleurs explicitement les deux mesures, la qualité de la récupération d’un côté (précision et rappel du contexte), la qualité de la génération de l’autre (fidélité aux extraits, pertinence de la réponse). Cette séparation est encore trop rarement instrumentée en production, alors qu’elle est la seule façon de savoir ce que l’on doit corriger. La méthode de diagnostic tient en trois étapes : prendre une mauvaise réponse, remonter aux passages récupérés, aller voir la source. Le plus souvent, le modèle avait fait son travail sur ce qu’on lui avait donné.
« Les fenêtres longues vont régler ça »
L’objection est fréquente : avec des fenêtres de contexte de plusieurs millions de tokens, pourquoi continuer à structurer ? Il suffirait de tout donner au modèle. La littérature répond depuis 2023, avec l’étude de Nelson Liu et ses coauteurs à Stanford sur le phénomène du lost in the middle : l’attention des modèles suit une courbe en U, l’information placée au milieu d’un long contexte est massivement moins utilisée que celle du début ou de la fin. Agrandir la fenêtre agrandit aussi l’angle mort.
Précision de gpt-3.5-turbo selon la position du bon document parmi 20 : au milieu de la liste, elle tombe sous le score obtenu sans aucun document (ligne pointillée, 56 %). Source : Liu et al., « Lost in the Middle », arXiv (2023).
Les architectures matures ne choisissent pas, elles combinent : la récupération, structurée par une vraie architecture de l’information, sélectionne ce qui compte ; la fenêtre longue l’analyse en profondeur. Le bibliothécaire et la salle de lecture, pas l’un contre l’autre.
Par où commencer
Auditez ce que l’IA récupère, pas seulement ce qu’elle répond. La logique est celle de n’importe quel audit UX. Prenez dix mauvaises réponses avérées et remontez chacune jusqu’à sa source : vous y trouverez, presque à chaque fois, un contenu périmé, dupliqué ou mal étiqueté que rien ne signalait comme tel.
Établissez un Golden Data Set de 100 questions dont vous connaissez parfaitement les réponses et les sources. Ne donnez surtout pas accès à ces questions ni à leurs réponses à votre RAG : c’est votre jeu de test, et il vous permettra de mesurer sa fiabilité dans le temps. Vous pouvez le structurer en clusters thématiques ou en échelle de difficulté, les questions les plus simples numérotées de 0 à 10 et les plus difficiles entre 80 et 100. Vous suivez ainsi la santé de votre RAG au fur et à mesure que vous améliorez votre architecture de l’information.
Typez le contenu avant de l’indexer. Marquez l’officiel, le courant, le canonique, et surtout le périmé, le brouillon et l’anecdotique. C’est ce marquage, et non la taille du modèle, qui a manqué à Air Canada et aux AI Overviews.
Corrigez la taxonomie.
Donnez à vos agents un modèle explicite de relations et de permissions, au même titre que les autres règles de conception d’un produit IA.
Ces chantiers relèvent autant d’une stratégie UX que de l’ingénierie : ils décident comment l’information est nommée, reliée et rendue accessible.
