Conformité
Un RAG sur des données sensibles sans les exposer
Par François Castellani, fondateur de SIMGSOFT ·Publié le 1 septembre 2026 · Mis à jour le 17 octobre 2026 · 12 min de lecture
Réponse courte
Les quatre principes
- Filtrage
- À la source
- Protection par prompt
- Nulle
- Journal
- Obligatoire
- Décision
- Par finalité
Brancher un assistant sur les documents internes devient une évidence dès que l'on constate le temps passé à chercher une information. Le sujet se complique dès que ces documents contiennent des dossiers du personnel, des pièces contentieuses ou des données de santé : les mêmes gains d'efficacité s'accompagnent alors d'un risque de divulgation interne.
Le vrai risque n'est pas la mémorisation
La crainte spontanée porte sur le modèle : va-t-il retenir nos données ? Dans une architecture de recherche augmentée, ce n'est pas là que se situe le danger, puisque les documents sont fournis au moment de la question et non appris. Le risque réel est plus banal et bien plus fréquent : le système remonte à un utilisateur un extrait qu'il n'avait pas le droit de lire, parce que la recherche a été faite sans tenir compte de qui posait la question.
Un assistant documentaire mal cloisonné ne fuit pas vers l'extérieur : il fuit vers l'intérieur. C'est un problème d'habilitation, pas de modèle.
Filtrer à la recherche, jamais à la réponse
Le principe est simple à énoncer et systématiquement mal appliqué : le filtrage par droits doit s'exécuter au moment de la recherche, avant que le moindre extrait n'atteigne le modèle. Toute autre approche revient à demander au modèle de garder un secret qu'on vient de lui confier.
| Approche | Fonctionnement | Robustesse |
|---|---|---|
| Filtre à l'indexation | Un index séparé par population d'utilisateurs | Très bonne, coût de duplication |
| Filtre à la recherche | La requête porte les habilitations de l'utilisateur | Bonne, à condition qu'aucun chemin ne l'oublie |
| Filtre après recherche | On écarte les extraits interdits avant l'appel au modèle | Moyenne : la pertinence se dégrade, mais rien ne fuit |
| Consigne dans le prompt | On demande au modèle de ne pas divulguer | Nulle : contournable, et non auditable |
Le modèle d'habilitation utilisé doit être celui de l'application, pas un modèle parallèle créé pour l'assistant. Deux modèles finissent toujours par diverger, et c'est le plus permissif qui fait foi. Notre guide sur lesmodèles de droits et de rôles détaille la séparation entre permissions et périmètre de données, qui s'applique ici sans modification.
Minimiser ce qui entre dans le système
La meilleure protection reste de ne pas indexer ce qui n'a rien à faire là. Sur la plupart des corpus internes, une part importante des données personnelles est présente par accident : des pièces jointes oubliées, des exports de test, des copies de dossiers dans des dossiers partagés.
- Cartographier avant d'indexer. Quels répertoires, quels types de documents, quelles catégories de données. C'est aussi ce qui alimente le registre des traitements.
- Exclure par défaut. On indexe une liste de sources choisies, jamais un serveur de fichiers entier « pour voir ».
- Retirer ce qui n'est pas nécessaire à la finalité. Si l'assistant répond sur des procédures, les noms des personnes citées en exemple peuvent être remplacés.
- Fixer une durée. L'index et les journaux ont une durée de conservation, définie et appliquée automatiquement.
Choisir où les données passent
Trois architectures se rencontrent, et le choix se fait sur la sensibilité réelle du corpus plutôt que sur une préférence de principe. Chacune a un coût et une contrainte d'exploitation qu'il faut assumer.
| Architecture | Ce qui sort de chez vous | Quand la retenir |
|---|---|---|
| Service géré, modèle du fournisseur | Les extraits pertinents et la question | Corpus peu sensible, priorité au délai de mise en œuvre |
| Service géré en environnement dédié | Idem, avec engagements contractuels renforcés | Données confidentielles d'entreprise, sans catégorie particulière |
| Modèle hébergé par vos soins | Rien | Catégories particulières, contrainte réglementaire ou contractuelle forte |
L'auto-hébergement d'un modèle n'est pas gratuit : il déplace le coût vers l'infrastructure et l'exploitation, et il impose de suivre l'évolution des modèles par vos propres moyens. Il se justifie quand la nature des données l'exige, pas comme réflexe.
Traçabilité et preuve
Un assistant sur données sensibles doit pouvoir répondre à une question posée six mois plus tard : qui a eu accès à quoi, et par quel chemin. Cela suppose une journalisation pensée dès la conception, et elle-même encadrée.
- Identité du demandeur, horodatage, question posée.
- Identifiants des documents fournis au modèle, et non leur contenu.
- Réponse rendue, et sources citées.
- Durée de conservation du journal, et accès restreint à ce journal lui-même.
Ces éléments servent trois usages : instruire un incident, prouver le cloisonnement lors d'un contrôle, et alimenter le jeu d'évaluation avec les cas réels où le système a mal répondu. Ils s'inscrivent naturellement dans la documentation attendue par le règlement européen sur l'IA, qui valorise précisément la capacité à décrire ce que fait le système et sur quelles données.
Sources officielles
Textes et pages officielles consultés le 17 octobre 2026.
- Règlement (UE) 2016/679 (RGPD)
EUR-Lex, Journal officiel de l'Union européenne
Minimisation (art. 5, § 1, c), catégories particulières de données (art. 9), registre (art. 30), analyse d'impact (art. 35).
- Développement des systèmes d'IA : les recommandations de la CNIL pour respecter le RGPD
CNIL
Fiches sur l'AIPD, la minimisation et la protection dès la conception. Elles portent sur la phase de développement, et s'appliquent ici par analogie au déploiement d'un assistant.
Questions fréquentes
Dans une architecture de recherche augmentée, les documents ne servent pas à entraîner le modèle : ils sont fournis au moment de la question puis oubliés. Le risque de mémorisation concerne l'entraînement, qui n'a pas lieu ici. Vérifiez néanmoins contractuellement que votre fournisseur n'utilise pas vos requêtes pour améliorer ses modèles.
Cela dépend de l'usage. Pour un assistant qui doit répondre sur des dossiers nominatifs, l'anonymisation détruit la fonction. Pour un assistant documentaire sur des procédures, les données personnelles n'ont souvent rien à y faire et doivent être retirées à l'ingestion. La question se tranche par la finalité, pas par principe.
C'est un élément, pas une réponse complète. Ce qui compte est l'ensemble : localisation du traitement, sous-traitants ultérieurs, engagements contractuels sur la conservation des requêtes, et accès du personnel du fournisseur. Un service hébergé en Europe mais opéré par une entité soumise à des injonctions étrangères pose une question différente, qu'il faut instruire plutôt que trancher par un slogan.
En ne comptant jamais sur le modèle pour appliquer les droits. Si la recherche ne remonte que des documents autorisés pour cet utilisateur, aucune formulation habile ne fera apparaître ce qui n'a pas été fourni. Toute protection reposant sur une instruction de prompt est contournable.
Qui a demandé quoi, à quelle date, quels documents ont été fournis au modèle, et quelle réponse a été rendue. Cette journalisation est indispensable pour instruire un incident, et elle constitue elle-même un traitement de données à documenter, avec une durée de conservation limitée.
À lire ensuite
Besoin d'un avis sur votre cas ?
Décrivez votre contexte en trois lignes. On répond avec une estimation argumentée, pas un formulaire de qualification.
Poser la question →