Ariane

Question légitime. Ce n'est pas une question de qualité, mais de stratégie et de responsabilité. Six raisons de rester chez nous :

• Responsabilité éditoriale — Reworld est éditeur. Si le chatbot cite Le Monde et que Le Monde se trompe, c'est notre site qui prend. En restant sur notre corpus, on maîtrise la source.
• Droits d'auteur — réutiliser du contenu externe = risque juridique + licences à négocier. Notre corpus = 100% propriétaire, zéro risque.
• Driver de trafic — l'intérêt est de renvoyer vers nos articles (pages vues, pub display). Si le chatbot cite Le Monde, le lecteur clique vers Le Monde. Absurde.
• Ton éditorial — Modes & Travaux parle d'une certaine manière. Si on nourrit le chatbot avec Le Monde, il répond comme Le Monde. Le lecteur ne vient pas pour ça.
• "Pas les plus sérieux" est un faux problème — sur leur thématique, nos titres sont largement crédibles. 70 ans d'articles Modes & Travaux sur la maison, personne n'a un corpus plus profond.
• Différenciation vs ChatGPT / Gemini — si on répond comme ChatGPT, autant que le lecteur ouvre ChatGPT. Notre valeur = c'est le chatbot de Modes & Travaux.

Oui. On joue sur un spectre, pas sur du tout-ou-rien. Le prompt distingue trois types de questions :

• Fait général évident, dans notre thématique — ex. "à quelle saison tombent les feuilles ?" → Gemini répond de sa connaissance, brièvement, sans forcer une citation.
• Conseil, recommandation, chiffre précis — ex. "quels rideaux thermiques pour 30€ ?" → obligatoirement grounded sur notre corpus, avec source citée.
• Hors thématique — ex. "Trump ou Obama ?" → refus poli.

Les LLM modernes suivent bien ce genre d'instruction nuancée. C'est ce qui permet d'avoir un chatbot utile, pas juste un mur de "désolé".

On ne fait PAS une liste de mots-clés bêtes. Trop fragile (cf. "Trump Tower" ≠ "Trump"). On combine trois approches plus malignes :

• Un mini classifier sémantique — un petit LLM rapide et pas cher (type Gemini Flash) qui lit la question et la classe en in-scope / out-of-scope selon le contexte. Il comprend la différence entre un bâtiment et un politique.
• Le RAG lui-même fait office de filtre — si on cherche "Trump ou Obama ?" dans le corpus Modes & Travaux, on ne trouve rien → on sait que c'est hors scope.
• Une taxonomie par site — chaque site a ses propres règles de périmètre, définies avec l'équipe éditoriale et modifiables sans passer par la tech.

Non, justement — grâce aux règles par site et à la compréhension sémantique.

• "Cancer" sur Doctissimo → le corpus Doctissimo contient des milliers d'articles santé / oncologie. Le RAG les remonte, le prompt Doctissimo autorise le sujet (avec un disclaimer "ceci n'est pas un avis médical, consultez un professionnel"), le chatbot répond normalement.
• "Trump Tower" sur Modes & Travaux → le classifier sémantique comprend que le sujet est l'architecture. Si on a un article sur ce bâtiment, on répond. Sinon, on refuse — mais pour "pas d'article chez nous", pas pour "sujet politique".

Le périmètre est défini par site. Ce qui est banni chez M&T peut être au cœur du métier de Doctissimo.

Un peu, au démarrage, oui. Taux typique : 2-5% de faux refus les premières semaines, puis sous 1% après 2-3 mois d'ajustements.

La méthode :

• On sample les conversations chaque semaine (lecture humaine d'un échantillon).
• On identifie les faux refus (questions qu'on aurait dû traiter).
• On ajuste le prompt et le classifier en conséquence, sans passer par un déploiement tech (le prompt est géré via LLPR, accessible à l'équipe éditoriale).

Principe : il vaut mieux refuser à tort (agaçant mais pas grave) que répondre à tort (catastrophe RP). Et ça s'affine continuellement.

Avec une technique simple appelée embeddings — pas du LLM, très rapide, très peu cher.

1. À l'indexation (une fois) — chaque paragraphe d'article est transformé en un vecteur : une liste de chiffres qui représente son "sens". Ces vecteurs sont stockés dans une base spécialisée (vector DB).
2. À chaque question — on transforme la question en vecteur de la même façon.
3. On compare — une formule mathématique simple (cosinus) identifie les vecteurs les plus proches. Les passages les plus proches = les plus pertinents.

C'est très rapide (quelques millisecondes) et très peu coûteux (~100× moins cher qu'un appel LLM). Aucun besoin de LLM à cette étape. Outils possibles : Qdrant, Pinecone, pgvector — à arbitrer avec la stack existante.

Trois sujets, tous gérables :

• Stockage des conversations — on s'appuie sur la CMP existante des sites pour le consentement, durée de rétention limitée (ex. 30 jours), anonymisation par défaut.
• LLM utilisé — on peut utiliser Gemini (Google) ou OpenAI ou Anthropic. Hébergement Europe possible via Vertex AI ou Azure OpenAI pour la conformité DPO.
• Responsabilité éditoriale — portée par l'éditeur du site, comme pour le reste du contenu publié.

À valider en détail avec notre DPO au moment du cadrage légal.

Trois étapes, automatisables :

• 1. Indexation — le site alimente déjà adn_post, donc ses articles arrivent automatiquement dans le corpus.
• 2. Configuration — on définit le prompt et le périmètre thématique du site (par l'équipe éditoriale, via LLPR).
• 3. Intégration widget — on injecte le script widget.js avec le token publisher du site. Possible via plugin WP ou GTM.

Une fois la v1 validée, ajouter un nouveau site devient une tâche d'une demi-journée.