Déployer les connaissances d'entreprise aux agents vocaux

À mesure que les organisations adoptent des Agents vocaux pour accompagner leurs employés et leurs clients, la qualité des informations sur lesquelles s'appuient ces Agents devient un facteur déterminant de leur performance. Les Agents peuvent raisonner efficacement de manière autonome, mais lorsqu'ils doivent refléter les politiques propres à l'entreprise, les détails des produits ou les procédures internes, ils ont besoin d'accéder à des connaissances fiables et bien structurées.

Les bases de connaissances des Agents offrent ce socle et cette spécialisation. Elles regroupent documentation, politiques, références techniques, spécifications de produits, ressources d'assistance et autres ressources internes. Pour être exploité efficacement, le contenu doit être sélectionné, organisé et structuré afin que les Agents produisent des réponses précises et étayées, plutôt que de s'appuyer sur les connaissances générales du modèle, qui peuvent être incomplètes ou obsolètes.

Ce guide présente des stratégies concrètes pour gérer les bases de connaissances d'entreprise dans les déploiements d'Agents, afin que les Agents vocaux restent performants même face à de vastes collections de documents variés.

Comment les Agents vocaux accèdent à votre base de connaissances

Vous pouvez configurer une base de connaissances directement sur la plateforme ElevenLabs Agents. Son contenu devient alors accessible à votre Agent pendant les conversations.

La plateforme propose deux modes d'utilisation de ce contenu :

• Inclusion directe dans le contexte : Pour les bases de connaissances de petite taille, le contenu est injecté directement dans la fenêtre de contexte du modèle. Cette approche offre un accès instantané avec une latence minimale et convient mieux aux petites bases de connaissances.
• Génération augmentée par récupération (RAG) : Lorsqu'une base de connaissances est trop volumineuse pour tenir dans le contexte, le système la parcourt et ne récupère que les sections les plus pertinentes selon la requête de l'utilisateur.

Quand le RAG est efficace, et quand il ne l'est pas

Le choix entre l'injection directe et le RAG dépend principalement de la taille de la base de connaissances.

Prenons une « bibliothèque de manuels produits » comptant 1 000 documents, soit environ 2 millions de mots (~2,6 millions de tokens). Dans ce cas, l'injection directe dépasse les limites de contexte de la plupart des LLM rapides et le RAG est activé. Seuls les extraits pertinents sont alors récupérés, ce qui maintient un contexte gérable, quelle que soit la taille totale de la base de connaissances.

À l'inverse, pour un document de politique de 4 pages (~3 000 tokens), l'injection directe est plus rapide et plus simple. Le RAG ajouterait une latence inutile. 

La plateforme ElevenLabs gère cela automatiquement : l'option permettant d'activer le RAG n'est disponible que lorsque votre base de connaissances atteint une taille pour laquelle la récupération est plus efficace que l'inclusion directe.

Une base de connaissances efficace commence par la préparation des documents

Lorsqu'une entreprise dispose d'une base documentaire interne vaste et variée, la première étape n'est pas l'implémentation, mais la sélection des contenus. D'excellentes sources produisent d'excellentes réponses, tandis que des sources médiocres génèrent des erreurs et des hallucinations.

Sélectionnez les contenus avant d'implémenter. Archivez ou supprimez les brouillons obsolètes, les versions remplacées et les contenus non pertinents. Si un document ne doit pas servir à répondre aux questions des clients, il ne doit pas figurer dans votre base de connaissances. Cette sélection garantit la fiabilité de la source d'information et réduit le bruit lors de la récupération.

Organisez par domaine. Structurez les documents restants en catégories distinctes et logiques, telles que les politiques RH, la documentation produit, les accords juridiques, les manuels techniques ou les procédures d'assistance client. Cette organisation par domaine devient essentielle lors de la mise en œuvre de workflows multi-Agents sur la plateforme ElevenLabs, où des Agents spécialisés traitent des domaines de connaissances précis.

Privilégiez la qualité à la quantité. Une collection soigneusement sélectionnée de quelques documents de haute qualité sera plus performante qu'un grand nombre de fichiers de qualité inégale. Privilégiez l'exhaustivité, la précision et la pertinence dans chaque domaine. Partir de données propres et organisées ne relève pas seulement des bonnes pratiques : c'est ce qui distingue un Agent qui satisfait les utilisateurs d'un Agent qui les frustre avec des réponses non pertinentes ou contradictoires.

Stratégies d'implémentation d'une base de connaissances

Une fois les connaissances et les modes d'accès définis, la question suivante consiste à configurer l'architecture de votre Agent pour accéder efficacement à la base de connaissances. Les organisations peuvent choisir parmi cinq approches architecturales, directement implémentables sur la plateforme ElevenLabs Agents, allant de configurations simples à complexes selon l'échelle des connaissances et les besoins.

1. Base de connaissances à Agent unique

L'implémentation la plus simple consiste à associer directement une base de connaissances à un seul Agent. Importez vos documents sélectionnés sur la plateforme ElevenLabs Agents pour créer une base de connaissances, puis attribuez-la à votre Agent dans les paramètres de configuration. Aucun workflow, routage ou outil externe n'est nécessaire. Cette approche offre le délai de mise en œuvre le plus court ; elle est idéale pour des cas d'usage ciblés, tels que les politiques RH uniquement, la documentation d'un produit ou l'assistance client pour une seule gamme de produits.

Les limites apparaissent à grande échelle. Les performances peuvent se dégrader avec des bases de connaissances très volumineuses ou très diversifiées. Sans spécialisation, l'Agent parcourt tous les documents et peut récupérer des résultats moins pertinents lorsque les connaissances couvrent des sujets très différents. Lorsque vous constatez une baisse de précision due à la diversité de la base de connaissances, il est temps d'évoluer vers des workflows multi-Agents.

2. Segmentation des connaissances entre plusieurs Agents

Pour de vastes collections de documents variés, une architecture de workflows multi-Agents permet de passer efficacement à l'échelle. Un Agent d'orchestration analyse les questions entrantes et les achemine vers des Agents spécialisés, chacun disposant d'une base de connaissances ciblée pour son domaine. Lorsqu'un utilisateur demande « Quelle est la politique de congé parental en Californie ? », le système identifie une question liée aux RH et l'achemine vers un Agent spécialisé en RH, qui n'a accès qu'aux documents RH.

L'implémentation consiste à créer des bases de connaissances distinctes par domaine, à construire un workflow avec des nœuds spécialisés et à configurer les conditions de routage. Des contextes plus restreints et ciblés améliorent la précision et réduisent la latence, tandis que la séparation par domaine simplifie la maintenance, car chaque domaine est mis à jour indépendamment. Cette approche convient aux entreprises qui déploient des Agents couvrant plusieurs domaines.

3. Approche hybride : base de connaissances pour l'identification, outils pour les données

Cette approche sépare la compréhension de la recherche de données. La base de connaissances identifie la terminologie et l'associe à des identifiants système ajoutés sous forme de document à la base de connaissances, tandis que les outils webhook récupèrent les données actuelles depuis des sources de référence. 

Par exemple, à la question « Quels sont les détails de mon forfait Premium Plus ? », l'Agent utilise sa base de connaissances pour identifier l'ID de forfait PLAN_001, puis appelle un outil qui interroge votre base de données en direct pour obtenir les tarifs et fonctionnalités à jour.

Cette approche garantit la précision, car les faits proviennent des bases de données plutôt que de la génération par LLM, fournit des données en temps réel reflétant l'état actuel et crée des pistes d'audit grâce aux appels d'outils enregistrés. Elle convient aux cas exigeant à la fois la compréhension de la documentation et la récupération de données structurées, fréquents dans l'assistance client, la gestion de comptes et l'e-commerce, où les documents expliquent les concepts mais les bases de données contiennent les informations à jour.

4. Base de données vectorielle externe

Les organisations peuvent gérer leur propre base de données vectorielle (Pinecone, Weaviate, Qdrant) et l'exposer via des outils webhook personnalisés. Cette approche permet un contrôle total du découpage, des embeddings et des algorithmes de récupération, mais entraîne une charge opérationnelle liée à la gestion de l'infrastructure ainsi qu'une latence supplémentaire due aux appels d'API externes. Elle apporte de la flexibilité, mais aussi une charge opérationnelle et une latence externe supplémentaires. 

5. L'architecture à double cerveau

Certaines entreprises maintiennent déjà leurs propres LLM affinés. Pour les connecter, la solution la plus efficace consiste à les relier directement à la plateforme ElevenLabs Agents en tant que LLM personnalisé, ou à recourir à une architecture Dual Brain.

L'architecture à double cerveau (avec deux LLM actifs) est généralement utilisée lorsque le LLM personnalisé est trop lent pour permettre une conversation en temps réel. Lorsqu'un raisonnement plus approfondi ou un contexte supplémentaire est nécessaire, l'Agent est alimenté par un LLM plus rapide, capable d'appeler le LLM personnalisé du client pour obtenir des informations, ensuite ajoutées à la conversation via des mises à jour contextuelles.

Ces appels étant asynchrones, la conversation reste fluide pendant que le backend effectue des calculs plus lourds. Cette approche permet aux entreprises de s'appuyer sur leur infrastructure IA existante. 

Conclusion

Des Agents vocaux efficaces reposent sur des connaissances claires et bien organisées. Lorsque les informations de l'entreprise sont structurées, précises et faciles à parcourir pour les Agents, elles deviennent une source fiable sur laquelle ils peuvent s'appuyer pour fournir des réponses étayées et cohérentes. 

La plateforme ElevenLabs propose une gestion native des bases de connaissances, des workflows multi-Agents, l'intégration de webhooks et des API complètes conçues pour fonctionner ensemble. Avec des données propres et une architecture adaptée, l'expertise de l'entreprise devient accessible par une conversation naturelle. Bien mise en œuvre, cette approche ne se limite pas à un détail d'implémentation : elle constitue un avantage opérationnel.

Guide pratique : passer à l'échelle pour l'importation de documents

Consolidez avant d'importer. Au lieu d'importer 500 fichiers individuels, fusionnez tous les documents d'un même domaine dans un seul fichier. Vous réduisez ainsi la complexité de gestion, simplifiez la configuration de l'Agent et améliorez la récupération en regroupant les contenus associés.

Regroupez les documents de manière stratégique par gamme de produits, région, service ou fonction. Chaque base de connaissances consolidée est associée à un Agent (Agent unique) ou à un nœud d'Agent spécialisé (workflows multi-Agents). 

Tirez parti de l'API ElevenLabs pour importer du contenu depuis des URL, du texte ou des fichiers. Intégrez les importations à votre pipeline CI/CD afin que la consolidation et les mises à jour s'effectuent automatiquement à chaque modification de la documentation source.

Guide pratique : actualisation automatisée des connaissances

Surveillez vos référentiels de documentation (Git, SharePoint, CMS). Lorsque des modifications sont détectées, déclenchez un retraitement automatisé afin de consolider les documents mis à jour.

Utilisez l'API pour mettre à jour les bases de connaissances par programmation. Workflow type : mise à jour de la documentation → déclenchement du pipeline CI/CD → consolidation des documents → appel de l'API pour remplacer la base de connaissances → accès immédiat des Agents aux informations mises à jour.

Traitez la documentation comme du code. Appliquez la même rigueur DevOps aux mises à jour de la base de connaissances qu'aux déploiements de code. L'architecture API-first de la plateforme simplifie l'intégration aux pipelines existants et garantit précision et conformité sans intervention manuelle.