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 ces Agents s’appuient devient déterminante pour leurs performances. Les Agents peuvent raisonner efficacement de manière autonome, mais lorsqu’ils doivent refléter des politiques propres à l’entreprise, des détails sur les produits ou des procédures internes, ils ont besoin d’accéder à des connaissances fiables et bien structurées.

Les bases de connaissances des Agents apportent ce socle et cette spécialisation. Elles regroupent de la documentation, des politiques, des références techniques, des spécifications produit, des ressources d’assistance et d’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 de permettre aux Agents vocaux de fonctionner de manière cohérente, même sur 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. Ce 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 petites bases de connaissances, le contenu est injecté directement dans la fenêtre de contexte du modèle. Cette approche offre un accès instantané avec une latence minimale et convient particulièrement 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 y effectue une recherche et ne récupère que les sections les plus pertinentes en fonction de 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 produit » comprenant 1 000 documents, soit environ 2 millions de mots, ou 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 donc récupérés, ce qui permet de conserver un contexte gérable, quelle que soit la taille totale de la base de connaissances.

À l’inverse, pour un document de politique de quatre pages, soit environ 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 possède 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 introduisent des erreurs et des hallucinations.

Sélectionnez vos contenus avant l’implémentation. 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 spécifiques.

Privilégiez la qualité à la quantité. Une collection bien sélectionnée de quelques documents de grande qualité sera plus performante qu’un grand nombre de fichiers de qualité variable. Privilégiez l’exhaustivité, la précision et la pertinence au sein de chaque domaine. Partir de données propres et organisées n’est pas seulement une bonne pratique : 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 de mise en œuvre d’une base de connaissances

Une fois vos connaissances et vos 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 réalisables sur la plateforme ElevenLabs Agents, allant des configurations simples aux plus complexes selon l’échelle des connaissances et les besoins.

1. Base de connaissances pour un Agent unique

L’implémentation la plus simple consiste à associer directement une base de connaissances à un Agent unique. Importez vos documents sélectionnés sur la plateforme ElevenLabs Agents pour créer une base de connaissances, puis affectez-la à votre Agent dans les paramètres de configuration. Aucun workflow, routage ou outil externe n’est nécessaire. Cette approche offre un retour sur investissement très rapide et convient parfaitement à des cas d’usage ciblés, comme les politiques RH uniquement, la documentation d’un produit uniquement ou l’assistance client pour une seule gamme de produits.

Des limites apparaissent à grande échelle. Les performances peuvent se dégrader avec des bases de connaissances très volumineuses ou très diversifiées. Sans spécialisation, l’Agent recherche dans 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. Séparation des connaissances entre plusieurs Agents

Pour les collections de documents volumineuses et variées, une architecture de workflows multi-agents permet de passer efficacement à l’échelle. Un Agent d’orchestration analyse les questions entrantes et les oriente 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 qu’il s’agit d’une question RH et l’oriente vers un Agent spécialisé en RH, qui n’a accès qu’aux documents RH.

La mise en œuvre 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 puisque 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

Ce modèle 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 dans la base de connaissances, tandis que les outils webhook récupèrent les données actuelles auprès de 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 afin d’obtenir les tarifs et fonctionnalités actuels.

Cette approche garantit la précision, car les faits proviennent de bases de données plutôt que d’une génération par LLM. Elle fournit des données en temps réel reflétant l’état actuel et crée des pistes d’audit grâce aux appels d’outils consignés. Elle convient aux cas nécessitant 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 tandis que 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 par le biais d’outils webhook personnalisés. Cette approche offre un contrôle total sur le découpage, les embeddings et les algorithmes de récupération, mais elle entraîne une charge opérationnelle liée à la gestion de l’infrastructure ainsi qu’une latence supplémentaire due aux appels d’API externes. Elle apporte davantage de flexibilité, mais aussi une charge opérationnelle et une latence externe accrues. 

5. L’architecture à double cerveau

Certaines entreprises disposent déjà de leurs propres LLM affinés, et la manière la plus efficace de les connecter consiste à les intégrer directement à la plateforme ElevenLabs Agents, via un LLM personnalisé, ou au moyen d’une architecture à double cerveau.

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. Lorsque qu’un raisonnement plus approfondi ou un contexte supplémentaire est nécessaire, l’Agent s’appuie sur un LLM plus rapide, capable d’appeler le LLM personnalisé du client pour obtenir des informations, ensuite ajoutées à la conversation par des mises à jour contextuelles.

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

Conclusion

Les 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 dont ils peuvent tirer parti pour fournir des réponses étayées et cohérentes. 

La plateforme ElevenLabs propose une gestion native des bases de connaissances, des workflows multi-agents, une intégration de webhooks et des API complètes conçues pour fonctionner ensemble de manière fluide. Lorsqu’elle est mise en œuvre avec soin, à partir de données propres et d’une architecture adaptée, l’expertise de l’entreprise devient accessible par conversation naturelle. Bien conçue, cette approche ne constitue pas un simple détail d’implémentation, mais un avantage opérationnel.

Guide pratique : passer à l’échelle pour les importations 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. Cela réduit la complexité de gestion, simplifie la configuration des Agents et améliore 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 correspond à un Agent, dans une configuration à Agent unique, ou à un nœud d’Agent spécialisé, dans des 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). Lorsqu’une modification est détectée, 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 aux mises à jour des bases de connaissances la même rigueur DevOps qu’aux déploiements de code. L’architecture de la plateforme, conçue autour des API, facilite l’intégration aux pipelines existants et préserve la précision et la conformité sans intervention manuelle.