# Recherche interne : quand demander une précision au visiteur ? Version HTML de référence : https://talkweb.fr/analyses/recherche-interne-requete-ambigue/ Publication : 2026-11-09T13:39:57+01:00. Révision : 2026-11-09T13:39:57+01:00. « Batterie », « contrat » ou « export » peuvent désigner plusieurs besoins. Posez une question seulement si sa réponse change réellement les résultats. ## La réponse Demandez une précision lorsqu’une ambiguïté peut produire une mauvaise réponse importante. Proposez des choix courts et un accès aux résultats plutôt qu’un interrogatoire systématique. ## Un portail industriel reçoit « batterie 24 V » Un portail industriel reçoit « batterie 24 V ». Dans le scénario fictif, plusieurs technologies sont incompatibles avec certains équipements. Le moteur demande la référence de machine ou propose deux familles explicites. Il ne déduit pas la compatibilité de la tension seule et laisse accéder à la recherche de référence. ## Une réponse rapide à la mauvaise question reste un échec Dans une base de connaissances, « export » peut concerner les contacts, les factures ou les droits d’accès. Un assistant qui choisit sans le dire peut fournir une procédure exacte pour le mauvais objet. Le défaut vient du cadrage, pas nécessairement de la rédaction. Identifiez les requêtes qui conduisent à des reformulations ou à des retours immédiats. Vérifiez si le contexte de page permet déjà de lever l’ambiguïté. Ne redemandez pas une information que le visiteur vient de préciser. ## Deux personnes peuvent chercher la même chose avec des mots différents Furnas et ses collègues montrent, dans cinq domaines, les difficultés d’un vocabulaire unique choisi par le concepteur. Clark et Brennan analysent le travail de clarification nécessaire pour établir une compréhension commune. Ces travaux ne fixent pas le nombre optimal de questions d’un moteur moderne ; ils expliquent pourquoi une requête apparemment imprécise peut être parfaitement naturelle pour le visiteur. Sources : [The Vocabulary Problem in Human-System Communication](https://doi.org/10.1145/32206.32212); [Grounding in Communication](https://doi.org/10.1037/10096-006) Avant d’interrompre la recherche, vérifiez si les synonymes et les catégories d’usage suffisent. Demandez une précision seulement lorsqu’elle modifie vraiment les résultats : « pour quel matériau ? » est utile si la compatibilité en dépend. Montrez ce que la réponse permettra de distinguer et laissez une voie d’exploration. Une clarification doit réduire l’incertitude, pas faire subir au client les lacunes de votre index. ## L’incertitude doit modifier l’interaction Les recommandations humain-IA d’Amershi et ses collègues traitent notamment la gestion des erreurs et du contrôle. RAGAS sépare pertinence du contexte et qualité de réponse. Notre application : avant de générer, vérifier si plusieurs intentions plausibles conduisent à des actions différentes. Sources : [Guidelines for Human-AI Interaction](https://www.microsoft.com/en-us/research/publication/guidelines-for-human-ai-interaction/); [RAGAS: Automated Evaluation of Retrieval Augmented Generation](https://doi.org/10.18653/v1/2024.eacl-demo.16) Un score de similarité du moteur ne représente pas automatiquement une probabilité de comprendre le besoin. Calibrez les règles sur des exemples annotés par le métier et gardez une possibilité de recherche classique. ## Poser la question qui réduit réellement le risque Préférez « Vous voulez exporter les contacts ou les factures ? » à « Pouvez-vous préciser ? ». Montrez pourquoi la distinction compte si nécessaire. Pour une recherche de référence, proposez directement les correspondances exactes plutôt qu’une conversation obligatoire. L’équipe search peut définir des familles d’intentions ; le support apporte les confusions récurrentes ; le produit fixe les cas où une mauvaise orientation est coûteuse. Une question de clarification doit faire partie du parcours testé, pas d’un prompt laissé à l’improvisation. ### Conserver une intention sans figer toute la conversation Conservez les choix de clarification sous une forme exploitable par le moteur, pas seulement dans l’historique libre de la conversation. Une intention confirmée peut filtrer un domaine documentaire ou une famille de produits. Si l’utilisateur change ensuite de sujet, retirez les filtres devenus inadaptés et rendez ce changement visible. La recette doit inclure ces transitions : un contexte ancien conservé trop longtemps peut produire une réponse très précise à une demande qui n’est plus la bonne. L’historique aide uniquement si sa portée est maîtrisée. ![Détecter : Plusieurs intentions plausibles ; Évaluer : Conséquence d’un mauvais choix ; Demander : La précision qui départage ; Vérifier : La tâche finalement accomplie](https://talkweb.fr/charts/recherche-interne-requete-ambigue.svg) Lecture proposée par TalkWeb. Schéma explicatif, sans résultat chiffré simulé. ## Mesurer la suite de la clarification Suivez réponses à la question, résultat choisi, reformulations et abandon. Un bon taux de réponse à la clarification ne prouve pas que la procédure trouvée est la bonne. Vérifiez l’accomplissement de la tâche lorsque c’est observable. Si la question est souvent ignorée, examinez son vocabulaire et son utilité. Il peut être préférable de montrer deux groupes de résultats clairement nommés plutôt que de bloquer la recherche. Si la recherche alimente un assistant, séparez les erreurs de récupération documentaire des erreurs de génération avant de modifier le moteur. Une clarification doit changer la réponse — grille de travail TalkWeb, à adapter au service | Situation observée | Décision ou contrôle | Responsable | | --- | --- | --- | | Ambiguïté sans conséquence | Présenter les groupes de résultats | Search | | Actions différentes | Demander une précision ciblée | Produit | | Compatibilité critique | Vérifier la référence | Expert métier | ## Passer à l’action Demandez une précision lorsqu’une ambiguïté peut produire une mauvaise réponse importante. Proposez des choix courts et un accès aux résultats plutôt qu’un interrogatoire systématique. Annoter les requêtes ambiguës les plus fréquentes avec le support. Les clarifications réduisent les mauvaises orientations sans bloquer les recherches simples. ## Limites - Validation de recommandations, pas estimation d’un gain commercial. - Un juge automatique peut lui-même se tromper ; validation humaine requise. ## Sources - [Saleema Amershi, Dan Weld, Mihaela Vorvoreanu, Adam Fourney, Besmira Nushi, Penny Collisson, Jina Suh, Shamsi Iqbal, Paul Bennett, Kori Inkpen, Jaime Teevan, Ruth Kikin-Gil, & Eric Horvitz. (2019). Guidelines for Human-AI Interaction. RECHERCHE · CHI.](https://www.microsoft.com/en-us/research/publication/guidelines-for-human-ai-interaction/) — Résumé et fiche de recherche Microsoft consultés ; 18 lignes directrices, validation par 49 praticiens sur 20 produits. - [Shahul Es, Jithin James, Luis Espinosa-Anke, & Steven Schockaert. (2024). RAGAS: Automated Evaluation of Retrieval Augmented Generation. RECHERCHE · EACL.](https://doi.org/10.18653/v1/2024.eacl-demo.16) — PDF consulté ; résumé et description de la décomposition de l’évaluation. - [George W. Furnas, Thomas K. Landauer, Louis M. Gomez, & Susan T. Dumais. (1987). The Vocabulary Problem in Human-System Communication. Communications of the ACM.](https://doi.org/10.1145/32206.32212) — Résumé et introduction du PDF consultés. - [Herbert H. Clark, & Susan E. Brennan. (1991). Grounding in Communication. Perspectives on Socially Shared Cognition.](https://doi.org/10.1037/10096-006) — Introduction et conclusion du chapitre consultées ; cadre conceptuel, pas mesure des chatbots.