Recherche sémantique expliquée : comment l'IA comprend le sens d'une requête

La recherche sémantique consiste à retrouver des documents pertinents en fonction du sens d'une requête, et non des mots exacts qu'elle contient. Au lieu de chercher « voiture » dans le texte, elle comprend que « véhicule », « automobile » ou même « berline » désignent une idée proche et les remonte aussi. C'est la technologie qui permet à un assistant IA de répondre correctement même quand vous ne formulez pas votre question avec les termes exacts du document source.

Recherche par mots-clés et recherche sémantique : deux logiques différentes

La recherche par mots-clés, aussi appelée recherche lexicale (son algorithme de référence s'appelle BM25), compare la chaîne de caractères de la requête aux mots présents dans les documents. Elle est rapide, prévisible, et excellente pour retrouver une référence exacte : un numéro d'article, un code produit, un nom propre. Mais elle échoue dès que le vocabulaire change : chercher « résiliation du bail » ne trouvera pas un document qui parle de « fin de contrat de location » si le mot « résiliation » n'y figure pas littéralement.

La recherche sémantique, elle, repose sur des embeddings : chaque phrase est transformée en vecteur numérique qui représente son sens dans un espace mathématique. Deux phrases proches en signification se retrouvent proches dans cet espace, même si elles ne partagent aucun mot commun. Le moteur compare alors le vecteur de la requête aux vecteurs des passages indexés pour trouver les plus similaires. Pour comprendre ce mécanisme en détail, notre article sur les embeddings expliqués simplement décrit pas à pas comment un texte devient un vecteur.

L'expansion de requête : combler ce que vous n'avez pas écrit

L'expansion de requête est une technique complémentaire : avant ou pendant la recherche, le système enrichit la question posée avec des termes liés (synonymes, formulations alternatives, mots de la même famille sémantique) afin d'augmenter les chances de matcher le bon passage, y compris en recherche par mots-clés. Si vous demandez « comment annuler mon abonnement », le système peut ajouter mentalement « résilier », « se désinscrire », « mettre fin au contrat » à la recherche, sans que vous ayez à y penser.

Dans un pipeline RAG moderne, cette expansion peut se faire de plusieurs manières :

1. Expansion lexicale : un dictionnaire de synonymes ou une liste de termes métier associés enrichit la requête avant la recherche full-text.
2. Expansion par embedding : la requête est elle-même reformulée ou complétée par un modèle de langage avant d'être vectorisée, pour mieux capturer l'intention derrière une question vague.
3. Reformulation multi-requêtes : le système génère plusieurs variantes de la question posée et agrège les résultats de chacune, ce qui aide notamment sur des questions ambiguës ou mal formulées.

C'est précisément ce que fait une recherche hybride bien conçue : combiner mots-clés et expansion sémantique de vocabulaire pour que l'absence du terme exact dans le document ne bloque plus la recherche. Kopik applique ce principe à l'indexation de chaque base de connaissances, en combinant recherche plein texte et expansion par mots-clés sémantiques pour que les réponses restent pertinentes même quand la question est posée avec d'autres mots que ceux du document source.

Recherche multilingue : poser la question en français, trouver la réponse ailleurs

Un des apports les plus utiles de la recherche sémantique est sa capacité multilingue. Les modèles d'embeddings multilingues projettent des phrases de langues différentes dans le même espace vectoriel lorsqu'elles portent le même sens : une question posée en français peut ainsi retrouver un passage pertinent rédigé en anglais, en espagnol ou en allemand, sans traduction préalable explicite du corpus.

C'est précieux pour une entreprise française qui dispose de documentation technique en anglais, de contrats en plusieurs langues, ou d'une base de connaissances alimentée par des filiales européennes. En pratique, la qualité de ce comportement multilingue dépend fortement du modèle d'embedding utilisé : certains sont entraînés quasi exclusivement sur de l'anglais et traduisent mal les nuances juridiques ou techniques d'une langue à l'autre. Il vaut mieux vérifier, avant de choisir un outil, que le modèle annonce explicitement un support multilingue robuste plutôt que de le supposer.

Quand la recherche sémantique échoue

La recherche sémantique n'est pas magique, et la comprendre implique de connaître ses angles morts. Plusieurs situations la mettent en difficulté :

• Références exactes : un numéro de facture, un article de loi précis (« article L1234-5 »), un code produit. Le sens sémantique de « article L1234-5 » n'aide pas à le distinguer d'un autre article voisin : seule une correspondance littérale fonctionne vraiment ici.
• Négation et nuances fines : « sans garantie » et « avec garantie » sont sémantiquement proches dans l'espace vectoriel car ils partagent presque tout le même contexte, alors que leur sens est opposé.
• Acronymes et jargon rare : un sigle métier peu fréquent dans les données d'entraînement du modèle d'embedding peut être mal représenté, et donc mal rapproché des bons passages.
• Chiffres et unités : « 25 % » et « 35 % » sont numériquement très différents mais vectoriellement très proches, car entourés du même vocabulaire.
• Documents très courts ou très génériques : un chunk de quelques mots porte peu de signal sémantique exploitable, ce qui dégrade la qualité du matching.

Ces limites ne sont pas un argument contre la recherche sémantique, mais une raison de ne jamais l'utiliser seule sur des contenus sensibles (juridique, financier, réglementaire) où l'exactitude littérale compte autant que le sens général. La façon dont un document est découpé en amont joue aussi un rôle : un chunking mal pensé aggrave ces faiblesses, comme expliqué dans notre guide sur les stratégies de chunking pour le RAG.

Recherche hybride : le meilleur des deux mondes

La réponse la plus robuste à ces limites, c'est la recherche hybride : combiner un moteur de mots-clés (type BM25) et un moteur sémantique (embeddings), puis fusionner leurs résultats selon un score pondéré. Le moteur lexical garantit qu'une référence exacte, un code ou un numéro d'article ne se perd jamais, tandis que le moteur sémantique rattrape les reformulations, les synonymes et les questions posées en langage naturel. Nous détaillons ce mécanisme et les méthodes de fusion de scores dans l'article recherche hybride : pourquoi combiner mots-clés et vecteurs bat chaque méthode seule.

Cette combinaison est aujourd'hui la base des systèmes RAG (retrieval-augmented generation) sérieux. Pour comprendre comment la recherche s'insère dans la chaîne complète qui va de la question posée à la réponse générée, voir notre guide Qu'est-ce que le RAG (génération augmentée par récupération) ? et le déroulé technique dans comment fonctionne le RAG, étape par étape.

Mettre la recherche sémantique au service d'une base de connaissances

Comprendre la théorie est une chose, la mettre en œuvre correctement en est une autre : choisir un bon modèle d'embedding, régler la pondération entre mots-clés et vecteurs, gérer le multilingue, découper les documents sans casser le sens des passages. C'est exactement ce que fait Kopik en arrière-plan quand vous créez une base de connaissances : chaque document déposé (PDF, Word, texte, Markdown) est extrait, découpé puis indexé pour une recherche hybride, sans que vous ayez à configurer quoi que ce soit.

Vous pouvez créer une base gratuitement, la garder privée pour un usage interne ou la publier dans le catalogue public pour que d'autres la questionnent à un prix que vous fixez (vous conservez 70 % des revenus par question posée). Les questions peuvent être posées depuis le site, via une API REST avec clés d'authentification, ou directement depuis des clients compatibles MCP comme Claude ou Cursor, documentés sur la page développeurs.

En résumé

La recherche sémantique transforme le texte en vecteurs pour matcher des idées plutôt que des mots, ce qui règle le problème des synonymes, des reformulations et même du multilingue. Elle reste en revanche fragile sur les références exactes, les négations et les chiffres précis, des zones où la recherche par mots-clés garde l'avantage. La combinaison des deux approches, la recherche hybride, est aujourd'hui la configuration recommandée pour tout système qui doit répondre à des questions en langage naturel sans sacrifier la précision sur les détails qui comptent.