Le pipeline RAG complet pour produire un cocon sémantique sans halluciner

Produire une page de cocon sémantique avec l’intelligence artificielle générative pose une question simple : comment éviter qu’un modèle invente un chiffre ou une date par simple effet de généralisation statistique du langage ? La réponse apportée par Hi-Commerce prend la forme d’un pipeline RAG (retrieval-augmented generation), une chaîne de production qui va de la recherche de sources qualifiées jusqu’à la rédaction paragraphe par paragraphe, en passant par une base vectorielle et le scraping du top 10 Google. Cette page détaille les 4 étapes du pipeline, la logique derrière le grand nombre d’appels IA mobilisés par page, et la façon dont ce pipeline s’articule avec l’étape 6 de la méthode de production d’un cocon, produire les contenus. Cette page complète Étape 6 d’un cocon sémantique : produire les contenus.

Les 4 étapes du pipeline, de la source à la page

Construire une page de cocon sémantique avec l’intelligence artificielle générative commence rarement par un prompt. Chez Hi-Commerce, la rédaction s’appuie sur un pipeline RAG organisé en 4 étapes, documenté lors d’un retour d’expérience interne, 16 janvier 2025. Première étape : la recherche de sources qualifiées sur le sujet traité, PDF techniques, thèses universitaires, études sectorielles, wikis spécialisés.

Ces documents forment le socle factuel de la page, bien avant que l’IA générative n’écrive une seule ligne. Deuxième étape : l’ingestion de ces sources dans une base vectorielle. Chaque document est découpé, indexé et rendu interrogeable par similarité sémantique, de sorte que le modèle retrouve le passage pertinent au moment d’écrire un paragraphe précis, plutôt que de puiser dans sa mémoire générale.

Troisième étape : le scraping du top 10 Google sur le mot-clé ciblé. Cette lecture de la concurrence en place cadre les angles déjà couverts et ceux qui manquent, sans copier la forme des pages concurrentes. Quatrième étape : la rédaction proprement dite, paragraphe par paragraphe, chaque bloc de texte s’appuyant sur les sources identifiées aux étapes précédentes plutôt que sur une génération en une seule passe.

Cette granularité reste le levier principal contre l’hallucination : un modèle qui écrit 800 mots d’un coup invente plus volontiers un chiffre ou une date qu’un modèle qui rédige un paragraphe de 80 mots avec un extrait sourcé sous les yeux. Ce séquençage change la nature du travail de rédaction. L’équipe ne corrige plus un texte généré en bloc, elle supervise un assemblage de paragraphes dont chacun porte sa propre source.

Pour une page de cocon qui doit rester exacte des années après sa publication, cette discipline de sourçage fait la différence entre un contenu qui vieillit bien et un contenu qui accumule des approximations invisibles au premier coup d’oeil. Cette exigence de sourçage prolonge, par d’autres moyens, les mécaniques décrites dès 2012 par Laurent Bourrelly dans son article fondateur sur le cocon sémantique : le siloing, les strates de contenu et le glissement sémantique, appuyés sur le PageRank thématique, le TF-IDF, le Cosinus de Salton et les chaînes de Markov. Le pipeline RAG ne remplace aucune de ces mécaniques, il leur donne un bras armé technique : la base vectorielle calcule, à sa façon, une proximité sémantique entre un passage de source et le paragraphe à écrire, directement héritière de ces premiers outils statistiques sur lesquels repose la méthode depuis son origine.

Pourquoi 30 à 40 appels IA par page et pas un seul prompt

Un chiffre surprend souvent les clients découvrant la méthode : une seule page de cocon mobilise entre 30 et 40 appels IA, et non un prompt unique suivi d’un copier coller. Cette donnée, issue du même retour d’expérience interne, daté du 16 janvier 2025, explique une bonne part de la qualité obtenue. Chaque appel correspond à une tâche précise et restreinte : retrouver un passage dans la base vectorielle, rédiger un paragraphe à partir de ce passage, vérifier la cohérence avec le paragraphe précédent, reformuler une phrase trop proche de la source, contrôler qu’aucun chiffre ne dépasse ce que la source autorise.

Diviser la rédaction en autant de micro-tâches réduit la charge confiée à chaque appel, et donc la probabilité d’erreur à chaque étape. Cette approche a un coût en temps de calcul, compensé par la baisse spectaculaire du tarif de production. Les données de production Hi-Commerce montrent une évolution tarifaire de 150 euros la page en rédaction 100 % manuelle historiquement, à 6 à 10 euros la page avec un pipeline IA assisté aujourd’hui.

Hi-Commerce a produit 1300 cocons sémantiques, en français et en anglais. Le nombre exact d’appels varie selon les projets, la densité de sources disponibles sur le sujet et la longueur cible de la page. Un sujet riche en littérature de référence autorise davantage d’ancrages factuels par paragraphe, donc davantage d’appels de vérification.

Un sujet plus pauvre en sources demande au contraire de la prudence : mieux vaut écrire autour du manque d’information que de laisser le modèle combler le vide par une généralisation incontrôlée.

Le pipeline RAG au service de l’étape 6, produire les contenus

Ce pipeline RAG prend tout son sens une fois replacé dans l’étape 6 de la méthode de production d’un cocon, produire les contenus. Cette étape, documentée dans la formation Stéphane Jambu (Cocon sémantique V1.3, 72 slides), combine traditionnellement rédaction, optimisation sémantique et respect strict des briefs de page établis à l’étape précédente. Stéphane Jambu, ingénieur informatique et e-commerçant depuis plus de 20 ans, produit des cocons sémantiques depuis 2017.

Le pipeline RAG est l’industrialisation de cette pratique artisanale initiale : ce qu’un rédacteur humain faisait en ouvrant plusieurs onglets de recherche avant d’écrire, le pipeline le formalise en étapes reproductibles et vérifiables. Le lien avec le brief de page reste entier. Chaque paragraphe généré doit respecter le lien imposé vers la page de niveau supérieur ou inférieur fixé au brief, la longueur cible du gabarit, et les mots-clés en co-occurrence attendus pour le Title, l’URL et les intertitres.

Le pipeline RAG ne dispense jamais de cette feuille de route éditoriale, il l’alimente en matière factuelle vérifiable. Un autre bénéfice apparaît à l’échelle d’un cocon entier : les mêmes sources vectorisées servent à plusieurs pages du même silo thématique. Une thèse sur un sujet donné nourrit la page pilier, une page mixte et plusieurs pages complémentaires, chacune piochant un angle différent du même corpus.

Cette réutilisation cohérente des sources renforce la cohérence sémantique entre les pages, un objectif central du siloing.

Ce qu’un bon pipeline ne remplace jamais

Le choix des sujets, l’architecture en pages cible, mixte et complémentaire, et le gabarit de chaque brief restent définis en amont, aux étapes 2 à 5 de la méthode. Le RAG intervient en aval, sur la matière du texte, pas sur la stratégie éditoriale. Il ne garantit pas non plus, à lui seul, l’absence totale de chiffre halluciné.

Une source mal choisie, un passage mal découpé dans la base vectorielle, ou un paragraphe qui généralise au-delà de ce que dit vraiment la source produisent encore des erreurs. C’est pourquoi la suppression systématique des chiffres non vérifiés reste une étape distincte de validation, appliquée après la rédaction, et non un sous-produit automatique du pipeline. Enfin, mixer plusieurs IA génératives sur un même cocon, en plus de casser les patterns stylistiques détectables, répartit aussi le travail entre des modèles aux forces différentes selon le type de paragraphe à produire.

Cette complémentarité entre les modèles mérite son propre traitement, détaillé à part.

Questions fréquentes

Testez vos connaissances

Stéphane Jambu LinkedIn ↗

Consultant e-commerce / visibilité / IA, fondateur de Hi-Commerce. Praticien du cocon sémantique depuis 2012, auteur de cette page dans le cadre du méta-cocon de référence Hi-Commerce sur le sujet.

Sources :

• retour d’expérience interne, 16/01/2025
• données de production Hi-Commerce (chiffres d’échelle)
• Formation Stéphane Jambu, Cocon sémantique V1.3 (PDF 72p)
• Laurent Bourrelly, « Le cocon sémantique, l’arme fatale du SEO ? », blog/1631.php