Publié le 16 septembre 2026 à 13:00 · Publication originale
"Qui l'a offert au musée?"
L'assistant répond:
"Il appartenait à une collection privée florentine et fut donné au musée en 1923."
La phrase est fluide.
Le problème: aucune archive du musée ne l'affirme.
Dans une conversation ordinaire, cette erreur peut être corrigée.
Dans une institution patrimoniale, elle fabrique une provenance.
C'est une difficulté particulière de l'IA appliquée aux collections.
Un musée possède plusieurs niveaux de connaissance: catalogue scientifique, notices publiques, inventaires, archives de restauration, dossiers d'acquisition, correspondances, images, droits et parfois informations non diffusables.
Donner accès à Internet à un assistant mélange ces niveaux avec des millions de sources extérieures dont l'institution ne maîtrise ni l'origine ni la qualité.
Une autre architecture consiste à délimiter le territoire documentaire dans lequel l'assistant peut chercher.
Lorsqu'un visiteur pose une question, le système retrouve les passages pertinents dans les ressources autorisées. Ils sont transmis au modèle avec leur provenance.
Mais une difficulté subsiste.
Les archives possèdent des trous.
Une œuvre peut avoir une attribution discutée, une date approximative ou plusieurs hypothèses de provenance. L'absence d'information fait partie de la connaissance scientifique.
Le système doit donc apprendre un comportement inhabituel pour un assistant conversationnel: ne pas combler automatiquement le vide.
Il peut répondre que l'information n'apparaît pas dans les sources disponibles, distinguer un fait d'une hypothèse ou présenter deux attributions concurrentes.
Cette capacité devient essentielle lorsque la médiation est multilingue.
Une erreur peut être reformulée instantanément dans vingt langues et diffusée à des milliers de visiteurs.
Le guide numérique le plus crédible n'est pas celui qui possède une réponse à chaque question.
C'est celui dont chaque affirmation sait d'où elle vient.
ULTRA®
Dans un corpus patrimonial, le RAG classique échoue lorsque deux sources vraies à des dates différentes se contredisent.
Une attribution de 1987 peut nommer un peintre; le catalogue raisonné de 2025 peut la retirer. Le moteur doit donc gérer une recherche temporelle: chaque assertion porte date de validité, source, niveau d'autorité et statut épistémique.
Le graphe de connaissances peut modéliser séparément "attribué à", "attribué autrefois à", "atelier de", "contesté par" et "inconnu". La provenance de chaque triplet est conservée.
Au moment de la génération, un reranker sensible à l'autorité et à la récence sélectionne les preuves, puis un contrôle d'entailment vérifie si chaque affirmation est réellement supportée.
Le seuil d'abstention devient alors une variable mesurable: augmenter la couverture améliore le nombre de réponses, mais peut dégrader la précision factuelle.
Dans un musée, calibrer le silence fait partie du système.