Base vectorielle : où l'IA range sa mémoire

Une base vectorielle stocke des textes sous forme d'embeddings, des suites de nombres qui capturent leur sens, ce qui permet de retrouver une information par sa signification plutôt que par un mot-clé exact. C'est le composant qui donne à une application le sens de la recherche « par idée », et c'est le moteur discret derrière la plupart des assistants qui répondent à partir de tes propres documents.

D'abord, un rappel sur l'embedding

Un embedding, c'est la traduction d'un morceau de texte en une liste de nombres. Un modèle lit « notre canapé Lutèce est livré sous trois semaines » et en produit un vecteur, par exemple plusieurs centaines de coordonnées. Deux textes au sens voisin obtiennent des vecteurs voisins, même s'ils n'emploient aucun mot commun.

C'est tout l'intérêt. « Quel est le délai de livraison du canapé ? » et « notre canapé est livré sous trois semaines » ne partagent presque aucun mot, mais leurs embeddings tombent au même endroit de l'espace. Pour creuser cette brique, on a un article dédié : c'est quoi un embedding.

La base vectorielle, c'est l'endroit où l'on range tous ces vecteurs et où l'on sait les retrouver vite.

Le rôle central : le moteur de recherche d'un RAG

Le RAG (retrieval-augmented generation, génération augmentée par la récupération) est la méthode la plus répandue pour ancrer un modèle dans tes vraies données. L'idée tient en une phrase : avant de répondre, on retrouve les passages pertinents de tes documents et on les donne au modèle. Le détail du mécanisme est ici : qu'est-ce qu'un RAG.

Dans ce dispositif, la base vectorielle joue le rôle du moteur de recherche. C'est elle qui, à chaque question, va chercher les bons extraits dans une montagne de texte. Sans elle, le modèle répond avec sa seule mémoire d'entraînement, figée à sa date de connaissance, et il invente plus facilement quand il ne sait pas.

Comment ça marche, concrètement

Le fonctionnement se découpe en deux temps : une préparation, puis une recherche à chaque question.

Au moment de préparer les données. Tu découpes tes documents en morceaux digestes (un paragraphe, une fiche, une section de FAQ). Chaque morceau passe dans un modèle d'embedding qui le transforme en vecteur. Tous ces vecteurs sont rangés dans la base vectorielle, chacun accompagné du texte d'origine et de quelques étiquettes (la source, la date, le rayon produit).

Au moment où quelqu'un pose une question. La question est elle aussi transformée en vecteur, avec le même modèle. La base compare ce vecteur à tous ceux qu'elle contient et remonte les plus proches, par exemple les cinq passages au sens le plus voisin. Ces passages sont injectés dans le prompt, et le modèle rédige sa réponse à partir d'eux.

La comparaison ne se fait pas un par un sur des millions d'entrées. La base construit un index qui organise les vecteurs par voisinage, ce qui lui permet de trouver les plus proches en quelques millisecondes sans tout parcourir.

Pourquoi c'est utile

Deux gains, surtout.

La recherche sémantique d'abord. L'utilisateur n'a plus besoin de deviner les mots exacts du document. Il pose sa question avec ses mots à lui, et la base retrouve la bonne information par le sens. C'est la différence entre un moteur qui exige les bons termes et un qui comprend l'intention.

Des réponses fondées sur tes vrais documents ensuite. Au lieu de produire une réponse générique, le modèle s'appuie sur des passages que tu contrôles. Tu sais d'où vient l'information, tu peux la citer, tu peux la mettre à jour en changeant le document source. C'est l'un des leviers les plus directs contre l'invention : voir l'hallucination en IA.

Un exemple chez M&M

Maisons&Mobilia, enseigne de meubles, veut un assistant pour son service après-vente. Antoine, au marketing, et Sophie, à la compta, croulent sous les mêmes questions : délais, garanties, montage, retours.

L'équipe rassemble la FAQ publique, les fiches produits et les conditions de garantie. Chaque page est découpée en morceaux, transformée en embeddings, puis rangée dans une base vectorielle. Rien n'est réécrit à la main : les documents existants suffisent.

Un client écrit : « le pied de mon meuble télé bouge, c'est couvert ? ». La base ne cherche pas le mot « pied » ni « meuble télé ». Elle retrouve le passage des conditions de garantie sur les défauts de stabilité et la fiche du meuble concerné, par proximité de sens. Le modèle compose une réponse à partir de ces deux extraits, avec le bon délai et la bonne procédure.

Quand M&M change sa politique de retour, l'équipe met à jour un seul document et le ré-indexe. L'assistant répond aussitôt avec la nouvelle règle, sans toucher au modèle. C'est exactement la logique d'un assistant IA monté sans coder : tu apportes tes documents, l'outil s'occupe du reste.

Quel outil choisir

Plusieurs options coexistent, et la bonne dépend de ton échelle plus que d'une réputation.

Situation	Piste raisonnable
Tu utilises déjà PostgreSQL	Une extension comme pgvector ajoute la recherche par similarité à ta base existante, sans nouvel outil.
Volume modéré, prototype	Des outils légers pensés pour démarrer vite (Chroma, par exemple) suffisent à valider l'idée.
Gros volumes, production	Des bases dédiées (Pinecone, Weaviate, Qdrant, entre autres) gèrent des millions de vecteurs avec une recherche rapide et une mise à l'échelle automatique.

L'essentiel n'est pas le nom de l'outil mais la mécanique : embeddings rangés, recherche par proximité, passages rendus au modèle. Le marché des bases vectorielles est large en 2026 et bouge vite ; commence par ce que tu as déjà sous la main avant de payer pour un outil spécialisé.

Aller plus loin

La base vectorielle est une pièce d'un ensemble. Pour assembler le tableau complet :

• C'est quoi un embedding · la brique d'entrée, le texte changé en nombres.
• Qu'est-ce qu'un RAG · le dispositif où la base sert de moteur de recherche.
• L'hallucination en IA · pourquoi ancrer le modèle dans tes documents réduit l'invention.
• Fine-tuning, RAG ou prompt · quand passer par une base vectorielle plutôt que réentraîner un modèle.

Et si tu veux manipuler ces notions de façon concrète, l'app saisir.ai propose des modules courts sur les embeddings et le RAG.