> For the complete documentation index, see [llms.txt](https://guides.ia.numerique.gouv.fr/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://guides.ia.numerique.gouv.fr/guides/guide-de-construction-dun-assistant-conversationnel-base-sur-du-rag/competences-a-reunir.md).

# Compétences à réunir

{% hint style="info" icon="arrows-to-circle" %}
**Clarifier le besoin de compétences métier / techniques / fonctionnels** 
{% endhint %}

Au démarrage d’un **assistant conversationnel RAG**, il n’est pas nécessaire de disposer d’une équipe experte et complète. En revanche, certaines **compétences minimales** sont indispensables pour éviter les erreurs structurelles et poser des bases solides. Nous proposons une distinction entre la "mise en place" du système RAG et le "passage à l'échelle" lorsque cela est nécessaire.

Au minimum, nous préconisons la réunion de 4 compétences. Chaque compétence est décrite dans les paragraphes suivants :

* compétence fonctionnelle : produit et cadrage
* compétence métier : expertise et connaissance des données
* compétences techniques RAG
* compétences techniques en évaluations et monitoring

Ces compétences peuvent être articulées différemment selon les ressources disponibles (profils présents dans l'équipe, ou ressources financières limitées). Le domaine des assistants conversationnels et des architectures RAG évolue rapidement. Si des outils et des méthodologies existent, les pratiques restent en consolidation et fortement dépendantes du contexte d’usage. Dans ce cadre, au-delà des compétences techniques formelles, la curiosité, la capacité d’expérimentation et l’apprentissage continu constituent des atouts déterminants.

## Compétences produit et cadrage

**Rôle :** Transformer un problème métier en un assistant conversationnel testable et utile.

**Missions attendues**

* définir un **cas d’usage clair** (cible, objectifs, périmètre, hors périmètre) ;
* comprendre les **besoins utilisateurs réels** et les situations de travail concrètes ;
* prioriser efficacement (MVP, périmètre initial, erreurs acceptables vs critiques).

Un assistant RAG est un produit conversationnel : l’expérience utilisateur est aussi importante que la performance technique.

**Profils types :** chef de produit / product owner ; responsable métier fortement impliqué.

## Expertise métier et connaissance des données

**Rôle :** Garantir la qualité des sources documentaires et la pertinence métier des réponses.

**Missions attendues**

* connaissance du **domaine métier couvert par l’assistant** ;
* connaissance des **sources documentaires existantes** ;
* capacité à qualifier et à versioner la **qualité, la fraîcheur et la fiabilité** des documents ;
* identification de **questions réalistes** et de cas d’usage concrets ;
* validation de premier niveau des réponses (au moins *manifestement fausses* vs *plausibles*).

**Profils types :** référent métier ; utilisateur avancé du domaine.

## Compétences techniques RAG

#### Rôles clé

* Mettre en œuvre un système RAG fonctionnel, compréhensible et itérable, sans sur-complexité.
* Lors du déploiement à plus grande échelle, assurer une **qualité stable dans le temps**, malgré l’augmentation des usages et des données.

**Missions attendues en première itération**

* compréhension du fonctionnement d’un RAG (retrieval → génération) ;
* mise en place d’un pipeline simple (indexation, recherche, génération) ;
* capacité à itérer rapidement (prompts, paramètres, modèles).

**Missions attendues lors du passage à l'échelle**

* optimisation des pipelines (recherche, indexation, reranker) à grande échelle ;
* gestion des mises à jour documentaires ;
* maîtrise des versions (modèles, prompts, index) ;
* gestion des erreurs et des comportements dégradés.

**Profils types :** ingénieur data, ingénieur IA

* dans le cas où la compétence n'est pas présente dans l'équipe, un développeur expérimenté peut prendre en charge la mise en place du socle technique pour lA première itération.

## Compétences en évaluation

#### Phase : mise en place (souvent oubliée, mais critique)

**Rôle clé :** Doter le projet d’une première capacité de mesure afin de guider les itérations.

**Missions attendues**

* définition de **questions de test réalistes** ;
* constitution d’un **jeu de données de référence minimal** ;
* compréhension des différences entre :
  * qualité perçue,
  * qualité mesurée,
  * limites des évaluations automatisées.

**Profils types :** profil hybride produit / data / IA.

#### Phase : passage à l’échelle (pilotage continu)

**Rôle clé :** Détecter les dérives, comparer les versions et soutenir les décisions produit.

**Missions attendues**

* mise en place de **métriques automatisées** (qualité, performance, sécurité) ;
* exploitation structurée des retours humains ;
* détection des régressions et dérives ;
* analyse des résultats et aide à la décision.

**Profils types :** Data engineer / ML engineer

## Compétences Infra / Ops

Selon le cadre organisationnel dans lequel vous construisez votre assistant conversationnel RAG, il peut être nécessaire de penser aux compétences Ops / Infra

**Rôle clé** : garantir la disponibilité, la performance et la fiabilité du service.

**Missions attendues**

* Déploiement et hébergement
* Supervision, monitoring des erreurs
* Gestion de montée en charge

**Profils types :** DevOps / Ingénieur cloud / Ingénieur data

* Lorsque le projet s’inscrit dans un environnement structuré avec une DSI définissant les standards d’hébergement, de sécurité ou de supervision, ces besoins sont largement cadrés.
* Dans les petites équipes, ce rôle est souvent assuré par un développeur expérimenté ou un ingénieur data ayant des compétences cloud.

{% hint style="info" %}
👉 pour aller plus loin, [observatoire des TJM](https://doc.incubateur.net/communaute/travailler-chez-beta.gouv.fr/les-differents-statuts/independants-freelances/observatoire-revenus) beta.gouv.fr pour les indépendants

👉 prestations intellectuelles via [l'UGAP](https://www.ugap.fr/informatique-et-telephonie-2/prestations-informatiques-12301/prestations-intellectuelles-16504?totalNews=8)

👉 [marchés publics interministériels](https://doc.incubateur.net/communaute/gerer-son-produit/gestion-au-quotidien/marches) beta pour des prestations de construction produit et de mentorat.
{% endhint %}


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://guides.ia.numerique.gouv.fr/guides/guide-de-construction-dun-assistant-conversationnel-base-sur-du-rag/competences-a-reunir.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.