Une nouvelle architecture de détection d’ancres est présentée pour améliorer la précision des systèmes de génération augmentée par retrieval dans les environnements professionnels. Contrairement aux pipelines standard qui s’appuient exclusivement sur la recherche par mots-clés ou par similarité vectorielle, cette approche structure le processus en trois étapes afin de garantir exactitude et traçabilité. Le premier étage exécute en parallèle deux détecteurs sur les tables structurées du document, à savoir la table des matières et le texte brut. La correspondance lexico-statistique constitue un filtre systématique et peu coûteux, tandis que l’analyse sémantique par plongements vectoriels intervient comme signal optionnel. Cette double méthode compense les écarts de vocabulaire entre la requête utilisateur et le corpus technique. Le second étage regroupe les résultats bruts en unités structurelles, telles que des sections ou des pages. Cette agrégation permet de contextualiser chaque candidat plutôt que de les traiter isolément. Les méthodes classiques de pondération par fréquence de termes y sont explicitement découragées, car elles privilégient souvent les passages génériques ou définitionnels au détriment des réponses précises attendues en entreprise. Le troisième et dernier étage centralise l’ensemble des signaux pour un seul appel à un modèle de langage. Cette dernière étape remplace les multiples itérations par une évaluation unifiée. Le modèle analyse les correspondances lexicales, les scores sémantiques et l’appartenance structurelle de chaque fragment, puis établit un classement accompagné d’un raisonnement explicite. Cette conception assure une piste d’audit intégrale, indispensable pour la validation des réponses générées. Plusieurs méthodes de combinaison sont proposées pour optimiser ce flux. En croisant les indicateurs de la table des matières avec les scores de contenu, le système priorise les passages situés dans des sections pertinentes, réduisant ainsi la charge de calcul. Lorsque la recherche vectorielle est privilégiée, un coefficient de pondération appliqué aux résultats par section améliore la précision sans recourir à des réordonnanciers lourds, souvent considérés comme une solution de reconfiguration plutôt que comme une fondation robuste. Cette approche met l’accent sur la transparence opérationnelle et l’efficacité économique. En déplaçant la compréhension contextuelle vers l’étape de formulation de la requête et en limitant les appels aux grands modèles à une seule exécution finale, le pipeline maintient une latence maîtrisée tout en préservant la qualité analytique. Les ingénieurs peuvent ainsi adapter le système selon la complexité des corpus, en activant ou désactivant les signaux optionnels sans compromettre la structure de base. Développée dans le cadre d’une série consacrée à l’intelligence des documents d’entreprise, cette architecture s’inscrit dans une volonté de dépasser les méthodes RAG génériques. En traitant les documents comme des ensembles de données relationnelles plutôt que comme des flux textuels bruts, elle offre aux organisations une voie plus fiable pour extraire des informations ciblées, réduire les erreurs d’interprétation et renforcer la conformité réglementaire des systèmes d’aide à la décision.