Chat IA pour la documentation : devez-vous construire ou acheter ?
Vous avez décidé que vos documents ont besoin d'un chat IA. La prochaine décision est plus importante que ce que les gens pensent — elle détermine 3 à 6 semaines d'ingénierie et les 18 mois suivants d'optimisation des coûts du modèle.
Ceci est la répartition honnête des coûts en 2026.
TL;DR#
| Construisez-le | Achetez-le | |
|---|---|---|
| Coût initial | 3 à 6 semaines d'ingénieur pour la construction | Temps de configuration, mesuré en heures |
| Coût mensuel | Stockage vectoriel, embeddings, appels de modèle, et la personne qui le possède | Un abonnement ou une utilisation mesurée, selon le fournisseur |
| Durée de vie | Semaines à mois | Heures |
| Personnalisation | Complète | Hooks, invite système, fournisseur |
| Maintenance | Continue — la qualité de récupération diminue à mesure que les documents changent | Le problème du fournisseur |
| Meilleur pour | Besoins RAG spécifiques, cas d'utilisation non documentaires | Documentation spécifiquement |
Pour la documentation spécifiquement, achetez-le. Construisez-le uniquement si vos besoins en chat AI s'étendent au-delà des documents — base de connaissances + aide produit + déviation de support sur plusieurs surfaces.
Ce que "le construire" nécessite réellement#
Un pipeline RAG (Génération Augmentée par Récupération) de production pour les documents a six composants :
1. Ingestion de contenu#
- Surveillez la source de vos documents (GitHub, dossier MDX, CMS)
- Analysez en morceaux (typiquement 500–1500 tokens)
- Gérez Markdown, blocs de code, tableaux, frontmatter
- Réindexez à chaque changement sans tout reconstruire
Ingénierie : 1 semaine si vous l'avez déjà fait, 2 semaines sinon.
2. Intégration#
- Choisissez un modèle d'intégration (OpenAI text-embedding-3-small, Cohere ou open source)
- Intégrez chaque morceau
- Réintégrez lorsque la source change
- Gérez les limites de taux et le regroupement
Ingénierie : 3 à 5 jours.
3. Magasin de vecteurs#
- Choisir le stockage (Pinecone, Weaviate, pgvector, Qdrant, Turbopuffer)
- Conception du schéma (métadonnées, espaces de noms par espace de travail)
- Performance des requêtes
- Plan de sauvegarde et de migration
Ingénierie : 1 semaine. Infrastructure continue : 50–300 $/mois.
4. Pipeline de requête#
- Intégrer la requête de l'utilisateur
- Récupérer les K meilleurs morceaux
- Reranker (souvent un deuxième appel de modèle)
- Formater en prompt avec contexte
- Appeler le LLM
- Analyser et retourner la réponse
Ingénierie : 1 à 2 semaines.
5. Frontend#
- Composant d'interface utilisateur de chat
- Gestion des réponses en streaming
- Citations renvoyant aux pages sources
- Mémoire de conversation
- Widget de feedback (pouce en l'air/en bas)
Ingénierie : 1 semaine.
6. Observabilité et analyses#
- Journaliser chaque requête et réponse
- Suivre les requêtes sans réponse (vos futures lacunes de contenu)
- Suivre les retours négatifs
- Coût par requête
- Latence P50/P95/P99
Ingénierie : 1 semaine.
Total : 6 semaines d'ingénieur minimum, souvent 10+ une fois que les cas particuliers apparaissent.
Coûts récurrents de "build it"#
Par mois avec une utilisation modérée (1 000 requêtes) :
| Coût | |
|---|---|
| Magasin de vecteurs | $50–300 |
| API d'embedding | $10–50 |
| API LLM (classe GPT-4) | $100–400 |
| Journalisation/observabilité | $20–100 |
| Maintenance d'ingénierie (2 heures/semaine × $100/heure) | $800 |
| Total | $980–1,650/mo |
À 10 000 requêtes, le coût du modèle domine. À 100 000 requêtes, vous avez besoin de mise en cache, de limitation de débit, et possiblement d'un modèle plus petit pour des requêtes peu coûteuses.
À quoi ressemble "acheter"#
Il existe trois catégories d'"acheter" :
Produit de chat de documentation autonome#
Apportez l'URL de vos documents, obtenez un widget de chat. Exemples : kapa.ai, intercom Fin, GPTs personnalisés.
- Coût : 30–500 $/mois selon le volume
- Avantages : indépendant de votre plateforme de documentation
- Inconvénients : tableau de bord séparé, facturation séparée, analyses séparées, n'a souvent pas accès en lecture à vos fichiers sources
Plateforme de documentation avec IA incluse#
Docsbook, Mintlify, GitBook proposent un chat IA comme fonctionnalité. Le chat est formé sur votre contenu et intégré dans l'interface utilisateur des docs.
- Coût: un abonnement sur Mintlify et GitBook, utilisation de l'IA mesurée sur Docsbook — consultez la page de tarification de chaque fournisseur
- Avantages: une plateforme, une facture, intégration native, une vue analytique
- Inconvénients: votre choix de fournisseur est le choix de la plateforme
RAG open-source auto-hébergé#
Exemples : Anything LLM, Chainlit, pile LangChain personnalisé. Vous auto-hébergez et intégrez.
- Coût : hébergement uniquement + votre temps
- Avantages : contrôle total
- Inconvénients : même charge d'ingénierie que "le construire" moins l'ingénierie des invites
Quand construire réellement#
Construisez uniquement lorsque l'un ou plusieurs de ces critères s'appliquent :
- RAG multi-sources — vous voulez un chat qui tire des documents + votre CRM + votre base de connaissances + l'historique Slack
- Exigences de résidence strictes — chaque octet doit rester dans votre VPC et votre DPA
- Logique de récupération personnalisée — votre contenu a une structure (graphique, hiérarchie) que la récupération standard ne peut pas exploiter
- Plateforme déjà existante — vous avez une interface AI orientée client qui doit s'étendre aux documents
Si la documentation est la seule interface, achetez.
Ce que vous pouvez personnaliser sur le chat AI de Docsbook#
Docsbook vous donne plus de contrôle que la plupart des options gérées :
- Fournisseur — OpenAI, Anthropic, Gemini, OpenRouter. Apportez votre propre clé API, choisissez votre modèle.
- Invite système — remplacement complet du texte
- Hooks pré/post — intercepter une requête avant l'appel du modèle, post-traiter la réponse
- Utilisation — mesurée en dollars par rapport au solde du projet ; lorsque le solde est épuisé, l'assistant cesse de répondre plutôt que de facturer davantage
Si vous dépassez ces réglages, les mathématiques de "le construire" changent — mais la plupart des équipes ne le font pas.
La décision réelle#
Trois questions, dans l'ordre :
- Les docs sont-elles la seule surface AI dont vous avez besoin ? Oui → achetez. Non → envisagez de construire, car le pipeline est alors partagé entre plusieurs surfaces.
- Avez-vous quelqu'un qui sera responsable de la qualité de récupération pour les dix-huit prochains mois ? Non → achetez. Le pipeline n'est pas la partie difficile ; maintenir la qualité de ses réponses au fur et à mesure que les docs changent l'est.
- Le coût de l'abonnement est-il significatif par rapport au temps d'un ingénieur ? Comparez un mois de la plateforme avec une journée de la personne qui, autrement, s'en occuperait, en utilisant vos propres chiffres.
Acheter est la bonne réponse pour la plupart des équipes pour une raison structurelle : l'IA des docs est un engagement de maintenance, pas une construction. Les équipes qui devraient construire sont celles qui développent un produit AI plus large où la documentation est une surface parmi plusieurs.
Lectures connexes#
- Comparaison des plateformes de documentation AI (2026)
- Analyse de la documentation : quoi suivre en 2026
- Meilleures pratiques de documentation API en 2026
Chat AI de Docsbook : apportez votre propre fournisseur, définissez votre propre invite système et interceptez la demande avant et après l'appel du modèle. Le coût est mesuré en dollars par rapport au solde du projet plutôt que vendu comme un niveau — chiffres actuels sur docsbook.io/pricing.