Stratégie dirigeant 31 août 2026 · 6 min de lecture · Par Mohamed Meguedmi

Brancher un kit documentaire Qualiopi sur un RAG local : le cas pratique conformité pour les organismes de formation

Les organismes de formation sont des PME comme les autres, avec une contrainte en plus : la certification Qualiopi, indispensable depuis 2022 pour accéder aux financements publics et mutualisés (CPF, OPCO, France Travail). Concrètement, cela signifie des dizaines de documents de conformité — procédures, conventions, livrets, grilles de suivi — à produire, personnaliser, tenir à jour et retrouver en quelques secondes le jour de l'audit. C'est exactement le type de corpus documentaire qu'une IA locale traite remarquablement bien. Dans cet article, je détaille un cas pratique que je recommande aux organismes de formation de ma clientèle : partir d'un kit documentaire professionnel, l'indexer dans un RAG on-premise, puis automatiser le pré-remplissage. Le tout sans qu'une seule donnée de conformité ne quitte l'entreprise.

En bref

Qualiopi est un problème documentaire avant d'être un problème qualité : 7 critères, 32 indicateurs, et pour chacun des éléments de preuve écrits que l'auditeur demande à voir. La difficulté n'est pas de faire, mais de prouver.
Un kit documentaire professionnel donne le socle : plutôt que de rédiger des dizaines de procédures depuis une page blanche, on part de modèles alignés sur le référentiel national qualité, comme le kit documentaire Qualiopi de Qualiodocs et ses 170 documents.
Le RAG local transforme ce kit en assistant de conformité : indexé avec Ollama et un modèle d'embeddings open source, le corpus devient interrogeable en langage naturel — « quel document couvre l'indicateur 26 ? », « montre-moi ma procédure de réclamation ».
Le pré-remplissage s'automatise : un moteur de personnalisation injecte les données de l'organisme (raison sociale, référents, formations) dans l'ensemble des documents, et un LLM local peut compléter les champs restants à partir de vos données internes.
La souveraineté n'est pas une option ici : conventions clients, données de stagiaires, bilans internes — ce corpus est sensible. Il n'a rien à faire sur un service cloud grand public.

Qualiopi, un cas d'école de la conformité documentaire

Le référentiel national qualité impose 32 indicateurs répartis sur 7 critères, du recueil des besoins des bénéficiaires au traitement des réclamations. Pour chaque indicateur, le guide de lecture officiel précise des éléments de preuve attendus : documents d'information, conventions, feuilles d'émargement, questionnaires, procédures de veille. Un audit initial dure une journée ; la préparation documentaire, elle, occupe des semaines quand l'organisme part de zéro.

Ce que j'observe chez les organismes de formation que j'accompagne rejoint ce que je vois dans toutes les PME soumises à une conformité (RGPD, AI Act, ISO) : le savoir-faire existe, les pratiques existent, mais la preuve écrite est éparpillée entre un dossier partagé, trois boîtes mail et la mémoire du dirigeant. Le jour de l'audit, retrouver le bon document au bon moment devient l'enjeu numéro un.

Étape 1 — le socle : un kit documentaire aligné sur le référentiel

Première recommandation, avant toute considération d'IA : ne réinventez pas les documents. Le marché s'est structuré autour de kits documentaires professionnels alignés sur le référentiel, et c'est le bon point de départ. Qualiodocs, un acteur français que je cite volontiers en exemple parce que son modèle est proche du nôtre — du self-service outillé plutôt que du conseil facturé à la journée —, fournit 170 documents couvrant les indicateurs du référentiel, du livret d'accueil au contrat de sous-traitance conforme au décret de décembre 2023, et revendique 100 % de réussite à l'audit chez ses clients depuis 2023.

L'intérêt pour la suite est structurel : un kit professionnel arrive organisé par critère et par indicateur, avec un nommage cohérent. C'est précisément ce qui rend l'indexation par une IA locale efficace — un corpus structuré produit un RAG fiable, un dossier fourre-tout produit un RAG qui hallucine.

Étape 2 — indexer le kit dans un RAG on-premise

La stack que nous déployons chez nos clients suffit largement pour ce cas d'usage, y compris sur une configuration modeste :

Ollama pour servir le modèle localement (un 7 ou 8 milliards de paramètres type Mistral ou Qwen suffit pour ce corpus) ;
nomic-embed-text pour les embeddings — open source, 274 Mo, il indexe 200 documents en quelques secondes ;
OpenWebUI comme interface de chat, avec la fonction de collections documentaires pour charger le kit et les preuves internes.

Une fois le corpus indexé — le kit, mais aussi vos propres pièces : conventions signées, bilans, comptes rendus —, l'organisme dispose d'un assistant de conformité interrogeable en français :

« Quel document du kit couvre l'indicateur 26 sur le handicap, et qui est notre référent ? »
« Montre-moi notre procédure de traitement des réclamations et la dernière réclamation traitée. »
« Quels documents l'auditeur va-t-il demander pour le critère 6 ? »

La réponse arrive en citant les passages sources — et c'est le point décisif face à un auditeur : on ne cherche plus, on retrouve. En préparation d'audit, cet usage seul justifie l'installation.

Étape 3 — automatiser le pré-remplissage

Un kit documentaire arrive avec des champs à personnaliser : raison sociale, SIRET, référent handicap, intitulés de formations, modalités d'évaluation. Deux niveaux d'automatisation existent.

Le premier est intégré aux kits les plus aboutis : Qualiodocs propose par exemple un moteur de personnalisation qui injecte automatiquement une cinquantaine de variables — identité légale, référents, catalogue de formations — dans l'ensemble des documents à partir d'un simple formulaire. Pour un organisme qui démarre, c'est le chemin le plus court : les documents arrivent déjà remplis de tout ce qui est structurel.

Le second niveau, c'est celui que nous outillons : brancher un LLM local sur vos données internes via n8n pour compléter ce qu'aucun formulaire ne peut connaître — reformuler vos objectifs pédagogiques par formation, générer la trame d'un bilan annuel à partir de vos questionnaires de satisfaction, préparer les réponses aux non-conformités d'un audit blanc. Le modèle tourne sur votre machine, lit vos documents, écrit dans vos modèles. Rien ne sort.

Pourquoi le local n'est pas négociable sur ce corpus

Je le rappelle systématiquement : un corpus de conformité Qualiopi contient des conventions clients avec leurs montants, des données nominatives de stagiaires, des éléments de handicap couverts par une confidentialité renforcée, des bilans internes. Coller ces documents dans un chatbot grand public pour « gagner du temps », c'est créer un problème RGPD en voulant résoudre un problème Qualiopi. L'IA clandestine — ces usages d'outils cloud non maîtrisés par les équipes — est exactement le risque que ce type de projet doit éliminer, pas amplifier.

Une installation on-premise règle la question par construction : les embeddings, l'index et les réponses restent sur une machine que vous possédez.

La limite honnête : l'IA ne fabrique pas vos preuves

Un point de lucidité pour finir, parce qu'il conditionne la réussite de l'audit : ni un kit, ni un RAG ne remplacent la réalité des pratiques. L'auditeur Qualiopi vérifie que les questionnaires sont réellement collectés, que la veille est réellement tenue, que les réclamations sont réellement traitées. L'IA locale vous fait gagner les semaines de rédaction, de recherche et de mise en forme ; elle ne fera pas semblant d'avoir formé des stagiaires à votre place. Les organismes qui échouent à l'audit sont presque toujours ceux qui ont confondu « avoir les documents » et « faire ce que les documents décrivent ».

C'est d'ailleurs le meilleur argument pour l'automatisation : chaque heure économisée sur la paperasse est une heure disponible pour les pratiques que l'auditeur veut voir vivre.

Par où commencer

Pour un organisme de formation, le chemin que je recommande tient en trois temps : un kit documentaire professionnel comme socle (comptez une journée pour la personnalisation initiale), une indexation RAG locale du kit et de vos preuves (une demi-journée avec la stack Ollama + OpenWebUI), puis l'automatisation progressive des documents récurrents via n8n. Les deux premiers temps sont accessibles en autonomie ; le troisième est typiquement ce que nous installons dans nos packs, machine comprise, avec la formation de vos équipes.

Un organisme de formation équipé ainsi aborde son audit de surveillance avec un corpus complet, retrouvable et à jour — et garde la maîtrise totale de ses données. C'est toute la promesse de l'IA souveraine appliquée à un problème très concret de PME française.