Knowledge management et RAG : la stack Obsidian + Odoo + GitHub pour votre PME

Introduction

Votre PME produit de la connaissance chaque jour — et la plupart du temps, elle reste invisible pour vos outils IA. Un agent IA sans accès à votre contexte métier, c'est un consultant brillant qui commence chaque conversation sans jamais avoir lu un seul document de votre entreprise. La solution s'appelle le RAG (Retrieval-Augmented Generation), et vous n'avez pas besoin d'une infrastructure complexe pour l'implémenter.

Qu'est-ce que le RAG, concrètement ?

Le RAG est une architecture IA qui donne aux modèles de langage (comme Claude) la capacité de consulter vos documents en temps réel avant de répondre.

• Sans RAG : l'IA répond uniquement depuis sa mémoire d'entraînement générale
• Avec RAG : l'IA récupère les passages pertinents de vos documents (process, emails, fiches produit, code, réunions…) et les intègre dans sa réponse

Le marché du RAG en entreprise était évalué à 2,33 milliards de dollars en 2025 et devrait atteindre 9,86 milliards en 2030, soit une croissance annuelle de 38,4 % (source : Mordor Intelligence, RAG Market Report 2025). Ce n'est plus un sujet expérimental : les équipes qui ne structurent pas leurs données pour l'IA aujourd'hui prendront du retard demain. La bonne nouvelle : mettre en place un RAG efficace ne nécessite pas une équipe data — il nécessite une architecture de connaissance propre.

Couche 1 — Obsidian : la mémoire structurée

Ce que j'y stocke : notes de réflexion, fiches clients anonymisées, procédures internes, notes de veille, bibliothèque de prompts, fiches projets.

Obsidian stocke tout en Markdown local — facilement indexable par un pipeline RAG. Le système de liens bidirectionnels crée une structure sémantique que les moteurs de recherche vectorielle comprennent bien.

Organisation pratique :

• 00 - Inbox → capture rapide
• 10 - Clients → une note par client, liée aux projets Odoo
• 20 - Process → procédures internes (onboarding client, checklist déploiement…)
• 30 - Prompts → bibliothèque de prompts par cas d'usage métier
• 40 - Veille → synthèses et articles clés

Règle d'or : ce qui n'est pas dans Obsidian n'existe pas pour l'IA. Chaque information stratégique doit y atterrir, même en brouillon.

Couche 2 — Google Drive : les documents de référence

Ce que j'y stocke : propositions commerciales, comptes-rendus, présentations clients, templates, contrats, formations.

Google Drive est le point de convergence naturel avec les clients, et le dépôt des documents longs (PDF, DOCX, PPTX) que l'IA doit pouvoir consulter.

Organisation pratique :

• Un dossier _RAG_INDEX à la racine contient uniquement les documents "de référence" — pas tout Drive, seulement ce qui doit être accessible à l'IA
• Nommage strict : AAAA-MM-DD_[client]_[type]_[sujet]
• Revue mensuelle pour archiver les documents obsolètes

Erreur à éviter : vouloir tout indexer. Un RAG avec 10 documents bien structurés est 10 fois plus efficace qu'un RAG avec 1 000 fichiers en vrac.

Couche 3 — Odoo : la donnée opérationnelle

Ce que j'y stocke : historique commercial (devis, commandes, factures), fiches contacts, projets en cours, tickets support, notes de suivi clients.

Odoo est la source de vérité opérationnelle — qui a commandé quoi, quel client a quel statut, quel projet est en retard. Un agent IA connecté à l'API Odoo peut répondre à "Quel est le statut des devis ouverts ce mois ?" ou "Résume les 3 dernières interactions avec ce client" sans même ouvrir Odoo.

Si vous souhaitez voir comment j'ai configuré le pilotage par l'IA dans Odoo : Piloter sa PME avec Odoo et l'IA →

Couche 4 — GitHub : la connaissance technique

Ce que j'y stocke : code source, scripts d'automatisation, documentations techniques (README), configurations, ADR (Architecture Decision Records).

La connaissance technique est souvent la plus dispersée. Documenter les décisions dans des ADR, maintenir des README à jour, et centraliser les scripts dans un repo permet à un agent IA de répondre à "Pourquoi on a fait ce choix technique ?" ou "Comment relancer ce script de migration ?"

• Un repo knowledge-base dédié aux scripts internes et documentations non liées à un projet client
• Convention de commit : docs:, feat:, fix: pour que l'historique soit lisible par un humain et une IA

Comment connecter les 4 couches

L'architecture complète :

Obsidian (Markdown local)  ─┐
Google Drive (PDF/DOCX)    ──┤──▶ Pipeline d'indexation ──▶ Base vectorielle ──▶ Agent IA
Odoo (API REST)            ──┤
GitHub (Markdown/Code)     ─┘

Trois options selon votre niveau technique :

• Option A — Claude + Obsidian synchronisé : si votre vault est sur Google Drive ou iCloud, Claude peut y accéder directement. Simple, immédiat, sans infrastructure.
• Option B — Notion comme hub central : centraliser dans Notion ce qui est dans Obsidian, Drive et GitHub, et utiliser l'intégration native Notion → outils IA. Moins flexible, mais accessible sans compétences techniques.
• Option C — Pipeline RAG dédié (pour les DSI) : LlamaIndex ou LangChain pour indexer toutes les sources dans une base vectorielle (ChromaDB, Qdrant). L'approche production-grade, scalable.

Ce que ça change au quotidien

Depuis que j'ai structuré cette stack chez Co Labs Conseils, trois changements concrets :

1. L'onboarding d'un nouveau collaborateur passe de "je te montre tout" à "voici l'accès Obsidian + Drive, l'agent IA peut répondre à la plupart de tes questions opérationnelles"
2. La préparation d'une réunion client prend 3 minutes au lieu de 20 — l'agent résume les dernières interactions Odoo, les notes de suivi et les livrables Drive
3. La capitalisation se fait en temps réel — chaque note Obsidian enrichit la base, au lieu d'être perdue dans les mails

Conclusion / Call to action

Si vous deviez ne faire qu'une chose cette semaine : créez un dossier _RAG_INDEX dans votre Drive, et déplacez-y vos 10-15 documents de référence les plus importants. C'est le premier pas.

Pour évaluer comment une architecture de connaissance RAG peut s'intégrer à votre organisation, je propose un audit IA de votre stack actuelle — 2 heures, en visio, pour cartographier vos sources de connaissance et identifier les gains rapides.

Prendre rendez-vous pour un audit IA →

Sources

• Mordor Intelligence, Retrieval-Augmented Generation (RAG) Market Report 2025–2030, 2025 — mordorintelligence.com
• Ravi, D. et al., RAG and LLMs for Enterprise Knowledge Management: A Systematic Literature Review, Applied Sciences, MDPI, 2026 — mdpi.com