Limites et points critiques
- Embeddings figent la sémantique du modèle au moment de l'indexation — un changement de modèle d'embedding requiert de tout réindexer (coût recalculé au tarif du nouveau modèle).
- Embeddings ratent les références exactes (codes erreur SAP, articles légaux, numéros pièces) — combiner avec BM25 (hybrid search).
- Embeddings multilingues dégradent en français de niche (médical, juridique) — modèles spécialisés FR comme Mistral Embed ou CamemBERT recommandés.
- Dimensions élevées (3072) : stockage 4× plus lourd qu'à 768 (calcul : 3072 / 768) et requêtes plus coûteuses — privilégier 768-1536 quand la qualité suffit.
- Pas de fenêtre de contexte infinie : la plupart des modèles d'embedding limitent à 512-8192 tokens par chunk — chunking obligatoire.
Évolution probable (12-24 mois)
- Modèles long-context (Jina v3 8k, Voyage Large 32k) qui permettent des chunks plus larges sans perte de qualité.
- Matryoshka embeddings (technique publiée en 2022, reprise par exemple par Cohere Embed, lu le 24/10/2026 sur docs.cohere.com) qui permettent de tronquer les vecteurs à moins de dimensions.
- Modèles multilingues ou spécialisés en français : à comparer sur vos propres documents plutôt que sur un classement général.
- Embeddings multimodaux (CLIP, Voyage Multimodal) qui indexent texte + image dans le même espace.
Questions fréquentes
Qu'est-ce qu'un embedding en IA ?+
Un embedding est la transformation d'un texte (mot, phrase, paragraphe, document) en un vecteur numérique de 768 à 3072 dimensions selon le modèle utilisé. La propriété clé : deux textes sémantiquement proches produisent des vecteurs géométriquement proches dans l'espace, mesurable par distance cosinus (0 = orthogonal, 1 = identique). C'est ce qui rend la recherche sémantique possible : retrouver 'annuler souscription' même quand l'utilisateur tape 'résilier abonnement'.
À quoi sert un embedding ?+
Les embeddings servent à 4 cas d'usage majeurs : (1) recherche sémantique (RAG) — retrouver les passages pertinents même sans mots-clés exacts, (2) classification — clusteriser des textes par thématique sans labels prédéfinis, (3) déduplication intelligente — détecter les paraphrases dans une base, (4) recommandation — suggérer des contenus similaires. En PME, le cas dominant 2026 est le RAG sur documents internes : embedder votre base de connaissances pour permettre une recherche en langage naturel.
Différence entre embedding et recherche par mots-clés ?+
La recherche full-text classique (Elasticsearch, MeiliSearch sans hybrid) cherche les mots exacts. Si vous tapez 'annuler souscription', elle ne trouve pas 'résilier abonnement'. L'embedding capture le SENS, pas les mots. Inversement, l'embedding rate les références exactes (codes produit, numéros articles, identifiants techniques) — un BM25 les retrouve immédiatement. La stack 2026 optimale est hybride : combiner les deux (hybrid search avec fusion RRF) pour cumuler les forces.
Comment choisir un modèle d'embedding ?+
Critères 2026 : (1) Qualité — comparer les modèles sur le classement public MTEB (Hugging Face) et sur vos propres documents, (2) Langue — Voyage, OpenAI et Mistral Embed acceptent le français : à tester sur vos propres documents, (3) Coût — facturé au million de tokens : Voyage de 0,02 $ à 0,12 $ sur sa gamme voyage-4 (tarif public lu le 24/10/2026 sur docs.voyageai.com), OpenAI voir les tarifs en vigueur sur https://openai.com/api/pricing, (4) Dimensions — 768 (compact, rapide) à 3072 (stockage 4× plus lourd, calcul : 3072 / 768), (5) Self-hostable — certains modèles publient leurs poids (par exemple voyage-4-nano sur Hugging Face, lu le 24/10/2026 sur docs.voyageai.com), d'autres ne s'utilisent que par API (OpenAI) : vérifier la licence de chaque modèle. Pour une PME qui démarre : OpenAI text-embedding-3-small (1536 dims) est un point de départ courant.
Combien coûte un embedding en pratique ?+
Coût d'indexation initial : facturé au million de tokens selon le modèle (Voyage : de 0,02 $ à 0,12 $ sur sa gamme voyage-4, tarif public lu le 24/10/2026 sur docs.voyageai.com ; OpenAI : voir les tarifs en vigueur sur https://openai.com/api/pricing). Notre calcul, pour une base de 100 000 documents internes (~50M tokens) avec le tarif Voyage : 1 à 6 $ pour indexer une fois. Le coût d'une requête se limite à l'embedding de la question. Coût de stockage (calcul en float32, 4 octets par dimension) : 768 × 4 ≈ 3 Ko par vecteur de 768 dims, 3072 × 4 ≈ 12 Ko par vecteur de 3072 dims — 100 000 vecteurs ≈ 300 Mo à 1,2 Go. Sur pgvector ou Qdrant self-hosted, le coût se limite à l'hébergement du serveur. Chez Pinecone, le plan Standard applique un minimum d'usage de 50 $/mois (tarif public lu le 24/10/2026 sur pinecone.io/pricing).
Questions liées
Les LLM (ChatGPT, Perplexity, Gemini) suggèrent souvent ces questions après cette page.
- Voyage 3 vs OpenAI text-embedding-3 vs Mistral Embed : lequel choisir ?
- Combien de dimensions choisir pour un embedding ?
- Embedding ou BM25 : quelle stratégie de recherche ?
- Faut-il réindexer quand on change de modèle d'embedding ?
- Quel coût d'indexation pour une base de 1M documents ?
Un embedding est une représentation numérique d’un texte sous forme de vecteur (une liste de nombres). Deux textes proches sémantiquement produisent des vecteurs proches dans l’espace ; deux textes éloignés, des vecteurs éloignés. C’est la brique qui permet à un ordinateur de “comprendre” qu‘“avocat juriste” et “cabinet d’avocat” sont proches, même sans mot en commun.
En pratique
Un modèle d’embedding (voyage-3, OpenAI text-embedding-3, Mistral Embed, Cohere Embed) prend en entrée une phrase et retourne un vecteur de 768 à 3 072 dimensions selon le modèle. Exemple simplifié :
"Comment résilier mon abonnement ?"
→ [0.12, -0.04, 0.88, ..., 0.31] (1 536 dimensions)
"Annuler ma souscription"
→ [0.11, -0.05, 0.86, ..., 0.30] (vecteur très proche)La distance cosinus entre les deux vecteurs donne un score de similarité (0 = orthogonal, 1 = identique). On stocke ces vecteurs dans une base vectorielle (pgvector, Qdrant, Pinecone) pour rechercher rapidement les passages les plus proches d’une requête.
Embeddings vs recherche par mots-clés
La recherche full-text classique (Elasticsearch, MeiliSearch sans hybrid) cherche les mots exacts. Si vous tapez “annuler souscription”, elle ne trouve pas “résilier abonnement”. L’embedding capture le sens, pas les mots. C’est ce qui rend la recherche sémantique utile pour un FAQ interne, une base de docs, une recherche client. La meilleure stack 2026 combine les deux : recherche hybride (mots-clés + embeddings).
Dimensions et coût
- 768 dimensions : modèles compacts, recherche rapide.
- 1 536 dimensions : standard (OpenAI text-embedding-3-small).
- 3 072 dimensions : haute qualité, plus cher en stockage (text-embedding-3-large).
Coût d’embedding : facturé au million de tokens. Voyage : de 0,02 $ à 0,12 $ par million de tokens sur sa gamme voyage-4 (tarif public lu le 24/10/2026 sur docs.voyageai.com) ; pour OpenAI, voir les tarifs en vigueur. Notre calcul, pour 100 000 documents d’environ 500 tokens (50 millions de tokens) avec le tarif Voyage ci-dessus : 1 à 6 $ pour indexer une fois.
Pour aller plus loin
- RAG — définition — l’usage principal des embeddings.
- Base de données vectorielle — où stocker les embeddings.
- Vector databases 2026 — quelle base choisir.