RAG

  • Concept
  • Intermédiaire
  • Transversal
  • Toujours utilisé

En bref

Le RAG fait chercher à une IA générative des informations dans une base documentaire avant de rédiger sa réponse, au lieu de répondre seulement de mémoire.

Définition complète

Le RAG (Retrieval-Augmented Generation, « génération augmentée par récupération ») est une méthode qui combine un moteur de recherche interne avec une intelligence artificielle générative. Avant de rédiger sa réponse, le système va d’abord chercher des passages pertinents dans une base documentaire (contrats, procédures internes, FAQ, notices) puis s’appuie sur ces extraits pour construire sa réponse, plutôt que de se fier uniquement à ce qu’il a appris pendant son entraînement.

Par exemple, un assistant IA interne à une entreprise, interrogé sur « quelle est notre politique de télétravail ? », va d’abord retrouver le passage exact du règlement intérieur qui traite du télétravail, puis rédiger sa réponse en s’appuyant sur ce texte précis. Attention : le RAG réduit fortement le risque de réponse inventée (« hallucination »), mais ne l’élimine pas totalement : la qualité de la réponse dépend directement de la qualité et de la mise à jour de la base documentaire utilisée.

À quoi ça sert

Le RAG sert à connecter une intelligence artificielle générative aux documents propres à une organisation, sans avoir à réentraîner entièrement le modèle. Cela permet d’obtenir des réponses fondées sur des informations à jour et spécifiques (contrats en cours, dernière version d’une procédure), plutôt que sur des connaissances générales figées au moment de l’entraînement du modèle.

Il rend aussi les réponses plus vérifiables : un bon système de RAG peut citer les documents sources exacts utilisés pour construire sa réponse, ce qui permet à l’utilisateur de vérifier l’information plutôt que de faire une confiance aveugle à l’IA.

Enfin, le RAG est économique : plutôt que de réentraîner un modèle coûteux à chaque mise à jour d’un document, il suffit d’actualiser la base documentaire consultée, ce qui rend l’assistant à jour presque instantanément.

Cas d'usage typiques

– Interroger la documentation interne d’une entreprise : retrouver la bonne procédure sans chercher dans des dizaines de fichiers.
– Assister un service client : répondre en s’appuyant sur la base de connaissances produit toujours à jour.
– Consulter des contrats à jour : aider un service juridique à retrouver la clause exacte applicable à un dossier.
– Faire de la veille réglementaire : synthétiser les derniers textes applicables à un secteur d’activité.
– Répondre sur un intranet d’entreprise : offrir un moteur de recherche conversationnel sur les ressources internes.
– Assister un professionnel de santé : s’appuyer sur les dernières recommandations officielles disponibles.

Ce que tu sauras faire

Savoir expliquer pourquoi le RAG rend les réponses d’une IA générative plus fiables et plus à jour, en distinguant ce que le modèle « sait déjà » de ce qu’il va « chercher » au moment de répondre.

Mises en situation

Situation 1 : un assistant IA pour le service client d’un fournisseur d’énergie

Contexte : Un fournisseur d’énergie souhaite que son assistant IA réponde avec précision sur les tarifs actuels, qui changent régulièrement.

Application : L’assistant est relié en RAG à la grille tarifaire officielle mise à jour par le service commercial, et va chercher le tarif exact avant chaque réponse.

Résultat attendu : Les clients reçoivent des informations tarifaires justes, alors qu’un assistant sans RAG aurait pu donner un ancien tarif appris pendant son entraînement.

Situation 2 : un service juridique qui interroge ses contrats

Contexte : Un service juridique doit retrouver rapidement une clause précise parmi des centaines de contrats fournisseurs.

Application : Un assistant IA en RAG recherche dans l’ensemble des contrats numérisés le passage exact concernant, par exemple, les conditions de résiliation, puis cite le contrat et la clause exacts.

Résultat attendu : Le juriste gagne un temps considérable par rapport à une recherche manuelle document par document, tout en gardant la possibilité de vérifier la source citée.

Situation 3 : un cabinet médical qui suit les recommandations officielles

Contexte : Un praticien souhaite vérifier rapidement la dernière recommandation officielle sur un traitement, sans se fier à des connaissances potentiellement dépassées.

Application : Un assistant en RAG interroge une base documentaire médicale officielle mise à jour régulièrement, plutôt que la seule mémoire du modèle d’IA.

Résultat attendu : Le praticien obtient une réponse basée sur le texte officiel le plus récent, avec la référence exacte du document, ce qui reste toutefois un outil d’aide et non un substitut à son propre jugement professionnel.

Application guidée : identifier pourquoi une IA sans RAG se trompe

Contexte : Un assistant IA classique, sans RAG, répond à un client qu’un produit est encore en catalogue, alors que ce produit a été retiré de la vente le mois dernier.

Question : Pourquoi ce type d’erreur se produit-il, et comment le RAG aurait-il pu l’éviter ?

Résultat attendu : Comprendre que le modèle répond à partir de ses connaissances figées lors de son entraînement, sans savoir que le catalogue a changé depuis. En connectant l’assistant en RAG au catalogue produit à jour, il aurait pu vérifier en temps réel que le produit n’existe plus avant de répondre.

Application guidée : évaluer la fiabilité d’une base documentaire pour un RAG

Contexte : Une entreprise veut mettre en place un assistant en RAG en s’appuyant sur son intranet, qui contient à la fois des procédures officielles à jour et d’anciens documents de travail jamais supprimés depuis dix ans.

Question : Quel est le principal risque de brancher directement le RAG sur cet intranet tel quel ?

Résultat attendu : Identifier le risque de voir l’assistant citer par erreur un document obsolète comme s’il était la référence en vigueur, et recommander un tri préalable de la base documentaire (archiver ou supprimer les documents périmés) avant de la connecter à l’assistant, car le RAG est fiable seulement si la base source l’est aussi.

Pour bien le retenir

L'analogie

Le RAG, c’est comme un avocat qui, avant de répondre à une question précise d’un client, va d’abord consulter le dossier du client et les derniers textes de loi dans sa bibliothèque, plutôt que de répondre uniquement de mémoire. Il rédige ensuite sa réponse en s’appuyant sur ces documents précis, ce qui la rend plus fiable et plus facile à vérifier.

« Le RAG, c’est une IA qui va chercher le bon document avant de répondre, au lieu de répondre par cœur. »

Pièges à éviter

À ne pas confondre avec

Une confusion fréquente consiste à croire que le RAG rend une IA générative infaillible. En réalité, il réduit fortement le risque de réponse inventée mais ne le supprime pas totalement : le modèle peut encore mal interpréter un passage retrouvé ou combiner plusieurs sources de façon incorrecte.

Autre piège : penser que le RAG remplace le réglage fin (fine-tuning) d’un modèle. Ce sont deux techniques différentes et parfois complémentaires : le RAG apporte des informations factuelles à jour, alors que le fine-tuning ajuste plutôt le style ou le comportement général du modèle.

Enfin, il ne faut jamais négliger la qualité de la base documentaire connectée au RAG : des documents mal classés, contradictoires ou obsolètes produiront des réponses peu fiables, même avec la technique de RAG la plus avancée.

Évolution historique

Apparition : Concept formalisé en 2020, adoption large en entreprise à partir de 2023

Quels changements depuis l’arrivée de l’IA ?

Le RAG est lui-même né de l’évolution rapide de l’intelligence artificielle générative. Avant l’essor des grands modèles de langage, les moteurs de recherche documentaire et les outils de génération de texte fonctionnaient séparément. Aujourd’hui, avec la généralisation des assistants IA en entreprise depuis 2023, le RAG est devenu une brique quasiment incontournable pour connecter ces assistants aux documents internes d’une organisation, un sujet que les responsables métier doivent désormais comprendre, même sans être experts techniques, pour choisir un outil fiable.

Évolution historique

Avant 2020 : les moteurs de recherche documentaire et les IA génératives évoluent chacun de leur côté, sans être combinés efficacement.

2020 : des chercheurs formalisent l’architecture combinant recherche documentaire et génération de texte, sous le nom de Retrieval-Augmented Generation.

2022-2023 : la popularisation grand public des assistants conversationnels révèle leurs limites, notamment le risque de réponses datées ou inventées.

2023-2024 : adoption massive du RAG en entreprise pour connecter les IA génératives aux documents internes.

Aujourd’hui : le RAG se généralise dans les outils bureautiques courants et les assistants métiers proposés par de nombreux éditeurs de logiciels.