Qu'est-ce que le RAG ?.
Le RAG (Retrieval-Augmented Generation, en français génération augmentée par récupération) est une technique qui permet à un modèle d'IA de répondre à partir de vos documents. Avant de rédiger, le système cherche les passages pertinents dans votre base documentaire et les donne au modèle, qui s'en sert pour répondre, en citant ses sources.
Le problème qu'il résout est simple. Un LLM, comme Claude, GPT ou Mistral, a été entraîné sur d'immenses volumes de textes publics, jusqu'à une certaine date. Il ne connaît ni vos procédures, ni vos prix, ni vos contrats. Interrogé sur votre entreprise, il invente ou il avoue ne pas savoir.
Le RAG lui donne, à chaque question, les bons extraits de vos documents. C'est comme demander à un collaborateur très compétent de répondre, en lui glissant d'abord les trois pages du classeur qui traitent du sujet.
Comment fonctionne un RAG.
Un RAG enchaîne toujours quatre étapes :
| Étape | Ce qui se passe | Exemple |
|---|---|---|
| 1. Préparer | Les documents sont découpés en passages et indexés pour être retrouvés par le sens, pas seulement par les mots | Le règlement intérieur, découpé article par article |
| 2. Chercher | À chaque question, le système retrouve les passages les plus proches du sens de la question | « Combien de jours de télétravail ? » ramène l'article sur le télétravail |
| 3. Augmenter | Les passages trouvés sont ajoutés à la consigne envoyée au modèle | « Réponds uniquement à partir de ces extraits » |
| 4. Générer | Le modèle rédige la réponse et cite ses sources | « Deux jours par semaine, d'après l'article 12 » |
L'étape 1 se fait une fois, puis à chaque mise à jour des documents. Les étapes 2 à 4 se font à chaque question, en quelques secondes.
RAG ou fine-tuning : que choisir ?.
Il existe deux grandes façons de donner à une IA des connaissances propres à l'entreprise :
| RAG | Fine-tuning | |
|---|---|---|
| Principe | On fournit les bons documents au moment de la question | On réentraîne le modèle sur vos données |
| Mise à jour | On met à jour la base documentaire | On réentraîne le modèle |
| Sources citées | Oui | Non |
| Changer de modèle | Facile, la base reste | Tout est à refaire |
| Cas typique | Connaissances qui évoluent : procédures, offres, documentation | Style ou format très spécifique, tâche répétitive très étroite |
Pour les connaissances d'une entreprise, qui changent en permanence, le RAG est presque toujours le bon point de départ. Il a un autre avantage : il ne vous lie à aucun modèle. Le jour où un meilleur modèle sort, on le branche sur la même base.
Ce que le RAG change en entreprise.
Quelques usages où le RAG fait gagner du temps au quotidien :
- L'assistant interne. Les équipes posent leurs questions sur les procédures, les avantages RH, les règles de facturation, et obtiennent une réponse sourcée au lieu de solliciter un collègue.
- Le support client. Un chatbot qui répond à partir de votre documentation et de vos conditions, et qui passe la main à un humain quand il ne trouve pas.
- L'avant-vente. Retrouver en quelques secondes la bonne référence client, la bonne clause ou la bonne fiche technique pour une réponse à appel d'offres.
- L'agent IA qui vérifie avant d'agir. Un agent qui consulte la politique de remboursement avant de valider une demande, ou les conditions d'un contrat avant de relancer un client.
Dans ce dernier cas, le RAG devient une brique d'un système plus large : c'est ce qui distingue un agent IA d'un simple chatbot.
Les pièges à éviter.
Un RAG est simple à démontrer et plus exigeant à rendre fiable. Les écueils les plus fréquents :
- Des documents périmés ou contradictoires. Si deux versions d'une procédure coexistent, l'IA peut citer la mauvaise. Le RAG ne vaut que ce que vaut la base : un tri préalable est indispensable.
- Un mauvais découpage. Des passages trop courts perdent le contexte, trop longs noient l'information. Le découpage se règle selon le type de document.
- Aucune réponse « je ne sais pas ». Quand la recherche ne trouve rien de pertinent, le système doit le dire, plutôt que laisser le modèle improviser.
- Des droits d'accès ignorés. Un salarié ne doit pas obtenir, via l'assistant, un document qu'il n'a pas le droit de lire. Les permissions se gèrent dès la conception.
- Pas de mesure. Sans un jeu de questions-réponses de référence, impossible de savoir si une modification améliore ou dégrade le système.
Pour aller plus loin : comprendre la brique de base avec LLM : définition simple, et voir comment un agent assemble RAG, outils et garde-fous dans nos agents IA sur mesure.
RAG : ce qu'on nous demande.
Qu'est-ce que le RAG en IA ?
Le RAG (Retrieval-Augmented Generation, ou génération augmentée par récupération) est une technique qui permet à un modèle de langage de répondre à partir de vos documents. Avant de rédiger, le système recherche les passages pertinents dans une base documentaire et les fournit au modèle, qui s'en sert pour répondre en citant ses sources.
Quelle différence entre RAG et fine-tuning ?
Le fine-tuning modifie le modèle lui-même en le réentraînant sur vos données : c'est long, coûteux, et il faut recommencer à chaque changement. Le RAG laisse le modèle intact et lui fournit les bons documents au moment de la question : on met à jour la base, pas le modèle. Pour des connaissances d'entreprise qui évoluent, le RAG est presque toujours le bon choix.
À quoi sert un RAG en entreprise ?
À répondre de façon fiable à partir de vos propres contenus : un assistant qui connaît vos procédures internes, un chatbot client qui s'appuie sur votre documentation, un agent qui vérifie un contrat ou une politique avant d'agir. Le point commun : des réponses spécifiques à votre entreprise, avec les sources.
Le RAG supprime-t-il les hallucinations ?
Il les réduit fortement, sans les supprimer. En donnant au modèle les bons passages et en lui demandant de s'y tenir, on limite les inventions. Mais si la recherche ramène un mauvais document, ou aucun, le modèle peut encore se tromper. D'où l'importance de citer les sources et de prévoir une réponse du type « je ne sais pas ».
Quels documents peut-on mettre dans un RAG ?
Tout contenu textuel ou convertible en texte : PDF, pages web, documents Word, fiches produit, tickets de support, bases de connaissances, emails, transcriptions. Les documents doivent être à jour et découpés proprement pour que la recherche retrouve le bon passage.
Quelle différence entre RAG et MCP ?
Le RAG donne à l'IA des connaissances (des documents à lire). MCP donne à l'IA des accès (des outils à utiliser, comme un CRM ou une base de données). Les deux se combinent souvent dans un agent : RAG pour savoir, MCP pour agir. Voir MCP en IA : c'est quoi.