Support interne
IT, RH, finance — réponses sourcées depuis policies.
Qu'est-ce que RAG ? Définition et explications
RAG (Retrieval-Augmented Generation) combine recherche documentaire et modèle génératif : le système récupère des passages pertinents dans vos sources, puis génère une réponse ancrée sur ces extraits. Moins d'hallucinations, plus de traçabilité.
En une phrase
Le RAG fait répondre l'IA à partir de vos documents, pas seulement de sa mémoire entraînée.
À retenir
- Deux phases : recherche (souvent vectorielle + mots-clés) puis génération conditionnée.
- La qualité dépend du découpage (chunking), des métadonnées et des droits d'accès.
- Les citations permettent de vérifier chaque affirmation sensible.
- Il ne garantit pas zéro erreur si les sources sont incomplètes ou obsolètes.
- Complète fine-tuning et prompts système ; ne les remplace pas toujours.
Fiche du terme
- RAG
- Retrieval-Augmented Generation · Génération augmentée par récupération
- Terme anglais
- Retrieval-Augmented Generation (RAG)
- Domaine
- Intelligence artificielle
- Catégorie
- IA générative appliquée
- Niveau
- Intermédiaire à avancé
Pourquoi le RAG est devenu incontournable
La qualité dépend de l'indexation, du découpage des documents et du ranking des passages.
On cite souvent les sources pour que l'utilisateur puisse vérifier.
C'est l'approche privilégiée pour bases de connaissances internes, politiques RH ou docs produit.
Mettre en place un pipeline RAG
- 01
Curater les sources
Documents approuvés, versions datées, exclusion des brouillons non validés.
- 02
Indexer proprement
Chunks cohérents, métadonnées (langue, produit, date), tests de rappel sur questions types.
- 03
Sécuriser la requête
Filtrer les chunks selon l'identité de l'utilisateur ; journaliser questions et passages servis.
- 04
Évaluer en continu
Métriques faithfulness, couverture des FAQ, boucle de feedback des experts métier.
Exemple concret de RAG
Un employé demande la procédure de remboursement ; le système retrouve la page RH à jour et répond avec le lien vers la source.
Cas d'usage du RAG
Vente et avant-vente
Specs produits, compatibilités, délais — depuis PIM et ERP export.
Conformité
Interrogation de registres et politiques avec trace d'audit.
Recherche juridique assistée
Premier tri documentaire, jamais substitut au conseil juridique.
Avantages et limites du RAG
- Actualisable sans réentraînement coûteux du modèle
- Traçabilité par citations vers vos documents
- Peut combiner plusieurs référentiels métier
- Index mal construit → réponses silencieusement fausses
- Latence additionnelle (retrieval + génération)
- Gouvernance documentaire exigeante
RAG ou fine-tuning ?
| RAG | Fine-tuning | |
|---|---|---|
| Objectif | Injecter des faits et docs à jour | Modifier style ou comportement du modèle |
| Coût de mise à jour | Réindexer des documents | Campagnes d'entraînement |
| Traçabilité | Forte si citations obligatoires | Faible — poids dispersés |
| Données requises | Corpus structuré searchable | Jeux d'exemples labellisés |
RAG et valeur métier
Le RAG transforme un LLM générique en interface de votre patrimoine documentaire — à condition que ce patrimoine soit fiable. Pour une PME, commencer par un périmètre étroit (une politique, un catalogue) avec évaluation hebdomadaire bat un déploiement « tout le SharePoint » qui noie l'utilisateur de chunks hors sujet.
Questions fréquentes
Le RAG élimine-t-il les hallucinations ?
Il les réduit quand les sources couvrent la question et que le prompt force la fidélité. Sinon, le modèle peut encore extrapoler.
Faut-il une base vectorielle ?
Souvent oui pour la sémantique, parfois combinée à BM25. Le choix dépend volume, langue et budget.
Peut-on mélanger RAG et agents ?
Oui : l'agent appelle le retriever comme outil avant d'autres actions (ticket, courriel).
Termes associés
Sources et références
Vous voulez un assistant interne qui cite vos docs — pas le web aléatoire ?
Concevoir votre RAG