Une IA générale ne connaît pas votre documentation
Un modèle de langage peut expliquer des notions générales, mais il ne connaît pas automatiquement votre catalogue, vos procédures internes ou la dernière version de vos contrats types. Copier tous ces documents dans chaque prompt devient vite impraticable, coûteux et difficile à maintenir.
Le RAG, pour Retrieval-Augmented Generation ou génération augmentée par récupération, ajoute une étape de recherche avant la réponse. Le système sélectionne les passages pertinents dans une base documentaire, les transmet au modèle avec la question, puis produit une réponse fondée sur ce contexte.
La définition simple
Le RAG ne réentraîne pas le modèle avec vos documents. Il lui fournit, au moment de la demande, les extraits retrouvés dans vos sources afin qu'il puisse répondre avec un contexte précis et actualisable.
Le fonctionnement en cinq étapes
Vos documents deviennent un contexte vérifiable
Le modèle ne parcourt pas toute votre bibliothèque. Une chaîne de recherche sélectionne d'abord les passages susceptibles de répondre à la question.
- Préparer : extraire un texte propre depuis vos PDF, pages, tableurs ou bases de connaissances.
- Découper : séparer le contenu en passages cohérents, appelés fragments ou chunks.
- Indexer : enregistrer ces passages et leurs métadonnées dans un moteur de recherche textuel, sémantique, vectoriel ou hybride.
- Récupérer : retrouver les passages les plus proches de la question.
- Générer : demander au modèle de répondre à partir de ces passages et de citer leur origine.
La qualité finale dépend autant de la recherche que du modèle. Si le bon passage n'est pas retrouvé, même une excellente génération ne peut pas produire une réponse correctement fondée.
RAG, simple pièce jointe ou fine-tuning ?
| Approche | Usage adapté | Limite principale |
|---|---|---|
| Pièce jointe | Analyse ponctuelle de quelques documents | Contexte à recharger et volume limité |
| RAG | Questions récurrentes sur une base évolutive | Recherche et droits d'accès à concevoir |
| Fine-tuning | Adapter un comportement, un style ou une tâche | Peu adapté à l'ajout fréquent de connaissances factuelles |
Pour une FAQ interne qui change chaque mois, le RAG est généralement plus facile à actualiser. Pour reformuler systématiquement un texte dans un format métier, une instruction solide ou un ajustement du modèle peut être plus pertinent.
Choisir un premier cas d'usage raisonnable
Commencez par une base limitée dont les réponses sont faciles à contrôler :
- procédures internes et guides d'onboarding ;
- catalogue produit et documentation commerciale validée ;
- centre d'aide pour préparer des brouillons de support ;
- référentiel qualité ou manuel technique ;
- corpus de recherches avec références explicites.
Évitez comme premier projet une base hétérogène contenant des versions contradictoires, des droits d'accès complexes ou des décisions médicales, juridiques ou financières à fort impact.
Construire un prototype utile en sept étapes
1. Définissez la question métier
« Interroger nos documents » reste trop large. Préférez : « permettre au support de retrouver une procédure validée et son lien source en moins de deux recherches ».
2. Sélectionnez une source de vérité
N'indexez pas tout votre stockage. Choisissez un propriétaire, retirez les doublons et indiquez quelle version fait foi. Une archive obsolète retrouvée avec confiance reste une mauvaise réponse.
3. Nettoyez et structurez les documents
Les scans illisibles, tableaux sans en-têtes, titres perdus et pieds de page répétés dégradent la recherche. Conservez les métadonnées utiles : titre, version, date, service, niveau de confidentialité et URL d'origine.
4. Choisissez le mode de recherche
La recherche par mots-clés excelle sur les références exactes. La recherche sémantique retrouve des formulations proches. Une approche hybride combine souvent les deux, puis réordonne les résultats pour privilégier les passages les plus pertinents.
5. Cadrez la réponse
6. Appliquez les droits au moment de la recherche
Un utilisateur ne doit retrouver que les documents auxquels il peut réellement accéder. Filtrer uniquement l'interface après la génération est insuffisant : l'autorisation doit limiter les passages récupérés avant leur envoi au modèle.
7. Évaluez avant d'élargir
Préparez un jeu de questions représentatives avec la bonne source attendue, des questions ambiguës et des questions sans réponse. Mesurez séparément la pertinence des passages retrouvés, la fidélité de la réponse, la qualité des citations, le taux de refus correct et le temps de traitement.
Les erreurs les plus fréquentes
- Indexer trop de contenu trop tôt : le bruit masque les passages utiles.
- Découper à taille fixe sans respecter la structure : une règle peut être séparée de son exception.
- Oublier les versions : deux procédures contradictoires deviennent également retrouvables.
- Présenter le RAG comme une garantie : le modèle peut encore interpréter ou reformuler incorrectement le contexte.
- Négliger les permissions : une recherche efficace peut révéler un document confidentiel au mauvais utilisateur.
- Tester seulement des questions faciles : les échecs apparaissent sur les ambiguïtés, absences et documents proches.
Le RAG réduit-il les hallucinations ?
Il peut les réduire en fournissant des informations pertinentes, récentes et citées. Il ne les supprime pas. Une mauvaise récupération, un contexte contradictoire ou une consigne trop permissive peuvent produire une réponse inexacte malgré la présence d'une base documentaire.
Le bon garde-fou consiste à rendre l'incertitude visible : citations consultables, extrait source, date du document, seuil de confiance, refus lorsque la matière manque et validation humaine pour les décisions importantes.
Retrouver juste ne suffit pas
Un assistant documentaire fiable associe une recherche mesurable à des règles qui rendent l'incertitude et les limites visibles.
Sécurité : considérez aussi les documents comme une entrée
Un document indexé peut contenir une instruction malveillante, un secret, une donnée personnelle ou du contenu importé d'une source non fiable. Traitez les passages récupérés comme des données non fiables : séparez-les des instructions système, limitez les outils disponibles et empêchez un contenu documentaire d'autoriser une action.
Définissez également la conservation, la suppression, les journaux, la localisation des données et les conditions du fournisseur. Un assistant documentaire pratique n'est pas automatiquement conforme à votre politique interne.
La checklist avant la mise à disposition
- Une source de vérité et son responsable sont identifiés.
- Les documents obsolètes ou interdits sont exclus.
- Les permissions sont appliquées avant la récupération.
- Chaque réponse fournit une citation exploitable.
- L'absence d'information produit un refus clair.
- Un jeu de tests couvre erreurs, contradictions et questions hors périmètre.
- Les utilisateurs savent que la source doit être consultée pour toute décision sensible.
En bref
Un bon RAG n'est pas une immense bibliothèque branchée à un modèle. C'est une source maîtrisée, une recherche mesurable, des permissions strictes, des citations visibles et une réponse capable de dire « je ne trouve pas ».
Sources officielles et vérification
Contenu vérifié le 5 septembre 2026. Références : présentation du RAG et de ses limites par Microsoft, guide Microsoft de conception et d'évaluation d'une solution RAG, architectures RAG de Google Cloud, documentation OpenAI File Search et fiches CNIL et France Num pour l'usage de l'IA en TPE-PME.
