RAG : définition de la génération augmentée

Un modèle de langage ne connaît ni vos procédures, ni vos fiches produits, ni la note de service de la semaine dernière. Le RAG règle ce problème sans toucher au modèle : on lui apporte les bons extraits au moment où la question est posée. C’est le principe de beaucoup d’outils qui proposent de « discuter avec vos documents ».

Que veut dire RAG ?

RAG est le sigle anglais de retrieval-augmented generation, traduit par génération augmentée par récupération : on enrichit la rédaction d’une réponse avec des informations récupérées dans une source choisie.

Les trois mots décrivent les trois gestes :

• Récupération : le système va chercher des passages dans vos documents.
• Augmentation : il ajoute ces passages à la question posée au modèle.
• Génération : le modèle rédige la réponse à partir de ce qu’on lui a fourni.

Sans RAG, le modèle répond de mémoire, avec ce qu’il a retenu pendant son entraînement. Il ne connaît pas vos documents internes, et ses connaissances s’arrêtent à une date. Ce que le modèle sait, et ce qu’il ignore, est expliqué dans la définition d’un grand modèle de langage.

Comment fonctionne un RAG, étape par étape ?

Un RAG fonctionne en trois étapes : préparer les documents une fois, rechercher les passages utiles à chaque question, puis générer une réponse appuyée sur ces passages.

1. Découper et indexer les documents

Les documents sont découpés en passages courts, souvent de quelques paragraphes : procédures, fiches techniques, contrats types, pages d’aide. Chaque passage est ensuite indexé, c’est-à-dire rangé pour être retrouvé vite. L’index repose souvent sur le sens du texte, et pas seulement sur ses mots, ce qui permet de retrouver un passage formulé autrement que la question.

2. Rechercher les passages pertinents

Quand quelqu’un pose une question, le système cherche dans l’index les passages les plus proches, et n’en retient qu’un nombre limité. Il ne transmet pas toute la base au modèle : la fenêtre de contexte est limitée, et trop de texte peut noyer l’information utile.

3. Générer une réponse sourcée

Le modèle reçoit la question, les passages retenus et une consigne du type « réponds uniquement à partir de ces extraits et cite-les ». Il rédige la réponse et indique les documents d’où elle vient. L’utilisateur peut ouvrir la source pour vérifier.

C’est la différence entre un examen sans documents et un examen avec le classeur ouvert à la bonne page. Le raisonnement est le même, mais la réponse s’appuie sur une source qu’on peut montrer.

Ce que ces trois étapes apportent

Un RAG sert à obtenir des réponses fondées sur vos propres documents, à jour et vérifiables.

• Des réponses fondées sur vos documents. Le modèle répond avec vos procédures et votre vocabulaire, pas avec des généralités.
• Une information à jour. Quand un document change, on met à jour l’index et les réponses suivent. Le modèle, lui, reste le même.
• Moins d’hallucinations, sans les supprimer. Avec le bon passage sous les yeux, le modèle invente moins. Il peut pourtant encore mal lire ou mal combiner deux extraits : les hallucinations d’une IA restent possibles.
• Une vérification rapide. Une réponse qui renvoie vers ses sources se relit plus vite.

Des exemples de RAG dans une PME

Un RAG est utile dès qu’une équipe cherche souvent la même information dans des documents qui existent déjà.

Une base documentaire interne

Un RAG peut répondre aux questions courantes des salariés : comment déclarer une note de frais, qui contacter pour un accès informatique, quelle est la règle pour les congés exceptionnels. La réponse s’appuie sur les notes internes et donne le lien vers le document d’origine.

Les procédures qualité

Un RAG peut aider en atelier : un opérateur demande la procédure de nettoyage d’une machine ou la conduite à tenir face à une pièce non conforme. La réponse cite la procédure indexée, au lieu d’une recherche dans des classeurs ou des dossiers partagés.

Le support client

Un RAG peut préparer les réponses du support à partir des fiches techniques, des notices et des questions déjà traitées. Tant que l’outil n’a pas fait ses preuves, il vaut mieux qu’il prépare les réponses pour l’équipe plutôt que de répondre seul aux clients.

Un RAG peut aussi devenir l’un des outils d’un agent IA, qui consulte vos documents avant d’agir.

RAG, consigne seule ou réentraînement : ne pas confondre

Pour faire travailler une IA avec vos informations, trois approches existent : tout mettre dans la consigne, utiliser un RAG, ou réentraîner le modèle.

La consigne seule suffit souvent : si le document tient dans la fenêtre de contexte et que la question est ponctuelle, inutile de construire un RAG.

Le réentraînement, aussi appelé fine-tuning ou affinage, est souvent présenté comme la manière de « faire apprendre » vos données à une IA. Pour des informations précises et changeantes, c’est rarement le bon outil : il modifie la façon dont le modèle répond, sans garantir qu’il restitue un fait exactement, ni dire d’où il le tient.

Quelles sont les limites d’un RAG ?

Un RAG ne vaut que ce que valent les documents qu’on lui donne et la recherche qui les retrouve.

• La qualité des documents. Deux versions contradictoires d’une procédure produisent des réponses contradictoires. Un RAG ne distingue pas seul le périmé du valable.
• La fraîcheur de l’index. Si l’index n’est pas mis à jour quand un document change, l’outil répond avec l’ancienne version, et avec la même assurance.
• Une recherche qui rate. Si le bon passage n’est pas retrouvé, le modèle répond à côté. Il faut lui demander explicitement de dire qu’il ne sait pas plutôt que de deviner.
• Les formats difficiles. Les documents scannés, les tableaux complexes et les schémas peuvent être mal lus lors de l’extraction du texte.
• Les droits d’accès. Si l’index ignore les droits, l’assistant peut citer à un salarié un passage qu’il n’aurait pas pu ouvrir : salaires, dossiers du personnel, contrats. Les droits doivent s’appliquer au moment de la recherche.

Ce que ça change pour une PME

Le RAG transforme la documentation existante d’une PME en source de réponses, à condition que cette documentation soit tenue.

Le premier chantier n’est donc pas technique. Il consiste à choisir un périmètre restreint, par exemple les procédures d’un seul service, à retirer les doublons et les versions périmées, et à désigner qui met à jour quoi. Un RAG branché sur un dossier partagé en désordre répondra en désordre.

Testez ensuite l’outil avec des questions dont vous connaissez déjà les réponses : c’est le moyen le plus simple de voir s’il retrouve les bons passages. Gardez les documents sensibles hors de l’index tant que les droits d’accès n’ont pas été vérifiés. Pour les autres mots de cette page, de la fenêtre de contexte à l’agent IA, voyez le glossaire de l’IA.

À retenir

• Le RAG (génération augmentée par récupération) fait répondre un modèle de langage à partir de passages retrouvés dans vos documents.
• Un RAG fonctionne en trois temps : indexer les documents, rechercher les passages utiles, puis générer une réponse appuyée sur ces passages.
• Le RAG réduit les hallucinations sans les supprimer, d’où l’intérêt de vérifier les sources quand l’outil les affiche.
• Pour des informations internes qui changent souvent, le RAG est en général plus adapté que le réentraînement du modèle.
• La qualité d’un RAG dépend d’abord de documents à jour, sans doublons, et de droits d’accès respectés.