Définition
Le RAG, pour retrieval augmented generation (en français, génération augmentée par récupération), est une technique qui consiste à rechercher les passages pertinents dans une base de documents, puis à les fournir au modèle d’IA pour qu’il rédige sa réponse à partir d’eux. Le modèle ne répond plus seulement de mémoire : il s’appuie sur des sources que vous maîtrisez.
Le terme vient d’un article publié en 2020 par Patrick Lewis et ses coauteurs, chercheurs de Facebook AI Research, de l’University College London et de la New York University. Ils y combinent un modèle génératif avec un index de documents interrogé à chaque question, et montrent que les textes produits sont plus spécifiques, plus variés et plus factuels sur des tâches qui demandent des connaissances.
Le fonctionnement en trois étapes
- Indexer : les documents (procédures, contrats types, FAQ, fiches produits) sont découpés en passages, et chaque passage est converti en une représentation numérique qui permet de retrouver les textes de sens proche, même formulés autrement.
- Récupérer : à chaque question, le système cherche dans l’index les quelques passages les plus pertinents.
- Générer : ces passages sont ajoutés à la demande envoyée au modèle, avec une consigne du type « réponds uniquement à partir de ces extraits et cite-les ». Le modèle rédige la réponse.
Ce que le RAG apporte
- Vos informations, à jour : il suffit de mettre à jour un document pour que la réponse change, sans toucher au modèle.
- Des réponses vérifiables : le système peut indiquer de quel document vient chaque élément, ce qui facilite la relecture.
- Moins d’hallucinations, pas zéro : ancrer la réponse dans une source réduit les inventions, mais une synthèse peut encore contredire ou compléter un extrait. La relecture reste nécessaire (hallucinations de l’IA).
RAG, contexte long ou fine-tuning ?
| Méthode | Principe | Quand l’utiliser |
|---|---|---|
| Documents dans la conversation | On joint les fichiers à la demande | Peu de documents, usage ponctuel |
| RAG | Le système va chercher les bons passages dans une base | Base documentaire importante ou qui évolue, questions récurrentes |
| Fine-tuning (réentraînement) | On ajuste le modèle sur ses propres exemples | Style ou format très spécifique ; rarement nécessaire pour une TPE-PME |
La CNIL cite d’ailleurs ces trois approches (modèle sur étagère, ajustement sur des données spécifiques, RAG connecté à une base de connaissances) parmi les façons d’utiliser l’IA générative dans une organisation.
En pratique dans une PME
Vous utilisez peut-être déjà du RAG sans le savoir. Dans les projets de Claude, par exemple, quand les documents déposés approchent la limite de ce que le modèle peut lire en une fois, un mode de recherche documentaire s’active automatiquement sur les offres payantes, selon le centre d’aide d’Anthropic. D’autres outils en font leur principe même, comme NotebookLM, devenu Gemini Notebook, qui ne répond qu’à partir des documents de votre carnet et cite les passages utilisés.
Trois points font la qualité d’un RAG :
- Des documents propres et à jour : un RAG alimenté par des procédures périmées répond avec assurance… des procédures périmées.
- Les droits d’accès : une personne ne doit pas obtenir, via l’assistant, un document qu’elle n’aurait pas le droit d’ouvrir.
- Le choix de l’hébergement : pour des données personnelles ou une documentation sensible, la CNIL estime généralement plus opportun de privilégier un déploiement sur site, ou à défaut un hébergement encadré par un contrat de sous-traitance.
Dans notre formation certifiante, la configuration des outils IA et leur intégration aux systèmes et workflows existants (compétence C3) se travaillent sur le projet réel de chaque stagiaire.