RAG (Retrieval-Augmented Generation)
Le RAG (Retrieval-Augmented Generation) est une méthode qui connecte un modèle de langage à une base documentaire externe : avant de répondre, le modèle recherche les passages pertinents dans vos documents, puis rédige sa réponse en s’appuyant sur ce contenu récupéré. L’objectif est de fonder les réponses sur des sources vérifiables plutôt que sur la seule mémoire du modèle.
Mis à jour le 10 juillet 2026 · Bertrand Dumast
Comment fonctionne un RAG
Un RAG combine deux étapes distinctes. D’abord une recherche : la question de l’utilisateur est transformée en requête et comparée aux documents indexés (contrats, fiches produit, procédures internes, tickets support) pour en extraire les passages les plus pertinents. Ensuite une génération : ces passages sont transmis au LLM (grand modèle de langage), qui rédige la réponse en s’appuyant sur ce contenu plutôt que sur sa seule mémoire d’entraînement.
Pourquoi le RAG réduit les inventions
Un modèle de langage seul répond à partir de ce qu’il a appris pendant son entraînement, sans accès à vos données propriétaires ni à l’actualité de votre activité. Il comble les trous par des formulations plausibles mais parfois fausses. Le RAG change la donne : la réponse s’appuie sur des extraits réels de vos documents, ce qui permet de citer la source et de vérifier l’exactitude. Cela ne supprime pas totalement le risque d’erreur, mais le ramène à un problème de qualité documentaire plutôt que d’invention pure.
Quand c’est justifié
- Support client : répondre aux questions à partir de votre documentation produit, vos conditions générales et l’historique de tickets, sans réécrire un article de FAQ à chaque mise à jour.
- Documentation interne : donner à vos équipes un point d’entrée unique sur les procédures, les fiches process et les notes techniques dispersées dans plusieurs outils.
- Contenus qui changent souvent : catalogues produits, tarifs, politiques internes, là où un modèle figé perdrait rapidement en fiabilité.
Comment cadrer un projet RAG
Ce type de projet s’inscrit généralement dans une démarche plus large d’automatisation métier et IA : le RAG seul ne suffit pas si la donnée source n’est pas fiable ou accessible.
- Faire l’inventaire des documents sources et de leur niveau de mise à jour : un RAG branché sur des documents obsolètes reproduit les erreurs qu’il est censé éviter.
- Définir le découpage des documents (chunking) et les métadonnées associées, pour que la recherche retrouve le bon passage et pas seulement le bon document.
- Prévoir la mise à jour continue de la base documentaire, pas un chargement ponctuel figé dans le temps.
- Cadrer le périmètre des questions couvertes, pour éviter que le modèle réponde hors sujet avec le même niveau d’assurance.
Un RAG coûte-t-il plus cher qu’un simple accès à un modèle de langage ?
Un RAG ajoute une étape d’indexation et de recherche documentaire, donc un coût de mise en place supérieur à un simple accès à un modèle de langage. En contrepartie, il réduit le besoin de reformuler ou de réentraîner le modèle à chaque mise à jour de vos contenus, ce qui limite les coûts récurrents sur la durée.
Faut-il un RAG ou un modèle affiné (fine-tuné) pour mon usage ?
Le fine-tuning modifie le comportement du modèle lui-même et convient à un ton ou un format récurrent. Le RAG laisse le modèle inchangé et lui fournit du contenu à jour au moment de la question, ce qui le rend plus adapté quand vos documents évoluent souvent, comme un catalogue produit ou une base de tickets support.
Quel est le principal risque d’un projet RAG ?
Le risque principal n’est pas technique mais documentaire : si vos sources sont incomplètes, contradictoires ou mal organisées, le RAG restitue ces défauts avec la même assurance qu’une réponse correcte. Un audit de la base documentaire avant le déploiement limite ce risque.
Termes liés.
LLM (grand modèle de langage)
Un LLM (large language model, littéralement grand modèle de langage) est un système d’intelligence artificielle entraîné sur d’immenses volumes de texte pour comprendre, résumer et générer du langage naturel.
DécouvrirAgent IA
Un agent IA est un programme qui s'appuie sur un modèle de langage pour exécuter une tâche de bout en bout : il lit des données, décide de la marche à suivre et déclenche des actions via des outils (API, logiciels métier, bases de données) sans validation humaine à chaque étape.
DécouvrirGEO (Generative Engine Optimization)
Le GEO (Generative Engine Optimization) est l’ensemble des pratiques qui rendent un contenu web citable et repris par les moteurs de réponse IA comme ChatGPT ou Perplexity, ainsi que par les résumés IA intégrés aux résultats de recherche.
DécouvrirUn projet où RAG entre en jeu ?
Envoyez votre contexte. On vous dit par quoi commencer, avec un premier avis concret et sans engagement.