Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
Le RAG (Retrieval-Augmented Generation, ou génération augmentée par récupération) est une technique d’intelligence artificielle qui recherche des documents pertinents dans une base choisie, puis les transmet à un modèle de langage, qui rédige sa réponse en s’appuyant sur eux.
Le terme a été introduit en 2020 dans l’article de recherche « Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks » (Lewis et al., conférence NeurIPS 2020). Les auteurs y associent deux mémoires : les connaissances apprises par le modèle pendant son entraînement, et un index documentaire externe, interrogé au moment de la question. Les connaissances disponibles peuvent être complétées ou mises à jour sans l’entraîner à nouveau, en modifiant la base plutôt que le modèle.
Le fonctionnement suit trois temps. L’indexation prépare le corpus : les documents sont découpés en segments, puis convertis en vecteurs numériques, les embeddings, stockés dans une base dédiée. La récupération compare la question à ces segments, par recherche sémantique, lexicale ou hybride, et retient les plus proches. La génération transmet ces extraits au modèle avec la question, dans le prompt, et lui demande d’y fonder sa réponse, en citant ses sources lorsque le système le prévoit. Les variantes portent sur chacune de ces étapes : recherche hybride, appui sur un graphe de connaissances (knowledge graph), reclassement des extraits avant la génération, ou recherche déclenchée à la demande par un agent IA.
Le RAG se distingue du fine-tuning, qui modifie les paramètres du modèle pour l’adapter à un domaine, à un ton ou à une tâche. Le RAG ne change pas le modèle : il change ce qu’on lui donne à lire. Il se distingue aussi d’un moteur de recherche, qui renvoie des documents sans rédiger de réponse. En entreprise, il sert aux assistants documentaires internes, au support client et à la recherche dans des bases techniques ou réglementaires.
Un modèle de langage seul répond à partir de ce qu’il a appris, figé à la date de son entraînement, sans accès aux documents de l’entreprise. Le RAG lui donne ces documents et rend la réponse vérifiable, puisque chaque affirmation peut renvoyer à un extrait. Il ne supprime pas l’hallucination. Le guide de la Direction générale des Entreprises sur le RAG (novembre 2024) précise qu’elles « peuvent toujours se manifester ». Une étude de l’université Stanford (Magesh et al., 2024) a testé des outils commerciaux de recherche juridique fondés sur le RAG. Sur le jeu de questions de l’étude, ils produisaient des réponses erronées ou mal sourcées dans 17 à 33 % des cas, moins souvent toutefois qu’un modèle généraliste.
Notre lecture : le RAG déplace la question de la fiabilité du modèle vers la qualité du corpus. Une base obsolète, contradictoire ou mal découpée produit des réponses assurées et fausses, désormais accompagnées d’une source qui les rend crédibles.
Une réponse fausse peut venir de la récupération ou de la génération. Il faut donc mesurer les deux maillons séparément. Pour la récupération : le rappel, c’est-à-dire la part des questions pour lesquelles le bon passage figure parmi les extraits retenus, et la précision de ces extraits. Pour la génération : la fidélité, soit la part des affirmations appuyées par les extraits, et la pertinence de la réponse. Le cadre d’évaluation Ragas (Es et al., 2023) mesure sans annotation humaine de référence la pertinence des extraits, la fidélité et la pertinence de la réponse. Le rappel suppose, lui, de connaître à l’avance le bon passage. Le guide de la DGE cite aussi le taux d’hallucination et le temps de réponse.
Nous recommandons de constituer un jeu de 50 à 100 questions réelles, avec la réponse attendue et sa source. Rejouez-le à chaque modification du corpus, du découpage ou du modèle. Ce volume est un ordre de grandeur, à adapter au périmètre.
Advalians repère avec vous les cas d’usage de l’IA à forte valeur, puis accompagne le déploiement progressif des outils et la montée en compétences des équipes.
Choisissez le RAG lorsque la réponse dépend de faits qui changent ou doivent être cités. Choisissez le fine-tuning lorsque vous voulez modifier le comportement du modèle : ton, format, vocabulaire ou type de tâche. Le RAG agit sur ce que le modèle lit ; le fine-tuning agit sur le modèle lui-même.
Critère pratique : si vos documents changent plus d’une fois par trimestre, ou si chaque réponse doit renvoyer à une source, le RAG s’impose. Les deux approches peuvent se combiner, mais nous recommandons de commencer par le RAG, plus simple à corriger.
Commencez par un usage étroit et un corpus que vous maîtrisez, pas par le choix d’un outil.
Mesurez séparément la recherche et la rédaction, sur un jeu de questions dont vous connaissez la réponse. Vérifiez d’abord que le bon passage figure parmi les extraits retenus. Vérifiez ensuite que chaque affirmation de la réponse est appuyée par un extrait cité.
Fixez vos seuils avant le lancement, par exemple une réponse sourcée pour chaque question et aucune affirmation sans appui sur l’échantillon relu. Relisez ensuite un échantillon de réponses réelles chaque semaine pendant le premier mois. Ces seuils sont des repères à adapter à l’enjeu de l’usage.
Non. Il le réduit lorsque les sources sont bonnes, mais ne l’élimine pas. Le guide de la Direction générale des Entreprises sur le RAG (2024) souligne que les hallucinations peuvent toujours se manifester. Le modèle peut mal lire un extrait, combiner deux passages incompatibles ou répondre alors que la recherche n’a rien trouvé de pertinent.
Trois garde-fous limitent ce risque : citation obligatoire des extraits, consigne explicite de refus en l’absence de source, relecture humaine pour toute réponse destinée à un client ou à une décision engageante.
Renoncez-y lorsque le corpus est petit et stable : il peut alors être fourni directement au modèle, sans index. Renoncez-y aussi lorsque la question exige un calcul sur des données chiffrées : une requête dans la base de données est plus fiable qu’un extrait de texte.
Le RAG convient mal aux synthèses de tout un corpus et aux comparaisons de documents, car il ne lit que quelques extraits. Il ne compense pas non plus des sources de mauvaise qualité. Si vos documents sont contradictoires, commencez par les assainir.
Par Thomas Bizot – Président du cabinet Advalians
