Concept

RAG (génération augmentée par récupération)

Une technique qui permet à une IA de consulter tes documents avant de répondre, pour des réponses plus à jour et plus ancrées dans tes données.

D'où ça vient

Le terme RAG a été introduit dans un article de recherche en 2020. Cet article décrivait un modèle de langage combiné à une mémoire externe, consultée par recherche au moment de répondre. Depuis, la technique est devenue une approche très répandue dans les systèmes d'IA modernes.

C'est quoi, concrètement

Au lieu de répondre seulement avec ce qu'il a appris à l'entraînement, le modèle va d'abord chercher les passages pertinents dans un ensemble de documents que tu as choisis. Ces passages sont ajoutés à ta question, puis le modèle rédige sa réponse à partir des deux. Concrètement, ça permet à un agent conversationnel d'utiliser des données internes de l'entreprise ou des sources de référence, sans devoir réentraîner le modèle chaque fois que l'information change.

Exemples

Agent conversationnel sur les documents internes : Un assistant qui répond aux questions de l'équipe en s'appuyant sur les données de l'entreprise plutôt que sur ses seules connaissances générales.
Réponses avec sources citées : Le système indique d'où vient l'information, ce qui permet de vérifier les passages cités avant de s'y fier.
Recherche dans des documents téléversés : Le modèle puise dans des textes que tu lui fournis, dans des bases de données ou sur le web pour appuyer sa réponse.
Recherche hybride : On combine la recherche par sens (base de données vectorielle) et la recherche classique par mots, pour moins manquer de faits importants.

Ce que ça permet

Le modèle peut utiliser de l'information récente ou propre à ton domaine, absente de son entraînement.
Pour mettre à jour les connaissances, il suffit d'enrichir la base de documents, sans réentraîner le modèle.
Ça aide à réduire les erreurs inventées par l'IA, les fameuses hallucinations.
Les réponses peuvent citer leurs sources, ce qui rend la vérification plus facile.
Ça évite des coûts de calcul et des dépenses liés au réentraînement.

Pièges à éviter

Ça ne règle pas tout: le modèle peut quand même halluciner autour des documents qu'il a trouvés.
Il peut mal interpréter un passage pris hors contexte, même si la source est exacte.
Devant des sources qui se contredisent, il peut mélanger de l'information périmée et de l'information à jour.
Sans entraînement particulier, il peut répondre quand il devrait avouer qu'il ne sait pas.
Des sources trompeuses peuvent être injectées dans la base de documents, ce qu'on appelle l'empoisonnement du RAG.
Le réentraînement du modèle est moins fréquent, mais pas complètement éliminé.

Pour ta PME

Une PME d'ici peut brancher un assistant sur ses guides internes, ses politiques ou sa documentation produit pour que l'équipe trouve vite des réponses. Choisis bien les documents qu'on y met et garde les données sensibles ou les renseignements personnels à l'écart, en tenant compte de la Loi 25. Fais toujours valider par une personne les réponses importantes, et vérifie les sources citées.

Sources : Wikipédia · mis à jour le 2026-11-06

Infolettre gratuite

« 5 prompts, 1 café »

Reçois 5 prompts prêts à copier chaque matin à 6 h 30.