Le RAG expliqué simplement, avec un exemple en entreprise

Le RAG, pour Retrieval-Augmented Generation ou génération augmentée par la recherche, est la méthode qui permet à un assistant d’IA de répondre à partir de vos documents plutôt que de sa seule mémoire. C’est aujourd’hui la façon la plus courante de connecter une IA aux connaissances d’une entreprise.

Le problème que le RAG résout

Un modèle de langage sait beaucoup de choses en général, mais rien de vos procédures, de vos contrats ou de vos notes internes. Et sa fenêtre de contexte, même large, ne peut pas contenir toute votre base documentaire. Lui demander de répondre sans ces documents, c’est s’exposer aux hallucinations.

Comment ça marche, en trois temps

1. Préparer. Les documents sont découpés en passages et indexés par le sens grâce aux embeddings, qui rapprochent les textes de signification proche.

2. Rechercher. À chaque question, le système retrouve les quelques passages les plus pertinents, même s’ils n’emploient pas les mêmes mots que la question.

3. Générer. Ces passages sont ajoutés à la consigne, et le modèle rédige sa réponse en s’appuyant dessus, avec les références.

Un exemple concret

Une société de gestion immobilière dispose de plusieurs centaines de baux. Un collaborateur demande : « Quels baux prévoient une révision triennale et une indexation sur l’ILC ? ». Sans RAG, l’assistant ne peut pas répondre. Avec RAG, il retrouve les clauses concernées dans chaque bail, les liste avec leurs références, et le collaborateur vérifie en ouvrant les documents cités.

Ce qui fait la qualité d’un RAG

• Des documents à jour. Une base obsolète produit des réponses obsolètes.
• Un périmètre clair. Mieux vaut une base de connaissances ciblée pour un usage précis qu’un entrepôt de tout ce qui existe.
• Des citations systématiques. Chaque réponse doit renvoyer à sa source pour être vérifiable.
• Des droits respectés. L’assistant ne doit retrouver que ce que l’utilisateur a le droit de voir.

Faut-il construire son propre RAG ?

Pas forcément. Les projets de Claude, les GPT personnalisés et les connecteurs de Copilot offrent déjà une forme de RAG sans développement. Pour commencer, l’enjeu est surtout de bien choisir et organiser les documents. Le sur-mesure devient pertinent quand les volumes ou les exigences augmentent.