Aller au contenu
IA

RAG IA : c’est quoi ? Définition et fonctionnement

Le RAG (Retrieval Augmented Generation, ou génération augmentée par récupération) est une technique qui permet à une intelligence artificielle de répondre à partir de documents précis, plutôt que de sa seule mémoire. Avant de rédiger sa réponse, l’IA va chercher les passages utiles dans une base documentaire, puis s’appuie sur eux en citant ses sources.

Depuis l’arrivée des assistants conversationnels, une question revient dans toutes les entreprises : comment faire travailler l’IA sur nos propres documents, sans qu’elle invente ? Le RAG est aujourd’hui la réponse la plus répandue. Voici ce qu’il faut en comprendre, sans jargon inutile.

Le RAG, définition simple

RAG est l’acronyme de Retrieval Augmented Generation. En français, on parle de génération augmentée par récupération. Le principe a été formalisé en 2020 dans une publication de chercheurs de Facebook AI Research, menée par Patrick Lewis.

Le mot important est « augmentée ». Un modèle de langage classique répond avec ce qu’il a appris pendant son entraînement. Avec le RAG, on lui fournit en plus, au moment de chaque question, les informations dont il a besoin.

L’analogie la plus parlante est celle de l’examen. Un LLM seul passe l’épreuve de mémoire : il répond avec assurance, même quand il se souvient mal. Un RAG passe l’examen à livre ouvert : avant de répondre, il consulte les bonnes pages du manuel, et peut dire d’où vient chaque information.

Pourquoi le RAG est apparu

Les grands modèles de langage ont trois limites bien connues dès qu’on les utilise en entreprise.

Leurs connaissances sont figées. Un modèle ne sait que ce qu’il a appris jusqu’à sa date d’entraînement. Une procédure mise à jour la semaine dernière lui est inconnue.

Ils ignorent vos documents. Vos contrats, vos dossiers clients ou vos règles internes ne font pas partie de leurs données d’entraînement, et c’est heureux.

Ils ne citent pas leurs sources. Pire, quand l’information leur manque, ils peuvent produire une réponse plausible mais fausse : c’est ce qu’on appelle une hallucination.

Le RAG répond à ces trois limites en même temps : l’information vient de vos documents, elle est à jour, et elle est traçable. Nous revenons sur les risques d’un modèle généraliste dans notre article Pourquoi choisir l’IA de LAINX plutôt qu’un LLM classique ?

Comment fonctionne un RAG, étape par étape

1. Préparer les documents

Tout commence avant la première question. Les documents sont lus, leur texte est extrait, puis ils sont découpés en passages de taille raisonnable. Chaque passage est ensuite transformé en embedding : une représentation numérique de son sens. Ces représentations sont rangées dans une base vectorielle, une sorte d’index qui classe les passages par proximité de sens plutôt que par ordre alphabétique.

2. Retrouver les passages pertinents

Quand un utilisateur pose une question, elle est à son tour transformée en représentation numérique. Le système recherche alors les passages dont le sens est le plus proche. C’est ce qui permet de retrouver une clause de résiliation même si la question parle de « mettre fin au contrat ». Cette recherche sémantique est souvent combinée à une recherche par mots-clés, puis les résultats sont reclassés pour ne garder que les plus pertinents.

3. Enrichir la question

Les passages retenus sont ajoutés à la question, avec des consignes précises : répondre uniquement à partir de ces extraits, et signaler quand l’information n’y figure pas. C’est l’étape « augmentée » du RAG.

4. Générer une réponse sourcée

Le modèle de langage rédige enfin sa réponse à partir des passages fournis. Chaque information peut être rattachée au document et au passage d’où elle provient, ce qui permet à l’utilisateur de vérifier en un clic.

RAG, fine-tuning, recherche classique : quelles différences ?

Critère Recherche classique Fine-tuning RAG
Principe Retrouver des documents qui contiennent les mots cherchés Réentraîner un modèle sur des données spécifiques Retrouver les passages utiles, puis rédiger une réponse
Ce que l’on obtient Une liste de documents à lire Un modèle qui adopte un style ou un savoir-faire Une réponse rédigée et sourcée
Données à jour Oui Non, il faut réentraîner Oui, il suffit d’ajouter les documents
Sources citées Oui, mais sans réponse Non Oui
Usage idéal Retrouver un fichier Spécialiser un comportement Interroger une base documentaire

Ces approches ne s’opposent pas. Le fine-tuning peut spécialiser un modèle, et le RAG lui donner accès aux bons documents. Mais pour exploiter une base documentaire qui évolue, avec des réponses vérifiables, le RAG est presque toujours le point de départ.

À quoi sert le RAG ?

Le RAG est utile partout où la réponse existe déjà dans des documents, mais reste longue à retrouver : interroger un portefeuille de contrats, retrouver une règle dans des procédures internes, préparer la synthèse d’un dossier, répondre à une question client à partir de la documentation produit. Pour les entreprises qui veulent aller plus loin, la Direction générale des entreprises a publié un guide de la génération augmentée par récupération qui aide à cadrer un projet.

Pour un usage sur des documents métier, avec les exigences de fiabilité et de confidentialité que cela suppose, découvrez notre solution de RAG entreprise.

Les limites du RAG

Le RAG n’est pas une baguette magique. Quatre limites méritent d’être connues avant de se lancer.

Il dépend de la lecture des documents. Si un scan est mal lu ou si un tableau est aplati en texte brut, la bonne information n’entre jamais dans la base. Le RAG ne peut pas retrouver ce qu’il n’a pas compris.

Le découpage peut couper le sens. Un passage isolé de son contexte, comme une condition placée trois paragraphes plus haut, peut conduire à une réponse incomplète.

Il reflète la qualité de la base. Des documents obsolètes, en doublon ou contradictoires produisent des réponses du même ordre.

Une réponse sourcée n’est pas forcément une réponse complète. Le RAG retrouve et cite. Il ne vérifie pas qu’il manque une pièce, que deux documents se contredisent ou qu’une règle n’est pas respectée. C’est tout l’écart entre une IA générique et une IA métier, que nous détaillons dans notre article IA métier vs IA générique : les 4 étapes qui font la différence.

Le RAG chez LAINX

L’IA de LAINX applique le principe du RAG aux documents métier. Elle lit finement les documents complexes, scans et tableaux compris, répond uniquement à partir de vos documents en citant ses sources, et indique clairement quand l’information n’existe pas. Elle croise ensuite les informations entre documents et les confronte à vos règles métier. Pour en savoir plus, découvrez notre page RAG entreprise.

Questions fréquentes

FAQ sur le RAG

RAG veut dire quoi ?

RAG signifie Retrieval Augmented Generation, en français génération augmentée par récupération. C’est une technique qui consiste à fournir à une IA les passages de documents utiles avant qu’elle rédige sa réponse.

Quelle différence entre le RAG et ChatGPT ?

Un assistant comme ChatGPT, utilisé seul, répond à partir de ses connaissances générales. Le RAG est une technique qui connecte un modèle de langage à une base documentaire précise, pour qu’il réponde à partir de ces documents et cite ses sources.

Faut-il entraîner un modèle pour faire du RAG ?

Non. Le RAG fonctionne sans réentraîner le modèle : il suffit d’ajouter ou de mettre à jour les documents de la base pour que les réponses en tiennent compte.

Le RAG est-il compatible avec des données confidentielles ?

Oui, à condition de maîtriser l’hébergement des documents et du modèle. C’est un critère essentiel dans le choix d’une solution : où sont stockées les données, et qui peut y accéder.

Qu’est-ce qu’un RAG agentique ?

C’est un RAG capable d’enchaîner plusieurs étapes de façon autonome : reformuler la question, lancer plusieurs recherches, vérifier les résultats, puis construire sa réponse. C’est une évolution vers des agents qui ne se contentent plus de répondre, mais traitent une tâche complète.

Testez LAINX sur vos propres documents

Une démonstration personnalisée, sur vos cas d’usage réels.

À lire aussi